看文字的话会很乱，和图一起看会好一点
为播州等地区用户提供了全套网页设计制作服务，及播州网站建设行业解决方案。主营业务为成都网站制作、网站设计、外贸网站建设、播州网站设计，以传统方式定制建设网站，并提供域名空间备案等一条龙服务，秉承以专业、用心的态度为用户提供真诚的服务。我们深信只要达到每一位用户的要求，就会得到认可，从而选择与我们长期合作。这样，我们也可以走得更远！
首先，it是个生成器(_odd_iter)，并使n=3，随后，it作为一个生成器存在于filter对象中(迭代器)，并使it为一个filter对象，经过循环，到达next语句，先计算it _odd_iter(生成器)，生成了新的数之后，开始计算filter。第一次循环的时候第18行的代码相当于 it = filter(_not_divisible(3), it )，等号右面的it还在等待next调用生成值，生成值之后，就将它代入为lambda的x中……第二次循环的时候第18行代码变成 it = filter(_not_divisible(5), filter(_not_divisible(3), it ) )，同样等号右面的it仍然在等待next调用生成新的值
我刚看这个教程，不知道对不对。。。
对了我看见有一个人问把代码第18行改成 it = filter(lambda x: x % n 0, it)
会失去过滤功能，我觉得，lambda是一个临时函数，所以觉得像filter(div(5), filter(div(3), it))这种存在多个lambda临时函数的话是很奇怪的，
在调试时，发现filter只检测了一个n(最近被赋值的)，相当于7%5，9%7这样，因此失去过滤素数功能。模拟一下，在将要输出5的时候，it = filter()的那行代码变为：
it = filter(lambda x : x % n 0 , filter (lambda x : x % n 0 , it ) )，it将值赋给x，但是，我觉得n被赋值时，会刷新其他lambda中的n，造成类似于 it = filter(lambda x : x % 5 0 , filter (lambda x : x % 5 0 , it ) )的情况
map是把函数调用的结果放在列表里面返回，它也可以接受多个 iterable,在第n次调用function时，将使用iterable1[n], iterable2[n], ...作为参数。
filter(function, iterable)
这个函数的功能是过滤出iterable中所有以元素自身作为参数调用function时返回True或bool(返回值)为True的元素并以列表返回.
def f_large_than_5(x):
return x 5
filter(f_large_than_5, range(10))
[6,7,8,9]
map函数第一个参数是一个函数function，第二个参数是一个可迭代的对象iterable，他的功能是将可迭代对象iterable里面的每一项都应用到函数function中，然后返回一个迭代器。
可迭代器里面有多少个元素则结果就包含多少个元素
filter() 函数用于过滤序列，过滤掉不符合条件的元素，返回由符合条件元素组成的新列表。
该接收两个参数，第一个为函数，第二个为序列，序列的每个元素作为参数传递给函数进行判断，然后返回 True 或 False，最后将返回 True 的元素放到新列表中。
reduce() 函数会对参数序列中元素进行累积。
函数将一个数据集合（链表，元组等）中的所有数据进行下列操作：用传给 reduce 中的函数 function（有两个参数）先对集合中的第 1、2 个元素进行操作，得到的结果再与第三个数据用 function 函数运算，最后得到一个结果。
filter 方法可以返回原始对象的子集.
例如，我们想提取分组内的和大于 3 的所有分组的元素
filter 的参数必须是一个函数，函数参数是每个分组，并且返回 True 或 False
例如，提取元素个数大于 2 的分组
另外，我们也可以过滤掉不满足条件的组，而是返回一个类似索引对象。在这个对象中，没有通过的分组的元素被 NaN 填充
对于具有多列的 DataFrames ，过滤器应明确指定一列作为过滤条件
在进行聚合或转换时，你可能想对每个分组调用一个实例方法，例如
但是，如果需要传递额外的参数时，它会变得很冗长。我们可以直接使用分派到组对象上的方法
实际上这生成了一个函数包装器，在调用时，它接受所有传递的参数，并在每个分组上进行调用。
然后，这个结果可以和 agg 和 transform 结合在一起使用
在上面的例子中，我们按照年份分组，然后对每个分组中使用 fillna 补缺失值
nlargest 和 nsmallest 可以在 Series 类型的 groupby 上使用
对分组数据的某些操作可能并不适合聚合或转换。或者说，你可能只是想让 GroupBy 来推断如何合并结果
我们可以使用 apply 函数，例如
改变返回结果的维度
在 Series 上使用 apply 类似
对于之前的示例数据
假设，我们想按 A 分组并计算组内的标准差，但是 B 列的数据我们并不关心。
如果我们的函数不能应用于某些列，则会隐式的删除这些列，所以
直接计算标准差并不会报错
可以使用分类变量进行分组，分组的顺序会按照分类变量的顺序
可以使用 pd.Grouper 控制分组，对于如下数据
可以按照一定的频率对特定列进行分组，就像重抽样一样
可以分别对列或索引进行分组
类似于 Series 和 DataFrame ，可以使用 head 和 tail 获取分组前后几行
在 Series 或 DataFrame 中可以使用 nth() 来获取第 n 个元素，也可以用于获取每个分组的某一行
如果你要选择非空项，可以使用关键字参数 dropna ，如果是 DataFrame ，需要指定为 any 或 all (类似于 DataFrame.dropna(how='any|all') )
与其他方法一样，使用 as_index=False 分组名将不会作为索引
你也可以传入一个整数列表，一次性选取多行
使用 cumcount 方法，可以查看每行在分组中出现的顺序
可以使用 ngroup() 查看分组的顺序，该顺序与 cumcount 的顺序相反。
注意 ：该顺序与迭代时的分组顺序一样，并不是第一次观测到的顺序