python装饰器副作用_异常重要的一个python装饰器：用于记忆化递归

import functools

@functools.lru_cache(None)

def fun():

pass

LeetCode刷题的时候，我们发现，很多情况下光用递归是不行的，重复调用了许多次操作。很多情况下程序能跑通，但是经常超时。

这时我们经常提到一种记忆化递归的操作，说白了就是再开辟一个额外空间用来存储之前的值。The Question is有时候构建额外空间还得自己构思一阵子，总之挺麻烦的。

今天在LeetCode解答中看到了一个神级操作，只添加了一个python装饰器，完美地解决了问题。

@functools.lru_cache

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

New in version 3.2.

Changed in version 3.3: Added the typed option.

这个装饰器实现了备忘的功能，是一项优化技术，把耗时的函数的结果保存起来，避免传入相同的参数时重复计算。lru 是(least recently used)的缩写，即最近最少使用原则。表明缓存不会无限制增长，一段时间不用的缓存条目会被扔掉。

这个装饰器支持传入参数，还能有这种操作的？maxsize 是保存最近多少个调用的结果，最好设置为 2 的倍数，默认为 128。如果设置为 None 的话就相当于是 maxsize 为正无穷了。还有一个参数是 type，如果 type 设置为 true，即把不同参数类型得到的结果分开保存，如 f(3) 和 f(3.0) 会被区分开。

写了个函数追踪结果

def track(func):

@functools.wraps(func)

def inner(*args):

result = func(*args)

print("{} --> ({}) --> {} ".format(func.__name__, args[0], result))

return result

return inner

递归函数适合使用这个装饰器，那就拿经典的斐波那契数列来测试吧

不使用缓存

@track

def fib(n):

if n < 2:

return n

return fib(n - 2) + fib(n - 1)

使用缓存

@functools.lru_cache()

@track

def fib_with_cache(n):

if n < 2:

return n

return fib_with_cache(n - 2) + fib_with_cache(n - 1)

测试代码，本电脑的 cpu 是 i5-5200U

fib(10)

759 function calls (407 primitive calls) in 0.007 seconds

Ordered by: cumulative time

ncalls tottime percall cumtime percall filename:lineno(function)

1 0.000 0.000 0.007 0.007 {built-in method builtins.exec}

1 0.000 0.000 0.007 0.007 decorator.py:1()

177/1 0.000 0.000 0.007 0.007 decorator.py:5(inner)

177/1 0.000 0.000 0.007 0.007 decorator.py:12(fib)

177 0.006 0.000 0.006 0.000 {built-in method builtins.print}

177 0.000 0.000 0.000 0.000 {method 'format' of 'str' objects}

2 0.000 0.000 0.000 0.000 decorator.py:4(track)

3 0.000 0.000 0.000 0.000 functools.py:43(update_wrapper)

1 0.000 0.000 0.000 0.000 functools.py:422(decorating_function)

21 0.000 0.000 0.000 0.000 {built-in method builtins.getattr}

15 0.000 0.000 0.000 0.000 {built-in method builtins.setattr}

2 0.000 0.000 0.000 0.000 functools.py:73(wraps)

3 0.000 0.000 0.000 0.000 {method 'update' of 'dict' objects}

1 0.000 0.000 0.000 0.000 functools.py:391(lru_cache)

1 0.000 0.000 0.000 0.000 {method 'disable' of '_lsprof.Profiler' objects}

# 追踪结果

fib --> (0) --> 0

fib --> (1) --> 1

fib --> (2) --> 1

fib --> (1) --> 1

fib --> (0) --> 0

fib --> (1) --> 1

fib --> (2) --> 1

fib --> (3) --> 2

fib --> (4) --> 3

fib --> (1) --> 1

fib --> (0) --> 0

fib --> (1) --> 1

fib --> (2) --> 1

fib --> (3) --> 2

fib --> (0) --> 0

fib --> (1) --> 1

fib --> (2) --> 1

fib --> (1) --> 1

fib --> (0) --> 0

fib --> (1) --> 1

fib --> (2) --> 1

fib --> (3) --> 2

fib --> (4) --> 3

fib --> (5) --> 5

fib --> (6) --> 8

fib --> (1) --> 1

fib --> (0) --> 0

fib --> (1) --> 1

fib --> (2) --> 1

往后的省略...

fib(10) 调用了 177 次， 共花费了 0.007 秒

fib_with_cache(10)

95 function calls (75 primitive calls) in 0.002 seconds

Ordered by: cumulative time

ncalls tottime percall cumtime percall filename:lineno(function)

1 0.000 0.000 0.002 0.002 {built-in method builtins.exec}

1 0.000 0.000 0.002 0.002 decorator.py:1()

11/1 0.000 0.000 0.002 0.002 decorator.py:5(inner)

11/1 0.000 0.000 0.002 0.002 decorator.py:18(fib_with_cache)

11 0.002 0.000 0.002 0.000 {built-in method builtins.print}

2 0.000 0.000 0.000 0.000 decorator.py:4(track)

3 0.000 0.000 0.000 0.000 functools.py:43(update_wrapper)

