python中函数缓存主要通过functools.lru_cache装饰器实现，它通过记忆函数调用结果避免重复计算，从而显著提升性能。1. 使用lru_cache时，函数参数必须是可哈希类型，如元组而非列表；2. 需合理设置maxsize防止内存过度占用；3. 缓存无自动过期机制，对外部状态变化敏感的结果需谨慎缓存；4. 调试时可利用cache_info和cache_clear方法查看或清除缓存；5. 不适用于有副作用的函数，以免因跳过执行导致逻辑错误。该机制本质是以空间换时间，适用于输入重复且计算昂贵的纯函数场景。
Python中，函数缓存主要通过装饰器来实现，特别是内置的
functools.lru_cache，它能记住函数的调用结果，避免重复计算，显著提升那些计算密集型或IO密集型函数的性能。本质上，就是用空间换时间，将函数的输入和对应的输出存储起来，下次遇到相同的输入时直接返回存储的结果。
解决方案
每当我们谈到优化Python代码的执行效率，特别是那些计算成本高昂、且结果重复出现的函数时，"缓存"这个词总会不期而至。而在Python的世界里，实现这种魔法般的缓存，装饰器无疑是那个最优雅、也最Pythonic的答案。
装饰器，简单来说，就是一个函数，它接收另一个函数作为参数，然后返回一个新的函数。这个新的函数通常会“包装”原函数，在执行原函数之前或之后添加一些额外的功能。对于缓存而言，这个“额外功能”就是检查缓存、如果命中则直接返回，否则执行原函数并将结果存入缓存。
立即学习“Python免费学习笔记（深入）”；
Python标准库
functools模块中的
lru_cache就是这样一个开箱即用的缓存装饰器。它的全称是“Least Recently Used”缓存，意味着当缓存达到最大容量时，它会自动淘汰最近最少使用的条目。
使用
lru_cache非常直接，你只需要将其放在你想要缓存的函数定义上方即可：
import functools
import time
@functools.lru_cache(maxsize=128) # maxsize可以调整，None表示无限制
def expensive_calculation(n):
"""一个模拟耗时计算的函数"""
time.sleep(1) # 模拟耗时操作
print(f"正在计算 {n}...")
return n * n
# 第一次调用，会执行计算
print(f"结果1: {expensive_calculation(5)}")
print(f"结果2: {expensive_calculation(10)}")
# 第二次调用相同的参数，会直接从缓存中获取结果，不会再次计算
print(f"结果3: {expensive_calculation(5)}")
print(f"结果4: {expensive_calculation(10)}")
# 尝试清除缓存
# expensive_calculation.cache_clear()
# print(f"结果5: {expensive_calculation(5)}") # 清除后会再次计算
# 查看缓存信息
# print(expensive_calculation.cache_info())这段代码直观地展示了
lru_cache的威力。第一次调用
expensive_calculation(5)和
expensive_calculation(10)时，你会看到“正在计算”的输出，并且有明显的延迟。但当你再次调用相同参数时，函数会瞬间返回结果，因为它们已经从缓存中取出来了。这种体验，对于优化性能来说，简直是质的飞跃。
lru_cache是如何提升Python程序性能的？
lru_cache提升性能的核心机制在于避免重复计算。想象一下，如果你的程序里有一个函数，它需要进行大量的数学运算，或者需要查询远程服务（比如数据库、API），而这些操作的输入参数经常是重复的。每次调用都重新执行一遍，那程序的响应速度和资源消耗都会非常可观。
lru_cache在这里扮演了一个“记忆者”的角色。当一个被
lru_cache装饰的函数被调用时：
- 检查缓存： 它首先会检查内部的缓存字典，看看当前传入的参数组合是否已经存在于缓存中。
