Map<String, Object> map = new HashMap<String, Object>();
          map.put("aaa", 111);
          map.put("bbb", 222);
          map.put("ccc", 333);
          map.put("ddd", 444);
  for(String key:map.keySet()){//keySet获取map集合key的集合  然后在遍历key
          
        }

全文共2375字，预计学习时长7分钟
图源：Unsplash
屏幕前的你，瞅瞅看，你的代码是不是通篇都是For循环？是不是眯眼靠近屏幕才能看清自己的代码？
没错，我就是这样的。(难以切齿)
For循环是解决问题的瑞士军刀，非常好用，但是当浏览代码想看看自己做了什么的时候，它们会把你淹没。
此时，Map, filter和 reduce三种技术可以帮到你。
它们可以通过提供描述迭代原因的函数替代选择，来矫正For循环的狂热。
图源：Unsplash
在之前的文章里，小芯有介绍过 JavaScript里使用这些技术，但是在Python中的实现稍许有些不同。
下面将分别简要介绍三种技术，重点强调它们在JavaScript和Python中的语法不同，然后举出如何替换常见For循环的示例。
Map, Filter, 和Reduce是什么？
回顾之前写的代码，我意识到当循环字符串或数组时，95%的情况下，我都在做如下的事情之一：将系列语句映射(Map)到每个值，过滤(Filter)掉满足特定情况的值，或者将数据集减少(Reduce)到单个聚合值。
基于这种观点，这三种方法是识别和实现，因为循环迭代的原因通常对应以下三种功能类型之一：
· Map：对每个项应用相同的步骤集，储存结果。
· Filter: 应用验证条件，储存计算值为True的项。
· Reduce: 返回从一个元素传递到另一个元素的值。
是什么让Map、Filter、Reduce与众不同？
在Python中，这三种技术易函数的形式存在，而不是Array或String类的方法。这意味着要写成map(function, my_list)而不是my_array.map(function)。
此外，每个技术都需要传递函数，该函数会被每个项执行。通常而言，函数会写成匿名函数，在JavaScript中叫胖箭头函数。但是在Python中会经常使用lambda表达式。
Lambda表达式和箭头函数之间的语法其实非常相似。将=>替换为：，确保使用了关键词lambda，剩下的几乎就完全相同。
// JavaScript Arrow Function
const square = number => number * number;// Python Lambda Expression
square = lambda number: number * number
Lambda表达式和箭头函数之间的一个关键区别是，箭头函数可以扩展成有多个语句的完整函数，而lambda表达式只限于一个能返回的表达式。因此当使用map(), filter()或 reduce()时，如果需要对每个项执行多个操作，需要先定义函数，再把函数使用进去。
def inefficientSquare(number):
result = number * number
return resultmap(inefficientSquare,my_list)
替换For循环
下面是三个常见的For循环示例，分别用map, filter和 reduce替换掉。编程目的：计算列表中奇数的平方和。
首先是基本的For循环示例。请注意：这纯粹是为了演示，即使没有map/filter/reduce也可以改进它。
numbers = [1,2,3,4,5,6]
odd_numbers = []
squared_odd_numbers = []
total = 0# filter for odd numbers
for number in numbers:
if number % 2 == 1:
odd_numbers.append(number)# squareall odd numbers
for number in odd_numbers:
squared_odd_numbers.append(number *number)# calculate total
for number in squared_odd_numbers:
total += number# calculate average
将每个步骤替换为一个函数：
from functools importreducenumbers = [1,2,3,4,5,6]odd_numbers = filter(lambda n: n % 2 == 1,numbers)squared_odd_numbers = map(lambda n: n * n, odd_numbers)total =reduce(lambda acc, n: acc + n, squared_odd_numbers)
有几个重要语法要点需要强调。
· map() 和 filter() 原生可用。但是reduce() 必须从 Python3+中的functools 库里导入。
· Lambda表达式是所有三个函数里的第一个参数，而迭代表达式是第二个参数。
· reduce()的Lambda表达式需要两个参数： accumulator (传递给每个元素的值)和单个元素本身。
图源：Unsplash
诚然，For循环在代码中不可或缺，但是过度使用未免有点单调，学习新知识为自己的代码锦上添花，不是更好吗？
毕竟，学习新知识可不是坏事，小芯更不是什么魔鬼。(坏笑)
最后，衷心祝愿大家远离洪水般的For循环。
留言点赞关注
我们一起分享AI学习与发展的干货
如转载，请后台留言，遵守转载规范

