如何用map和lambda处理嵌套dict实现按国家日期分组过滤？

当然可以用lambda、map配合reduce来搞定这个需求，不仅能替代可读性差的多层循环，代码逻辑还会更清晰。我先给你举个具体的例子，咱们一步步拆解实现过程：

先定义示例数据 #

假设你的嵌套字典结构是这样的（和你的需求匹配）：

# 示例输入的嵌套字典
original_data = {
    "USA": {
        "California": {
            "Los Angeles": [
                {"date": "2024-01-01", "value": 100},
                {"date": "2024-01-02", "value": 150}
            ],
            "San Francisco": [
                {"date": "2024-01-01", "value": 200},
                {"date": "2024-01-02", "value": 250}
            ]
        },
        "Texas": {
            "Houston": [
                {"date": "2024-01-01", "value": 300},
                {"date": "2024-01-02", "value": 350}
            ]
        }
    },
    "Canada": {
        "Ontario": {
            "Toronto": [
                {"date": "2024-01-01", "value": 400},
                {"date": "2024-01-02", "value": 450}
            ]
        }
    }
}

# 需要保留的目标州集合
target_states = {"California", "Ontario"}

实现步骤：筛选→扁平化→聚合 #

我们可以把需求拆成三个独立的步骤，用函数式工具来实现：

1. 筛选目标州并扁平化数据 #

先用filter筛选出符合条件的州，再用map和生成器把嵌套结构展开成一维的条目（每条包含国家、日期、数值），避免多层嵌套循环：

# 用生成器+filter/map实现扁平化，节省内存
flattened_entries = (
    {"country": country, **item}
    for country, states in original_data.items()
    # 过滤出目标州
    for state in filter(lambda s: s in target_states, states.keys())
    for city_data in states[state].values()
    # 用map处理每个日期条目（这里如果不需要额外转换，也可以直接用item）
    for item in map(lambda x: x, city_data)
)

2. 用Reduce按国家+日期分组聚合 #

接下来用functools.reduce来做分组，核心逻辑是把每个条目按(country, date)作为键，聚合对应的数据（这里以求和为例，你可以按需修改聚合方式）：

from functools import reduce

def group_aggregator(accumulator, entry):
    # 用国家+日期作为唯一键
    group_key = (entry["country"], entry["date"])
    if group_key not in accumulator:
        accumulator[group_key] = 0
    # 这里是求和聚合，你可以改成append收集所有值，或者其他操作
    accumulator[group_key] += entry["value"]
    return accumulator

# 执行分组聚合
grouped_result = reduce(group_aggregator, flattened_entries, {})

3. 转换为最终的嵌套字典格式（可选） #

如果需要把结果转回类似原数据的嵌套结构（国家→日期→聚合值），可以再做一步转换：

final_dict = {}
for (country, date), total in grouped_result.items():
    if country not in final_dict:
        final_dict[country] = {}
    final_dict[country][date] = total

# 输出结果
print(final_dict)
# 输出：
# {'USA': {'2024-01-01': 300, '2024-01-02': 400}, 'Canada': {'2024-01-01': 400, '2024-01-02': 450}}

为什么这种方式更好？ #

• 把筛选、扁平化、聚合拆成独立步骤，逻辑比多层嵌套循环更清晰，可读性更强；
• 用生成器替代列表，处理大数据时更节省内存；
• 聚合逻辑封装在group_aggregator函数里，后续修改聚合规则（比如求平均值、收集所有值）只需要改这个函数即可。

内容的提问来源于stack exchange，提问作者halfcup