@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。

  • 2
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值