探索 Python 的 functools: 缓存、缓存属性和 LRU 缓存
Python 的 functools 模块是功能编程爱好者的宝藏，提供了使代码更高效和优雅的工具。在这篇文章中，我们将深入探讨三个强大的函数——cache、cached_property 和 lru_cache——它们通过存储昂贵计算的结果来帮助优化性能。无论是加速递归算法还是简化基于类的计算，这些工具都能满足你的需求。让我们通过清晰的解释和实际的例子来探索每一个工具。
1. cache: 简单的无界备忘录
cache 装饰器是一种轻量级的方式来备忘函数结果，当相同的输入再次出现时存储它们以供重用。它就像是你函数输出的便签——无需重新计算！
工作原理
- 功能：在一个无限制的字典中存储函数结果，使用参数作为键。
- 使用时机：适用于计算开销大的纯函数（相同输入，相同输出）。
- 主要特点：它等同于
lru_cache(maxsize=None)，但由于其简单性而更快。
示例
from functools import cache
@cache
def factorial(n):
return n * factorial(n-1) if n else 1
print(factorial(10)) # 计算结果：3628800
print(factorial(10)) # 返回缓存结果，无需重新计算
为什么它很棒
- 速度：避免冗余计算，使得像阶乘这样的递归函数速度极快。
- 简单性：无需配置——只需添加装饰器即可。
- 警告：缓存会无限增长，因此对于具有许多唯一输入的函数，请监控内存使用情况。
2. cached_property: 一次性属性计算
cached_property 装饰器将类方法转换为一个属性，该属性只计算一次其值并为实例缓存该值。可以将其视为一个懒加载的属性，它会一直存在。
工作原理
- 它的作用：第一次访问时运行该方法，将结果缓存为实例属性，并在后续调用中返回缓存的值。
- 何时使用：非常适合在第一次计算后不会改变的类中的昂贵计算。
关键特性：仅适用于实例方法（需要 self）。
示例
from functools import cached_property
class Circle:
def __init__(self, radius):
self.radius = radius
@cached_property
def area(self):
print("计算面积")
return 3.14159 * self.radius ** 2
c = Circle(5)
print(c.area) # 输出: 计算面积，然后 78.53975
print(c.area) # 输出: 78.53975（缓存，无需重新计算）为什么它很棒
- 效率：每个实例仅计算一次，节省CPU周期。
- 简洁代码：像属性一样读取（c.area vs. c.area()），无缝融入类设计。
- 注意事项：缓存的值可以被覆盖（例如，c.area = 0），因此应将其用于不可变数据。
3. lru_cache：灵活的、有界的记忆化
lru_cache装饰器是记忆化的强力工具，提供可配置大小的最近最少使用（LRU）缓存。它是线程安全的，并且具有丰富的反射特性，使其成为优化复杂函数的首选。
它是如何工作的
- 它的功能：缓存最多maxsize个结果，当缓存满时驱逐最近最少使用的条目。支持类型选项，将不同类型（例如，3与3.0）视为不同的键。
- 何时使用：非常适合递归算法、动态规划或任何具有重复调用的函数。
- 关键特性：提供 cache_info() 方法以检查命中、未命中和缓存大小。
示例
from functools import lru_cache
@lru_cache(maxsize=32)
def fib(n):
if n < 2:
return n
return fib(n-1) + fib(n-2)
print(fib(10)) # 计算结果：55
print(fib.cache_info()) # 显示: CacheInfo(hits=8, misses=11, maxsize=32, currsize=11)
为什么它很棒
- 控制：设置最大大小以平衡内存和性能（使用 None 表示无限制，如缓存）。
- 线程安全：适用于多线程应用程序，确保缓存保持一致性。
- 调试：cache_info() 帮助您通过揭示缓存的有效性来调整性能。
- 注意：避免与具有副作用的函数一起使用，因为缓存假设输出是确定性的。
