一、什么是 functools.lru_cache？

functools.lru_cache 是 Python 標(biāo)準(zhǔn)庫中 functools 模塊的一部分。lru_cache 裝飾器可以用來為一個函數(shù)添加一個緩存系統(tǒng)。這個緩存系統(tǒng)會存儲函數(shù)的輸入和對應(yīng)的輸出。如果函數(shù)被調(diào)用，并且給出了已經(jīng)緩存過的輸入，那么函數(shù)就不會重新計算，而是直接從緩存中獲取對應(yīng)的輸出。

LRU 是 “Least Recently Used” 的縮寫，意思是 “最近最少使用”。LRU 緩存就是一種緩存淘汰算法，當(dāng)緩存達(dá)到預(yù)設(shè)的容量上限時，會優(yōu)先淘汰最近最少使用的數(shù)據(jù)。

from functools import lru_cache
@lru_cache(maxsize=None)
def fib(n):
    if n < 2:
        return n
    return fib(n - 1) + fib(n - 2)
print(fib(10))  # 輸出：55

在上面的例子中，我們定義了一個求斐波那契數(shù)列的函數(shù)，并且使用 @lru_cache(maxsize=None) 裝飾器對其進(jìn)行了裝飾。然后我們調(diào)用 fib(10)，得到結(jié)果 55。實(shí)際上，由于使用了緩存，fib 函數(shù)在求解過程中，對于同樣的參數(shù)只進(jìn)行了一次計算。

二、如何使用 functools.lru_cache？

要使用 functools.lru_cache 裝飾器，你只需要在你的函數(shù)定義之前添加 @functools.lru_cache 行。這會讓 lru_cache 裝飾器知道你希望為這個函數(shù)添加一個緩存系統(tǒng)。

lru_cache 裝飾器有兩個可選參數(shù)：

• maxsize：這個參數(shù)用來設(shè)置緩存的大小。如果你設(shè)置了這個參數(shù)，緩存的大小就會被限制在這個值之內(nèi)。如果你不設(shè)置這個參數(shù)，或者將其設(shè)置為 None，那么緩存的大小就沒有上限。

• typed：如果你將這個參數(shù)設(shè)置為 True，那么 lru_cache 就會根據(jù)輸入?yún)?shù)的類型分別進(jìn)行緩存。也就是說，1 和 1.0 盡管在 Python 中是相等的，但它們會被當(dāng)成兩個不同的輸入進(jìn)行緩存。默認(rèn)情況下，typed 參數(shù)是 False。

from functools import lru_cache
@lru_cache(maxsize=128, typed=False)
def add(x, y):
    print(f"Calculating: {x} + {y}")
    return x + y
print(add(1, 2))  # 輸出：Calculating: 1 + 2 \n 3
print(add(1, 2))  # 輸出：3
print(add(1.0, 2.0))  # 輸出：Calculating: 1.0 + 2.0 \n 3.0
print(add(1.0, 2.0))  # 輸出：3.0

在上面的代碼中，我們定義了一個加法函數(shù) add，并使用 lru_cache 裝飾器對其進(jìn)行裝飾。我們可以看到，當(dāng)我們第二次調(diào)用 add(1, 2) 和 add(1.0, 2.0) 時，add 函數(shù)并沒有重新進(jìn)行計算，而是直接從緩存中獲取了結(jié)果。

三、functools.lru_cache 的用途

functools.lru_cache 可以用于優(yōu)化那些具有重復(fù)計算的遞歸函數(shù)，或者計算成本較高的函數(shù)。通過保存已經(jīng)計算過的值，functools.lru_cache 能夠避免重復(fù)的計算，從而提高程序的運(yùn)行效率。

例如，求解斐波那契數(shù)列就是一個典型的使用場景。在沒有優(yōu)化的情況下，求解斐波那契數(shù)列的時間復(fù)雜度是指數(shù)級別的。但是，如果我們使用 functools.lru_cache 對其進(jìn)行優(yōu)化，那么我們就可以將其時間復(fù)雜度降低到線性級別。

此外，functools.lru_cache 還可以用于緩存那些對數(shù)據(jù)庫或者文件系統(tǒng)的重復(fù)查詢，從而提高程序的性能。

需要注意的是，functools.lru_cache 并不適合所有的場景。因為 functools.lru_cache 是通過空間換取時間的方式來提高程序的性能的，所以，如果你的程序運(yùn)行在內(nèi)存有限的環(huán)境中，或者你的函數(shù)有大量的不同輸入，那么使用 functools.lru_cache 可能會導(dǎo)致內(nèi)存消耗過大。此外，如果你的函數(shù)有副作用，或者依賴于外部狀態(tài)，那么 functools.lru_cache 也可能無法正確地工作。在這些情況下，你可能需要尋找其他的優(yōu)化策略。

