python提高运算速度的方法：内存缓存+磁盘缓存

对那些需要高频率以相同参数运行的函数，或者需要重复加载的数据，如果每次都执行函数完整的代码，或者重复从文件加载数据进行处理，会试程序运行效率变低。改善效率可通过使用内存缓存或磁盘缓存的形式，从而提高代码效率。

1 内存缓存 lru_cache

适用条件：函数经常需要以相同输入参数执行。

效果：以参数args执行函数时，如果内存缓存中记录了相同输入参数的运行结果，则函数直接从缓存中返回结果，不在执行函数体的代码。

举例：

import functools

SIZE_CACHE = 1      # 缓存大小

@functools.lru_cache(SIZE_CACHE)
def my_add(a, b):
    print("函数体被执行")
    return a+b


if __name__ == "__main__":
    print("第一次运行结果。缓存为空，需要函数体")
    print(my_add(1, 1), '\n')
    print("第二次运行结果。由于缓存已有a=1,b=1的结果，所以函数体不执行") 
    print(my_add(1, 1), '\n')

    print("第三次运行结果。缓存中没有a=1，b=2的结果，函数体要执行")
    print(my_add(1, 2), '\n')

    print("第四次运行结果。缓存中已变为a=1，b=2的结果，a=1，b=1的缓存已被覆盖，所以函数体执行")
    print(my_add(1, 1), '\n')

运行结果：

第一次运行结果。缓存为空，需要函数体
函数体被执行
2 

第二次运行结果。由于缓存已有a=1,b=1的结果，所以函数体不执行
2 

第三次运行结果。缓存中没有a=1，b=2的结果，函数体要执行
函数体被执行
3 

第四次运行结果。缓存中已变为a=1，b=2的结果，a=1，b=1的缓存已被覆盖，所以函数体执行
函数体被执行
2 

2 磁盘缓存 diskcache

如果需要经常从文件读取数据进行预处理，可以将预处理结果存到磁盘缓存中，这样下次可直接读取磁盘缓存的结果，省去数据处理的实际。磁盘缓存有很多第三方库，其中一个为diskcache

适用条件：频发加载数据，比如机器学习加载数据集。

效果：可提高数据加载速度。

举例：

from diskcache import FanoutCache
import time

my_cache = FanoutCache(r"D:/my_cache",
                    shards=64,              # 将缓存文件自动分成64个部分
                    timeout=1,
                    size_limit=3e11,        # 每个部分文件的文件最大占用空间
                    # disk_min_file_size=2**20,     # 文件最小尺寸
                    )


@my_cache.memoize(typed=True)
def data_process(a=1):
    # 加载，处理文件数据，生产数据data, 假设生产的数据为[1, 2, 3]
    data = [1, 2, 3]
    time.sleep(3)
    return data

if __name__ =='__main__':
    t1 = time.time()
    data_process(a=2)
    delt_t = time.time() - t1
    print("第一次运行使用时间： ", delt_t, '\n')

    t1 = time.time()
    data_process(a=2)
    delt_t = time.time() - t1
    print("第二次运行使用时间： ", delt_t, '\n')

运行结果如下。对比可知，缓存之后，函数体代码并未执行，返回的是磁盘缓存的数据。 

第一次运行使用时间：  3.0158493518829346 

第二次运行使用时间：  0.0 

保存的缓存文件如下，可见数据被缓存成了64个文件夹保存：