lru_cache vs cache

在Python中，lru_cache和cache都是functools模块提供的装饰器，用于缓存函数的结果，但它们的功能和使用场景略有不同。

functools.lru_cache

lru_cache表示“最近最少使用”缓存。它是一个装饰器，用于缓存函数调用的结果。当缓存达到设定的最大容量时，会丢弃最近最少使用的缓存项。这对于一些计算量大且频繁调用的函数非常有用。

• 语法：@functools.lru_cache(maxsize=128, typed=False)

• 参数：

  • maxsize：指定缓存的最大容量。如果设置为None，缓存大小不受限制。
  • typed：如果设置为True，则会将不同类型的参数视为不同的调用（例如，f(3)和f(3.0)会分别缓存）。

• 示例：

  from functools import lru_cache
  
  @lru_cache(maxsize=100)
  def expensive_function(x):
      # 模拟耗时计算
      return x * x
  

functools.cache

cache是一个更简单版本的缓存装饰器。它是lru_cache(maxsize=None)的别名，表示提供一个不受限制的缓存。这在需要缓存所有函数调用结果且不考虑缓存淘汰策略时非常有用。

• 语法：@functools.cache

• 示例：

  from functools import cache
  
  @cache
  def expensive_function(x):
      # 模拟耗时计算
      return x * x
  

关键区别

1. 淘汰策略：

   • lru_cache：使用最近最少使用的淘汰策略。当缓存达到最大容量时，丢弃最近最少使用的项。
   • cache：没有淘汰策略，缓存项数量不受限制。

2. 定制化：

   • lru_cache：允许设置缓存大小（maxsize）和类型敏感性（typed）。
   • cache：没有定制化选项，相当于lru_cache(maxsize=None)。

使用场景

• lru_cache：适用于需要限制内存使用且对使用顺序敏感的缓存场景。
• cache：适用于需要简单且不受限制的缓存场景。

leetcode

题目：https://leetcode.cn/problems/special-permutations/description/

下述代码提交后，发现 @lru_cache(maxsize=None) 时间超时， @cache 能够成功提交；

建议大家leetcode 刷题的时候，还是使用 @cache 好一点，简单无脑还快一点；

class Solution:
    def specialPerm(self, nums: List[int]) -> int:

        @cache
        # @lru_cache(maxsize=None)
        def dfs(rear:int, lefts: tuple):
            if len(lefts) == 0:
                return 1

            res = 0
            for item in lefts:
                if item % rear == 0 or rear % item == 0:
                    res += dfs(item, tuple(set(lefts) - set([item])))
            
            return res % (1e9 + 7)
            

        res = 0
        for item in nums:
            res += dfs(
                    item, 
                    tuple(set(nums) - set([item]))
                )

        return int(res % (1e9 + 7))