總的來說，functools.lru_cache 是一個非常強(qiáng)大的工具，它能夠幫助我們優(yōu)化代碼，提高程序的性能。當(dāng)你在編寫一個計算密集型或者需要大量重復(fù)計算的函數(shù)時，不妨考慮使用 functools.lru_cache 對其進(jìn)行優(yōu)化。

四、深入理解 functools.lru_cache

當(dāng)我們將 functools.lru_cache 應(yīng)用到函數(shù)上時，每次調(diào)用函數(shù)，它都會檢查其參數(shù)是否已經(jīng)在緩存中。如果在緩存中，它將返回緩存的結(jié)果，而不需要重新計算。如果沒有在緩存中，那么函數(shù)將被調(diào)用并且結(jié)果將被添加到緩存中。當(dāng)緩存滿了，最少使用的條目將被拋棄。

以下是一個理解 functools.lru_cache 工作方式的例子：

from functools import lru_cache
@lru_cache(maxsize=3)
def foo(n):
    print(f"Running foo({n})")
    return n
print(foo(1))  # 輸出：Running foo(1) \n 1
print(foo(2))  # 輸出：Running foo(2) \n 2
print(foo(3))  # 輸出：Running foo(3) \n 3
print(foo(1))  # 輸出：1
print(foo(2))  # 輸出：2
print(foo(3))  # 輸出：3
print(foo(4))  # 輸出：Running foo(4) \n 4
print(foo(1))  # 輸出：Running foo(1) \n 1

在這個例子中，我們設(shè)定 maxsize=3，也就是只緩存最近的三個結(jié)果。當(dāng)我們連續(xù)調(diào)用 foo(1)，foo(2)，foo(3) 時，這三個結(jié)果都被緩存了下來。再次調(diào)用這三個函數(shù)時，由于結(jié)果已經(jīng)在緩存中，函數(shù)并沒有被重新執(zhí)行。但是當(dāng)我們調(diào)用 foo(4) 時，由于緩存已滿，所以最早被緩存的 foo(1) 的結(jié)果被移除了。再次調(diào)用 foo(1) 時，函數(shù)需要被重新執(zhí)行。

這個例子說明了 functools.lru_cache 的 LRU 特性：當(dāng)緩存達(dá)到上限時，最近最少使用的緩存會被移除。

五、清理和查看緩存

functools.lru_cache 還提供了兩個方法用于清理和查看緩存：cache_clear 和 cache_info。

cache_clear 方法可以清空所有的緩存。例如，在上面的 foo 函數(shù)中，我們可以通過 foo.cache_clear() 來清空所有的緩存。

cache_info 方法返回一個命名元組，描述了緩存的狀態(tài)。它包含以下幾個字段：hits、misses、maxsize 和 currsize。其中，hits 和 misses 分別表示緩存命中和未命中的次數(shù)，maxsize 表示緩存的最大容量，currsize 表示當(dāng)前緩存的使用量。

from functools import lru_cache
@lru_cache(maxsize=3)
def foo(n):
    print(f"Running foo({n})")
    return n
foo(1)
foo(2)
foo(3)
foo(4)
print(foo.cache_info())  # 輸出：CacheInfo(hits=0, misses=4, maxsize=3, currsize=3)
foo(4)
print(foo.cache_info())  # 輸出：CacheInfo(hits=1, misses=4, maxsize=3, currsize=3)
foo.cache_clear()
print(foo.cache_info())  # 輸出：CacheInfo(hits=0, misses=0, maxsize=3, currsize=0)

在這個例子中，我們首先調(diào)用了 foo(1)，foo(2)，foo(3) 和 foo(4)。此時，由于 foo(1) 的緩存已經(jīng)被淘汰，緩存中僅保留了 foo(2)，foo(3) 和 foo(4) 的結(jié)果。調(diào)用 foo.cache_info()，我們可以看到緩存未命中的次數(shù)為 4，當(dāng)前緩存的使用量為 3。

然后我們再次調(diào)用 foo(4)，由于這個結(jié)果已經(jīng)在緩存中，所以這次是緩存命中，調(diào)用 foo.cache_info()，我們可以看到緩存命中的次數(shù)變成了 1。

最后，我們調(diào)用 foo.cache_clear() 清空了所有的緩存，再次調(diào)用 foo.cache_info()，我們可以看到當(dāng)前緩存的使用量變成了 0。

以上，我們介紹了 functools.lru_cache 裝飾器的使用方法和原理，包括如何使用 lru_cache 對函數(shù)進(jìn)行優(yōu)化，以及如何清理和查看緩存。希望這篇文章能夠幫助你更好地理解和使用 functools.lru_cache。

到此這篇關(guān)于一文帶你深入理解Python的`functools.lru_cache`裝飾器的文章就介紹到這了,更多相關(guān)Python `functools.lru_cache`裝飾器內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

最新評論