Python 的lru_cache装饰器使用简介
Python的lru_cache装饰器是一个为自定义函数提供缓存功能的装饰器。其内部会在下次以相同参数调用该自定义函数时直接返回计算好的结果。通过缓存计算结果可以很好地提升性能。
1从示例说起
假设我们有一个计算斐波那契数列的求和函数，其内部采用递归方式实现。
fromxxx.clock_decoratorimportclock
@clock
deffibonacci(n):
ifn<2:
returnn
returnfibonacci(n-2)+fibonacci(n-1)
if__name__=='__main__':
logging.info('fibonacci(6)->%s',fibonacci(6))
运行结果：
其中的clock_decorator实现是一个可以输出某个函数运行时长的装饰器1。
从输出结果中可以看出，存在着严重的重复计算情况，比如fibonacci(1)就被计算了5次之多。这还只是计算6次的fibonacci函数。
2优化
上面的示例代码加入lru_cache装饰器：
运行结果：
这次不存在重复计算现象，因此性能得到极大的提升。
3比较
利用cProfile进行性能比较分析。它是一种确定性分析器，只测量CPU时间，并不包含内存消耗和其他与内存相关联的信息2。
假设我们需要计算fibonacci(33)求和值。
（1）不使用lru_cache装饰器
这个递归函数内部总共调用了1000多万次的fibonacci()函数！
（2）使用了lru_cache装饰器
使用了lru_cache装饰器之后，这个递归函数只需调用100多次fibonacci()函数！性能有了质的提升。
4lru_cache装饰器
lru_cache装饰器支持两个入参，它的完整定义格式为3：@functools.lru_cache(maxsize=128,typed=False)
| 参数 | 默认值 | 说明 |
| maxsize | 128 | 表示缓存大小。如果设置为None，则不限大小；如果超过缓存大小，则使用LRU策略清理缓存。缓存的大小限制可确保缓存不会无限制增长。LRU（LeastRecentlyUsed），即删除最近最少使用的缓存数据。 |
| typed | False | 如果为true，不同类型的参数将会被分别缓存，比如区分浮点数与整型。 |
只要某个函数递归调用并存在重复计算的情况，这时就要记着使用lru_cache这个性能加速器。
以上就是Python的lru_cache装饰器使用简介的详细内容，更多关于Python的lru_cache装饰器的资料请关注毛票票其它相关文章！
声明：本文内容来源于网络，版权归原作者所有，内容由互联网用户自发贡献自行上传，本网站不拥有所有权，未作人工编辑处理，也不承担相关法律责任。如果您发现有涉嫌版权的内容，欢迎发送邮件至：czq8825#qq.com（发邮件时，请将#更换为@）进行举报，并提供相关证据，一经查实，本站将立刻删除涉嫌侵权内容。