利用缓存来缓存返回值，对以Python递归方式实现的斐波那契数列进行加速

用到的内存分析工具为memory profile

1. 传统的递归方式进行调用，来求第30个斐波那契数的值

import profile
def fib(n):
    if n <= 1:
        return n
    else:
        return fib(n - 2) + fib(n - 1)


profile.run('print(fib(30))')

结果如下，用时5.016秒

空间消耗的测试代码如下

#一下代码用来测试空间使用情况，用到的空间为memory profile
@profile
def fib(n):
    if n <= 1:
        return n
    else:
        return fib(n - 2) + fib(n - 1)
fib(30)

内存消耗情况如下：

2. 利用字典缓存返回值的方式求第30个斐波那契数的值

import profile


class Cached(object):
    def __init__(self, fn):
        self.fn = fn
        self.cache = {}
        self.max_n = 0

    def __call__(self, param):
        try:
            return self.cache[param]
        except KeyError:
            self.cache[param] = self.fn(param)
            return self.cache[param]


@Cached
def fib(n):
    if n <= 1:
        return n
    else:
        return fib(n - 2) + fib(n - 1)


profile.run('print(fib(30))')

运行结果如下，只用了0.016秒，可以看出比上面没有用存储时提高了300多倍，效果还是很明显的

空间消耗的测试代码如下

class Cached(object):
    def __init__(self, fn):
        self.fn = fn
        self.cache = {}
        self.max_n = 0

    def __call__(self, param):
        try:
            return self.cache[param]
        except KeyError:
            self.cache[param] = self.fn(param)
            return self.cache[param]


@Cached
@profile
def fib(n):
    if n <= 1:
        return n
    else:
        return fib(n - 2) + fib(n - 1)


print(fib(30))

执行结果如下，可以看到内存这块儿，没有太大的提升，但也还是有一部分提升的

总结，经过上述实验，为我们代码执行速度方面的优化提供了一些思路，就是对一些比较耗时的操作，可以从缓存方面来进行考虑对其进行优化