1 简介
一些比较熟悉pandas的读者朋友应该经常会使用query()、eval()、pipe()、assign()等pandas的常用方法，书写可读性很高的「链式」数据分析处理代码，从而更加丝滑流畅地组织代码逻辑。
但在原生Python中并没有提供类似shell中的管道操作符|、R中的管道操作符%>%等语法，也没有针对列表等数组结构的可进行链式书写的快捷方法，譬如javascript中数组的map()、filter()、some()、every()等。
正所谓“标准库不够，三方库来凑”，Python原生对链式写法支持不到位没关系，我们可以使用一些简单方便且轻量的第三方库来协助我们在Python代码中大面积实现链式写法，今天的文章中我就将带大家一起学习相关的知识技巧~
2 在Python中配合pipe灵活使用链式写法
我们将使用到pipe这个第三方库，它不仅内置了很多实用的「管道操作函数」，还提供了将常规函数快捷「转换」为管道操作函数的方法，使用pip install pipe对其进行安装即可。
pipe的用法非常方便，类似shell中的管道操作：以你的数组变量为起点，使用操作符|衔接pipe内置的各个常见管道操作函数，组装起自己所需的计算步骤即可，譬如，我们筛选输入数组中为偶数的，再求平方，就可以写作：
import pipelist( range(10) | pipe.filter(lambda x: x % 2 == 0) | pipe.select(lambda x: x ** 2))
因为pipe搭建的管道默认都是惰性运算的，直接产生的结果是生成器类型，所以上面的例子中我们最外层套上了list()来取得实际计算结果，更优雅的方式是配合pipe.Pipe()，将list()也改造为管道操作函数：
from pipe import Pipe( range(10) | pipe.filter(lambda x: x % 2 == 0) | pipe.select(lambda x: x ** 2) | Pipe(list))
在上面的简单例子中我们使用到的filter()、select()等就是pipe中常见的管道操作函数，事实上pipe中的管道操作函数相当的丰富，下面我们来展示其中一些常用的：
2.1 pipe中常用的管道操作函数
2.1.1 使用traverse()展平嵌套数组
如果你想要将任意嵌套数组结构展平，可以使用traverse()：
( [1, [2, 3, [4, 5]], 6, [7, 8, [9, [10, 11]]]] | pipe.traverse | Pipe(list))
2.1.2 使用dedup()进行顺序去重
如果我们需要对包含若干重复值的数组进行去重，且希望保留原始数据的顺序，则可以使用dedup()，其还支持key参数，类似sorted()中的同名参数，实现自定义去重规则：
( [-1, 0, 0, 0, 1, 2, 3] | pipe.dedup | Pipe(list))( [-1, 0, 0, 0, 1, 2, 3] | # 基于每个元素的绝对值进行去重 pipe.dedup(key=abs) | Pipe(list))
2.1.3 使用filter()进行值过滤
我们最开始的例子中使用过它，用法就是基于传入的lambda函数对每个元素进行条件判断，并保留结果为True的，与javascript中的filter()方法非常相似：
( [1, 4, 3, 2, 5, 6, 8] | # 保留大于5的元素 pipe.filter(lambda x: x > 5) | Pipe(list))
2.1.4 使用groupby()进行分组运算
这个函数非常实用，其功能相当于管道操作版本的itertools.groupby()，可以帮助我们基于lambda函数运算结果对原始输入数组进行分组，通过groupby()操作后直接得到的结果是分组结果的二元组列表，每个元组的第一个元素是分组标签，第二个元素是分到该组内的各个元素：
基于此，我们可以衔接很多其他管道操作函数，譬如衔接select()对分组结果进行自定义运算：
2.1.5 使用select()对上一步结果进行自定义遍历运算
这个函数是pipe()中核心的管道操作函数，通过前面的若干例子也能弄明白，它的功能是基于我们自定义的函数，对上一步的运算结果进行遍历运算。
2.1.6 使用sort()进行排序
相当于内置函数sorted()的管道操作版本，同样支持key、reverse参数：
上述内容足以支撑大部分日常操作需求，你也可以在https://github.com/JulienPalard/Pipe中查看pipe的更多功能介绍。