说起规约，有的同学可能不太理解，我们先来说一下概念。相信大多数开发同学都听说过hadoop，前几年非常火的一个技术就是大数据，而hadoop是大数据的入门技术，其中就有一个关键概念map-reduce，意思就是分-总计算，简单来说就是将要计算的数据分散到多个独立单元（可以理解为按照任务大小拆分任务到多台计算机执行计算）中计算，每个单元计算出结果后，再进行结果汇总，从而突破单机性能瓶颈，这个汇总的动作就是规约，也就reduce。
在实际应用中，我们经常要用到将一组数据的值进行累加汇总，得到一个总和，lambda中也支持这样的操作，就是reduce()函数。
当然，规约的概念并不是仅限于求和，凡是要将一组值合起来，再求出一个值的操作，都是规约，比如我求最大值、最小值等。
来看demo代码
初始化测试数据：
List<Student> list = new ArrayList<>();
String[] names = {"小明","小华","小志","小东","小李","小张","小王","小周","小吴","小郑"};
for(int i=0; i<10; i++) {
Student student = Student.builder()
.name(names[i])
.age(12+i/5)
.no(i+1)
.math(85d+i).build();
list.add(student);
}
System.out.println("======初始化数据:======");
list.forEach(System.out::println);1、reduce
求班级学生数据成绩加和，我们可以使用两种写法：
double reduce = list.stream().mapToDouble(Student::getMath).reduce(0d, (x, y) -> x + y);
System.out.println("所有学生数学成绩加和：" +reduce);
double reduce2 = list.stream().mapToDouble(Student::getMath).reduce(Double::sum).getAsDouble();
System.out.println("所有学生数学成绩加和：" +reduce2);输出结果：
所有学生数学成绩加和：895.0
所有学生数学成绩加和：895.0我们来看一下reduce方法：
T reduce(T identity,
BinaryOperator<T> accumulator)第一个参数就是起始值，我们求累加操作，起始值一般都是从0开始，第二个参数也是一个lambda表达式，BinaryOperator是一个二元操作，求累加，这里的表达式就是（a,b）->a+b;这两个参数配合使用就是第一参数0先和流中第一个元素相加得到的结果，再和流中第二个元素相加，这样依次和每个元素相加，最终得到求和结果。
2、求最大最小值
我们使用reduce也可以去最大和最小值，这里先看最大值：
Optional<Double> max = list.stream().map(Student::getMath).reduce(Double::max);
System.out.println("max-所有学生数学成绩最高分：" +max.get());Stream中也实现了一个max方法，可以直接求最大值：
Optional<Student> max2 = list.stream().max(Comparator.comparing(Student::getMath));
System.out.println("max2-所有学生数学成绩最高分：" +max2.get().getMath());输出结果：
max-所有学生数学成绩最高分：94.0
max2-所有学生数学成绩最高分：94.0求最小值：
Optional<Student> min = list.stream().min(Comparator.comparing(Student::getMath));
System.out.println("所有学生数学成绩最低分：" +min.get().getMath());输出结果：
所有学生数学成绩最低分：85.0