Python学习笔记--内置模块functools中的lru_cache()函数

在编写一些应用中，我们的一些函数常常需要做一些耗时较长的操作，比如调用第三方API,进行复杂的运算等。尤其是处理数据的一些应用，需要重复计算，或者从外部获取数据，可以使用内置模块functools中的lru_cache()函数把计算的数据缓存下来，在后面重复计算使用数据时，就不再计算而是从缓存中获取前面计算过的数据，从而提升效率。

lru_cache()是一个装饰器，它可以用于将一个函数的结果缓存起来，以便在将来的调用中重复使用这些结果，从而提高性能。它使用最近最少使用（LRU）策略来管理缓存的大小。

使用场景：

重复计算：当某个函数的结果需要重复计算时，可以使用lru_cache()来缓存结果。这样，在后续的调用中，可以直接从缓存中获取结果，而不需要重新计算。
缓存数据：当某个函数需要从外部资源（如数据库、网络等）获取数据时，可以使用lru_cache()来缓存这些数据。这样，在后续的调用中，可以直接从缓存中获取数据，而不需要重新从外部资源获取。
优化性能：对于一些计算密集型或IO密集型的函数，使用lru_cache()可以显著提高性能。因为重复计算和外部资源访问通常是耗时的操作，使用缓存可以避免不必要的计算和访问。

python 复制代码

from functools import lru_cache  
  
@lru_cache(maxsize=None)  
def factorial(n):  
    if n < 0:  
        return None  
    elif n == 0:  
        return 1  
    else:  
        return n * factorial(n-1)

在上面这个示例中，定义了一个阶乘函数factorial()，并使用lru_cache()装饰器将其缓存起来。通过设置maxsize=None，设置为缓存无限大。然后，可以多次调用factorial()函数，比如：

>>>factorial(2)

>>>factorial(8)

>>>factorial(22)

因为使用lru_cache(maxsize=None)装饰器对factorial函数进行修饰，每次对该函数进行调用时，其结果都会被缓存起来。举例来说，执行factorial(10), factorial(20), factorial(30)等调用，其结果都会被分别缓存。之后，如果再次调用factorial(10), factorial(20), factorial(30)，系统会直接从缓存中获取结果，而不会重新进行计算。这样可以显著提高函数的性能，特别是对于那些需要重复计算或从外部资源获取数据的函数。

另外,lru_cache()装饰器不会导致系统崩溃，即使缓存不足也不会受到影响。当缓存已满时，最近最少使用的缓存项将被自动删除，以便为新的缓存项腾出空间。在这种情况下，下次调用该函数时将重新计算其结果，并将其添加到缓存中。因此，使用lru_cache()装饰器可以有效地管理和优化缓存，而不会导致系统崩溃。