Python——浅谈python递归问题的优化

前言：

       前一篇简单探讨了python递归的深度问题，递归深度有了底，你可以大胆使用递归了，然而问题又来了，有朋友说python的递归和蜗牛一样慢，那么有没有优化的余地呢？因为我也是菜鸟，所以简单提供几种优化方案供大家学习交流，主要思路学习于简书我们测试案例有所区别；

具体优化：

      优化思路：第一角度优化算法，根据递归的计算过程计算过程中实例化了大量重复的函数计算，第一角度尝试优化计算逻辑，但是这虽然计算过程看起来像一个二叉树，但是怎么优化算法说实话心里没谱；

     既然优化算法没法实现，那么我们分析一下耗时的原因，其实在递归过程中自身调用自身不断实例化自身，计算机堆内存溢出导致递归有深度一次，在运算结果时候也是不断去计算每个实例化返回值，是否可以将计算过程中实例化返回值保存在一个缓存中或者一个IO中，计算结果时候每次从缓存护着IO中读取是不是能简化计算量从而提高效率呢？尝试去寻找一下缓存解决方案。最终找到好几种缓存优化方案，下面来共同学习下：

看方案之前我们先测试一下1000次斐波那契数列递归结果耗时，最终对比每一种缓存方案结果来进行比较：

代码实现和结果（本篇就不上图了）：

#coding:utf-8
from timeit import Timer
import sys
sys.setrecursionlimit(3000)

#没有使用缓存的斐波那契数列
def fib(n):
    if n <= 2:
        return 1
    else:
        return fib(n-1)+fib(n-2)

if __name__ == "__main__":
    t1 = Timer("fib(100)","from __main__ import fib")
    # 斐波那契数列递归深度100，计算1000次平均时间
    print("fib--100", t1.timeit(number=1000), "seconds")
#计算结果我的电脑没计算出来，后边使用深度20做了计算；

方案一：使用计算缓存：

#coding:utf-8
from timeit import Timer
import sys
sys.setrecursionlimit(3000)
#使用计算缓存
def cache_fib(n, _cache={}):
    if n in _cache:
        return _cache[n]
    elif n > 1:
        return _cache.setdefault(n, cache_fib(n-1) + cache_fib(n-2))
    return n
if __name__ == "__main__