说说 Python 的 lru_cache 装饰器

Python 的 lru_cache 装饰器是一个为自定义函数提供缓存功能的装饰器。其内部会在下次以相同参数调用该自定义函数时直接返回计算好的结果。通过缓存计算结果可以很好地提升性能。

1 从示例说起

假设我们有一个计算斐波那契数列的求和函数，其内部采用递归方式实现。

'''
遇到问题没人解答？小编创建了一个Python学习交流QQ群：531509025
寻找有志同道合的小伙伴，互帮互助,群里还有不错的视频学习教程和PDF电子书！
'''
from xxx.clock_decorator import clock

@clock
def fibonacci(n):
    if n<2:
        return n
    return fibonacci(n-2)+fibonacci(n-1)

if __name__=='__main__':
    logging.info('fibonacci(6) -> %s',fibonacci(6))

运行结果：

其中的 clock_decorator 实现是一个可以输出某个函数运行时长的装饰器 1 。

从输出结果中可以看出，存在着严重的重复计算情况，比如 fibonacci(1) 就被计算了 5 次之多。这还只是计算 6 次的 fibonacci 函数。

2 优化

上面的示例代码加入 lru_cache 装饰器：

运行结果：

这次不存在重复计算现象，因此性能得到极大的提升。

3 比较

利用 cProfile 进行性能比较分析。它是一种确定性分析器，只测量 CPU 时间，并不包含内存消耗和其他与内存相关联的信息 2 。

假设我们需要计算 fibonacci(33) 求和值。

（1）不使用 lru_cache装饰器

这个递归函数内部总共调用了 1000 多万次的 fibonacci() 函数！

（2）使用了lru_cache装饰器

使用了 lru_cache 装饰器之后，这个递归函数只需调用 100 多次fibonacci() 函数！性能有了质的提升。

4 lru_cache 装饰器

lru_cache装饰器支持两个入参，它的完整定义格式为 3 ： @functools.lru_cache(maxsize=128, typed=False)

注意：由于使用了字典来存储缓存，所以所装饰的函数参数必须是可哈希的。

利用 cache_info() 函数，我们还可以看到命中次数 hits，未命中次数 misses ，最大缓存数量 maxsize 和 当前缓存大小 currsize。使用方式是直接调用被装饰函数的cache_info()，形如： fibonacci.cache_info()) 。

只要某个函数递归调用并存在重复计算的情况，这时就要记着使用 lru_cache 这个性能加速器。