11 0.000 0.000 0.000 0.000 {method 'format' of 'str' objects}

1 0.000 0.000 0.000 0.000 functools.py:422(decorating_function)

21 0.000 0.000 0.000 0.000 {built-in method builtins.getattr}

15 0.000 0.000 0.000 0.000 {built-in method builtins.setattr}

2 0.000 0.000 0.000 0.000 functools.py:73(wraps)

3 0.000 0.000 0.000 0.000 {method 'update' of 'dict' objects}

1 0.000 0.000 0.000 0.000 functools.py:391(lru_cache)

1 0.000 0.000 0.000 0.000 {method 'disable' of '_lsprof.Profiler' objects}

# 追踪结果

fib_with_cache --> (0) --> 0

fib_with_cache --> (1) --> 1

fib_with_cache --> (2) --> 1

fib_with_cache --> (3) --> 2

fib_with_cache --> (4) --> 3

fib_with_cache --> (5) --> 5

fib_with_cache --> (6) --> 8

fib_with_cache --> (7) --> 13

fib_with_cache --> (8) --> 21

fib_with_cache --> (9) --> 34

fib_with_cache --> (10) --> 55

可以很明显的看到，使用缓存的时候，只调用了 11 次就得出了结果，并且花费时间只为 0.002 秒

我们再把数字调大，传入的参数改为 31

fib(31)

17426519 function calls (8713287 primitive calls) in 168.122 seconds

Ordered by: cumulative time

ncalls tottime percall cumtime percall filename:lineno(function)

1 0.000 0.000 168.122 168.122 {built-in method builtins.exec}

1 0.000 0.000 168.122 168.122 decorator.py:1()

4356617/1 8.046 0.000 168.122 168.122 decorator.py:5(inner)

4356617/1 4.250 0.000 168.122 168.122 decorator.py:12(fib)

4356617 150.176 0.000 150.176 0.000 {built-in method builtins.print}

4356617 5.650 0.000 5.650 0.000 {method 'format' of 'str' objects}

2 0.000 0.000 0.000 0.000 decorator.py:4(track)

3 0.000 0.000 0.000 0.000 functools.py:43(update_wrapper)

1 0.000 0.000 0.000 0.000 functools.py:422(decorating_function)

21 0.000 0.000 0.000 0.000 {built-in method builtins.getattr}

15 0.000 0.000 0.000 0.000 {built-in method builtins.setattr}

2 0.000 0.000 0.000 0.000 functools.py:73(wraps)

3 0.000 0.000 0.000 0.000 {method 'update' of 'dict' objects}

1 0.000 0.000 0.000 0.000 functools.py:391(lru_cache)

1 0.000 0.000 0.000 0.000 {method 'disable' of '_lsprof.Profiler' objects}

调用了 4356617 次，花费 168.122 秒

fib_with_cache(31)

179 function calls (117 primitive calls) in 0.003 seconds

Ordered by: cumulative time

ncalls tottime percall cumtime percall filename:lineno(function)

1 0.000 0.000 0.003 0.003 {built-in method builtins.exec}

1 0.000 0.000 0.003 0.003 decorator.py:1()

32/1 0.000 0.000 0.003 0.003 decorator.py:5(inner)

32/1 0.000 0.000 0.003 0.003 decorator.py:18(fib_with_cache)

32 0.002 0.000 0.002 0.000 {built-in method builtins.print}

32 0.000 0.000 0.000 0.000 {method 'format' of 'str' objects}

2 0.000 0.000 0.000 0.000 decorator.py:4(track)

3 0.000 0.000 0.000 0.000 functools.py:43(update_wrapper)

1 0.000 0.000 0.000 0.000 functools.py:422(decorating_function)

21 0.000 0.000 0.000 0.000 {built-in method builtins.getattr}

15 0.000 0.000 0.000 0.000 {built-in method builtins.setattr}

2 0.000 0.000 0.000 0.000 functools.py:73(wraps)

3 0.000 0.000 0.000 0.000 {method 'update' of 'dict' objects}

1 0.000 0.000 0.000 0.000 functools.py:391(lru_cache)

1 0.000 0.000 0.000 0.000 {method 'disable' of '_lsprof.Profiler' objects}

仅仅调用了 32 次，花费 0.003 秒...，这...，差别太大了，容我算一算花费时间, 56040 倍！

再往后的我就不加了，我怕明天没有缓存的那个还没算完

这个装饰器还提供 cache_clear() 用于清理缓存，以及 cache_info() 用于查看缓存信息

官方还提供了另外一个例子，用于缓存静态网页的内容

@lru_cache(maxsize=32)

def get_pep(num):

'Retrieve text of a Python Enhancement Proposal'

resource = 'http://www.python.org/dev/peps/pep-%04d/' % num

try:

with urllib.request.urlopen(resource) as s:

return s.read()

except urllib.error.HTTPError:

return 'Not Found'

实际刷题环境下

未使用functools.lru_cache装饰器

使用functools.lru_cache装饰器

差距太大了，所以今后有递归的地方不妨试着把这个装饰器加上优化一下~~