- 缓存命中： 如果找到了（即“缓存命中”），它就直接返回之前计算并存储好的结果，完全跳过原函数的执行。这省去了所有耗时的计算或IO操作。
- 缓存未命中： 如果没有找到（即“缓存未命中”），它会正常执行原函数，得到结果后，在返回结果之前，会将当前的参数组合和对应的结果存储到缓存中。
-
淘汰机制： 当缓存达到你设定的
maxsize
上限时，lru_cache
会根据“最近最少使用”的原则，淘汰掉那些最久没有被访问过的缓存条目，为新的缓存腾出空间。这个机制非常关键，它确保了缓存不会无限增长，同时保留了最可能再次被用到的数据。
这种“记住并复用”的策略，对于那些“纯函数”（即给定相同输入总是返回相同输出，且没有副作用的函数）来说，简直是天作之合。它将原本需要耗费大量CPU时间或网络延迟的操作，变成了简单的内存查找，从而显著提升了程序的整体响应速度和吞吐量。
使用lru_cache时常见的陷阱和注意事项有哪些？
尽管
lru_cache用起来很方便，但它并非万能药，并且在使用过程中确实存在一些需要注意的“坑”。我个人就遇到过几次，以为加上装饰器就万事大吉，结果发现效果不明显甚至适得其反的情况。
-
参数必须可哈希： 这是最常见也是最容易踩的坑。
lru_cache
内部使用字典来存储缓存，而字典的键必须是可哈希（hashable）的对象。这意味着，像列表（list）、字典（dict）、集合（set）这些可变类型，是不能直接作为被缓存函数的参数的。如果你尝试用它们作为参数调用被lru_cache
装饰的函数，Python会抛出TypeError: unhashable type
。 解决办法通常是：- 将可变参数转换为不可变类型，例如将列表转换为元组
tuple(my_list)
。 - 重新设计函数接口，避免直接传入可变类型。
@functools.lru_cache(maxsize=128) def process_data(data_tuple): # 接收元组 # ... 处理逻辑 return sum(data_tuple) # process_data([1, 2, 3]) # 这样会报错 print(process_data(tuple([1, 2, 3]))) # 正确的做法 - 将可变参数转换为不可变类型，例如将列表转换为元组
缓存内存占用：
maxsize
参数的存在就是为了限制缓存的内存占用。如果你将其设置为None
（表示无限制），或者设置得过大，那么随着程序运行，缓存可能会占用大量的内存，甚至导致内存溢出。特别是在处理大量不同输入或输入数据本身就很大的情况下，这一点尤其需要警惕。合理评估你的缓存命中率和内存预算，选择一个合适的maxsize
非常重要。-
缓存过期问题：
lru_cache
本身没有内置的缓存过期机制（TTL，Time To Live）。它只会根据LRU策略淘汰条目，而不会根据时间。如果你的函数结果是依赖于外部状态且外部状态会随时间变化（比如实时汇率、数据库中不断更新的数据），那么lru_cache
可能会返回过时的数据。 对于这类需求，你可能需要：- 定期调用
function.cache_clear()
手动清除缓存。 - 考虑使用第三方缓存库（如
cachetools
），它们通常提供更丰富的缓存策略，包括基于时间的过期。 - 在设计上，避免缓存那些对时效性要求极高的结果。
- 定期调用
调试复杂性： 当你遇到bug，并且怀疑是缓存导致的问题时，调试可能会变得稍微复杂一些。因为你看到的函数行为可能不是实际执行的逻辑，而是缓存返回的结果。这时，
function.cache_clear()
和function.cache_info()
方法就显得尤为重要，它们能帮助你检查缓存状态和手动清除缓存，以便重新执行实际的函数逻辑进行调试。不适用于有副作用的函数：
lru_cache
最适合装饰纯函数。如果你的函数除了返回结果外，还有“副作用”（比如修改全局变量、写入文件、发送网络请求等），那么缓存可能会导致这些副作用没有按预期执行，从而引入难以追踪的bug。因为一旦缓存命中，函数体内的副作用代码就不会被执行。
总的来说，
lru_cache是一个非常强大的工具，但就像所有工具一样，理解它的工作原理和局限性，才能真正发挥它的最大价值，而不是给自己挖坑。