R学习往期回顾：
R学习：R for Data Science 循环-迭代（for while)）
R学习：R for Data Science 向量（1）
R学习：R for Data Science 向量（2）
R学习 从Tidyverse学起，入门R语言 dplyr合并数据
R学习 流程控制 if,else,ifelse
R学习 从Tidyverse学起，入门R语言（tidyr和stringr）
R学习 从Tidyverse学起，入门R语言（tibble，readr和dplyr）
R学习：字符串
R学习：环境和函数
R学习：数据框的基本操作
R学习：R for Data Science（五）
R学习：R for Data Science（四）
R学习：R for Data Science（三）
R学习：R for Data Science（二）
R学习：R for Data Science（一）
for循环与函数式编程
for 循环在 R 中不像在其他语言中那么重要，因为 R 是一门函数式编程语言。这意味着可以先将 for 循环包装在函数中，然后再调用这个函数，而不是直接使用 for 循环
library(tidyverse)
df <- tibble(
  a = rnorm(10),
  b = rnorm(10),
  c = rnorm(10),
  d = rnorm(10)
)
假设想要计算每列的均值。你可以使用 for 循环来完成这个任务
output <- vector("double", length(df))
for (i in seq_along(df)) {
  output[[i]] <- mean(df[[i]])
}
output
将这段代码提取出来，转换成一个函数：
col_mean <- function(df) {
  output <- vector("double", length(df))
  for (i in seq_along(df)) {
    output[i] <- mean(df[[i]])
  }
  output
}
还可以算每列的中位数和标准差
col_median <- function(df) {
  output <- vector("double", length(df))
  for (i in seq_along(df)) {
    output[i] <- median(df[[i]])
  }
  output
}
col_sd <- function(df) {
  output <- vector("double", length(df))
  for (i in seq_along(df)) {
    output[i] <- sd(df[[i]])
  }
  output
}
通过添加支持函数应用到每列的一个参数，我们可以使用同一个函数完成与 col_mean()、col_median() 和 col_sd() 函数相同的操作：
col_summary <- function(df, fun) {
  out <- vector("double", length(df))
  for (i in seq_along(df)) {
    out[i] <- fun(df[[i]])
  }
  out
}
col_summary(df, median)
col_summary(df, mean)
将函数作为参数传入另一个函数的这种做法是一种非常强大的功能，它是促使 R 成为函数式编程语言的因素之一。 
我们将学习和使用 purrr 包，它提供的函数可以替代很多常见的 for 循环应用。 R 基础包中的应用函数族（apply()、 lapply()、 tapply() 等）也可以完成类似的任务，但 purrr 包中的函数更一致，也更易于学习。 
使用 purrr 函数代替 for 循环的目的是将常见的列表处理问题分解为独立的几个部分。
• 对于列表中的单个元素，你能找到解决问题的方法吗？如果找到了解决方法，那么你就可以使用 purrr 将这种方法扩展到列表中的所有元素。
• 如果你面临的是一个非常复杂的问题，那么如何将其分解为几个可行的子问题，然后循序渐进地解决，直至完成最终的解决方案？使用 purrr，你可以解决很多子问题，然后再通过管道操作将这些问题的结果组合起来。 
映射函数
先对向量进行循环、然后对其每个元素进行一番处理，最后保存结果。这种模式太普遍了，因此 purrr 包提供了一个函数族来替你完成这种操作。每种类型的输出都有一个相应的函数：
• map() 用于输出列表；
• map_lgl() 用于输出逻辑型向量；
• map_int() 用于输出整型向量；
• map_dbl() 用于输出双精度型向量；
• map_chr() 用于输出字符型向量。 
每个函数都使用一个向量作为输入，并对向量的每个元素应用一个函数，然后返回和输入向量同样长度（同样名称）的一个新向量。向量的类型由映射函数的后缀决定。 
我们可以使用这些函数来执行与最后一个 for 循环相同的操作。因为那些摘要函数返回的是双精度数，所以我们需要使用 map_dbl() 函数：
map_dbl(df, median)
map_dbl(df, mean)
map_*() 和 col_summary() 具有以下几点区别 
• 所有 purrr 函数都是用 C 实现的。这使得它们的速度非常快，但牺牲了一些可读性 
• 第二个参数（即 .f，要应用的函数）可以是一个公式、一个字符向量或一个整型向量 
• map_*() 使用向 .f 传递一些附加参数，供其在每次调用时使用 
• 映射函数还可以保留名称
快捷方式 
对于参数 .f，你可以使用几种快捷方式来减少输入量。假设你想对某个数据集中的每个分组都拟合一个线性模型。以下这个简单示例将 mtcars 数据集拆分成 3 个部分（按照气缸的值分类），并对每个部分拟合一个线性模型： 
models <- mtcars %>%
  split(.$cyl) %>%
  map(function(df) lm(mpg ~ wt, data = df))
因为 R 中创建匿名函数的语法比较繁琐，所以 purrr 提供了一种更方便的快捷方式——单侧公式：
models <- mtcars %>%
  split(.$cyl) %>%
  map(~lm(mpg ~ wt, data = .))
我们在以上示例中使用了 . 作为一个代词：它表示当前列表元素（与 for 循环中用 i 表示当前索引是一样的） 
需要提取出  R平方 这样的摘要统计量 
需要先运行 summary() 函数，然后提取出结果中的 r.squared。我们可以使用匿名函数的快捷方式来完成这个操作：
models %>%
  map(summary) %>%
  map_dbl(~.$r.squared)
因为提取命名成分的这种操作非常普遍，所以 purrr 提供了一种更为简洁的快捷方式：使用字符串
models %>%
  map(summary) %>%
  map_dbl("r.squared")
后面需要有apply（）家族函数的基础知识，为了循序渐进，后面我们将会介绍apply家族，下回见。
 单基因泛癌分析链接
TCGA单基因免疫相关泛癌分析，懒人福音, 重磅来袭​mp.weixin.qq.com
公众号“生信小课堂”
TCGA数据分析课程：生物信息学教学

