Python LRU Cache

这个题目leetcode里也有，因为要满足1）快速地get 2）与加入时间相关的pop out 两个operations。用python的OrdereDdict实现：

from collections import OrderedDict

class LRUCache:
    
    def __init__(self, capacity):
        self._cache = OrderedDict()
        self.capacity = capacity
        
    def get(self, key: int) -> int:
        if key not in self._cache:
            return -1
        self._cache.move_to_end(key)
        return self._cache[key]
    
    def put(self, key: int, value: int):
        self._cache[key] = value
        self._cache.move_to_end(key)
        if len(self._cache) > self.capacity:
            self._cache.popitem(last=False)

Python的OrderedDict一共就多提供了两个接口，popitem()以及 move_to_end() 这个LRU_cache问题中就全用到了。。。

真正用python解决问题的时候，或者是面试时想使用lru_cache，不用麻烦自己去编这个东西，python functools里就有这个，我通常使用decorator形式。下面用最简单的fibonacci问题展示一下：

from functools import lru_cache

class Solution:
    @lru_cache(maxsize=None)
    def fib(self, n: int) -> int:
        if n == 0:
            return 0
        if n == 1:
            return 1
        return self.fib(n-1) + self.fib(n-2)

本来递归exponential的复杂度，加了个decorator立马老老实实地回归本来面目成linear，真是不错；而且真的在工程实践的时候，递归的代码通常要清晰很多，所以本来类似的解决方案就很可能是最好选择。有点可惜的是，因为lru_cache底层就是用一个类似OrderedDict的东西实现的，所以它只能被用在函数签名可以被hash的情况下，也是没有办法的事情。不过像我这么喜欢用这个东西的人，是愿意改改函数签名去使用它的。

顺便说一句，因为时刷题或面试，不用考虑内存开销，maxsize直接开成最大就好。