python functools模块中lru_cache装饰器

functools 模块中最 让人印象深刻的两个装饰器：lru_cache 和 singledispatch。

lru_cache模块
functools.lru_cache 是非常实用的装饰器，它实现了备忘（memoization）功能。这是一 项优化技术，它把耗时的函数的结果保存起来，避免传入相同的参数时重复计算。LRU 三 个字母是“Least Recently Used”的缩写，表明缓存不会无限制增长，一段时间不用的缓存 条目会被扔掉。
例子：
生成第 n 个斐波纳契数这种慢速递归函数适合使用 lru_cache

1、先使用一般的计数装饰器，查看运行结果：

# functools 模块装饰器的常规使用。


import time
import functools


def clock(func):
    @functools.wraps(func)
    def clocked(*args, **kwargs):
        t0 = time.time()
        result = func(*args, **kwargs)
        elapsed = time.time() - t0
        name = func.__name__
        arg_lst = []
        if args:
            arg_lst.append(', '.join(repr(arg) for arg in args))
        if kwargs:
            pairs = ['%s=%r' % (k, w) for k, w in sorted(kwargs.items())]
            arg_lst.append(', '.join(pairs))
        arg_str = ', '.join(arg_lst)
        print('[%0.8fs] %s(%s) -> %r ' % (elapsed, name, arg_str, result))
        return result

    return clocked


# 可以传参
# @functools.lru_cache()
@clock
def fibonacci(n):
    return n if n < 2 else fibonacci(n - 2) + fibonacci(n - 1)


if __name__ == '__main__':
    print(fibonacci(10))

由此可见对于 fibonacci(0)就已经，执行的多次，那如果递归的层次更深，还是很耗时的。

2、将lru_cache注释放开执行结果如下：

由此可见对于 fibonacci(n) 每次都只执行一次，大大提高了效率，减少了运算次数。

除了优化递归算法之外，lru_cache 在从 Web 中获取信息的应用中也能发挥巨大作用。
除此之外、lru_cache（）还可以传入参数，

functools.lru_cache(maxsize=128, typed=False)

maxsize 参数指定存储多少个调用的结果。缓存满了之后，旧的结果会被扔掉，腾出空间，为了得到最佳性能，maxsize 应该设为 2 的幂。

typed 参数如果设为 True，把不同参数类型 得到的结果分开保存，即把通常认为相等的浮点数和整数参数（如 1 和 1.0）区分开。

顺 便说一下，因为 lru_cache 使用字典存储结果，而且键根据调用时传入的定位参数和关键 字参数创建，所以被 lru_cache 装饰的函数，它的所有参数都必须是可散列的。