@functools.lru_cache(maxsize=128, typed=False)缓存到底有什么用

今天来谈一谈@functools.lru_cache(maxsize=128, typed=False)缓存装饰器，这是在Python3.2版本中新添加的功能，意在将重复耗时的计算的中间结果保存下来，如无缓存的递归运算。lru 是（least recently used）的缩写，即最近最少使用原则。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。

maxsize 是保存最近多少个调用的结果，最好设置为 2 的倍数，默认为 128。如果设置为 None 的话就相当于是 maxsize 为正无穷了。还有一个参数是 type，如果 type 设置为 true，即把不同参数类型得到的结果分开保存，如 f(3) 和 f(3.0) 会被区分开。

我们来看几个例子，首先来做一个力扣的题：

---

假设你正在爬楼梯。需要 n 阶你才能到达楼顶。

每次你可以爬 1 或 2 个台阶。你有多少种不同的方法可以爬到楼顶呢？

注意：给定 n 是一个正整数。

示例 1：

输入： 2
输出： 2
解释： 有两种方法可以爬到楼顶。
1.  1 阶 + 1 阶
2.  2 阶

示例 2：

输入： 3
输出： 3
解释： 有三种方法可以爬到楼顶。
4.  1 阶 + 1 阶 + 1 阶
5.  1 阶 + 2 阶
6.  2 阶 + 1 阶

---

可以很自然的想到使用动态规划来做，因为动态规划的速度较快，我们使用较慢的递归来做。

def climbStairs(n) -> int:
    return climbStairs(n-1)+climbStairs(n-2) if n>2 else n

import time
st=time.time()
print(climbStairs(38))
print(time.time()-st)

#输出
#63245986
#9.95954442024231

在不使用缓存的情况下，耗时是大约10s。

我们加上缓存试一下

# -*- coding: utf-8 -*-

#使用缓存需导入这个模块
import functools

#通过这个装饰器使用lru_cache缓存机制
@functools.lru_cache(128)
def climbStairs(n) -> int:
    return climbStairs(n-1)+climbStairs(n-2) if n>2 else n

import time
st=time.time()
print(climbStairs(38))
print(time.time()-st)

#输出：
#63245986
#0.00014472007751464844

可以看到耗时仅有0.0001秒。