1.数组是非常有用的，说数组就会用到的是循环
 for循环： for(let i=0;i<arr.length;i++){}
while循环
2.ES6中新增的循环
arr.forEach()-------代替普通的 for 循环
arr.map()----------非常有用，做数据交互“映射”
               正常情况下，要配合 return,返回一个新的数组（平时使用 map，要用 return）
                如果没有 return,就相当于forEach
arr.filter()----------过滤，过滤一些不合格的”元素“；如果回调函数返回true,就留下了。
arr.some()----------类似于查找，数组里某一个元素符合条件，返回true
arr.every()----------类似于查找，数组里每一个元素都要符合条件，才返回true
arr.reduce()----------求数组的和、阶乘   // 从左往右
arr.reduceRight()----求数组的和、阶乘   // 从右往左
ES2017新增了一个运算符：幂  **
                                        之前求2的3次方：Math.pow(2,3)       现在：2**3
新增循环：for...of...  循环数组 
例子1--传统循环
<script>
 
输出结果：a,b,c,d
例子2--arr.forEach() 循环
<script>
 
注意：
arr.forEach()、arr.map()、arr.filter()、arr.some()、arr.every()它们接收的参数一模一样，他们可以接收两个参数：(循环回调函数，this指向谁)；
【说白了你循环想干什么就得放这里边儿，你希望this指向谁】
就是说 arr.forEach() 怎么用，其他的就怎么用，只是意思不同。
例子3--思考this指向
<script>
 
例子4--第二个参数改为 this
<script>
 
例子5--arr.map() 不使用return情况
<script>
 
例子6--arr.map() 使用return情况
<script>
 
例子7--arr.map() 使用return情况，重新整理过的数据结构
例子8--arr.filter() 过滤新闻为热点（hot:true）
<script>
 
<script>
 
结论：arr.filter()--过滤，过滤一些不合格的”元素“； 如果回调函数返回true,就留下了！
例子9--arr.some()
<script>
 let arr=['apple','banana','orange'];

  let b=arr.some((val,index,arr)=>{
  
  return val=='banana2';
 });
 
 console.log(b);
</script>
输出的结果：false
结论：arr.some()--类似于查找，数组里某一个元素符合条件，返回true！
例子10--arr.every() 判断数组里面是不是都是奇数？
结论：arr.every()--类似于查找，数组里每一个元素都要符合条件，才返回true!
例子11--arr.reduce()----------求数组的和、阶乘 // 从左往右
类似于递归，搞算法用得比较多。（前面数的和再加当前的数以此循环相加）
阶乘
例子12--幂运算符  （ES2017新增了一个运算符：幂  **）
之前求2的3次方：Math.pow(2,3)       
  现在：2**3
<script> 

  
结果是一样的：8
例子13--arr.reduceRight()----求数组的和、阶乘   // 从右往左
例子14--新增循环：for...of...  循环数组
循环索引
综合
THANK YOU!下节见