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
-
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。
-
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))