使用 lru_cache 装饰器可缓存函数结果，避免重复计算，提升性能；通过 maxsize 控制缓存大小，适用于纯函数如递归、数学运算；也可用字典或类封装实现自定义缓存，便于灵活管理。
在 Python 中，缓存函数结果是一种有效减少重复计算的手段，特别适用于那些输入不变时输出也不变、但计算成本较高的函数。通过记忆已计算的结果，可以在后续相同输入时直接返回结果，避免重复执行。
使用 functools.lru_cache 装饰器
lru_cache 是 Python 标准库中 functools 模块提供的一个装饰器，能自动缓存函数的返回值。它使用 LRU（最近最少使用）算法管理缓存大小，防止内存无限增长。
用法示例：
from functools import lru_cache@lru_cache(maxsize=128) def fibonacci(n): if n <= 1: return n return fibonacci(n - 1) + fibonacci(n - 2)
print(fibonacci(100)) # 第一次计算并缓存 print(fibonacci(100)) # 直接从缓存读取
说明：
立即学习“Python免费学习笔记（深入）”；
- 添加 @lru_cache 装饰器即可启用缓存
- maxsize 控制缓存条目数，设为 None 表示无限制
- 适合递归函数、数学计算等场景
自定义缓存字典实现
对于需要更灵活控制的场景，可以用字典手动实现缓存逻辑。
cache = {}
def expensive_function(x, y):
key = (x, y)
if key in cache:
return cache[key]
result = sum(i * j for i in range(x) for j in range(y)) # 模拟耗时计算
cache[key] = result
return result
这种方式的优点是你可以完全控制缓存的生成、清除和存储结构，比如按参数类型区分缓存，或加入过期机制。
使用类封装带缓存的方法
当多个函数或状态相关时，可将缓存逻辑封装在类中。
class Calculator:
def __init__(self):
self.cache = {}
def compute(self, data):
key = tuple(data)
if key not in self.cache:
self.cache[key] = sum(x ** 2 for x in data)
return self.cache[key]这种方法便于管理实例级别的缓存，也支持调用 clear() 方法手动清理缓存。
注意事项与适用场景
缓存虽好，但也需注意以下几点：
- 函数必须是纯函数：相同输入永远返回相同输出
- 不可缓存涉及随机性、时间、外部状态变化的函数
- 缓存会占用内存，设置合理的 maxsize 很重要
- 不可哈希的参数（如列表、字典）不能用于 lru_cache，需转换为元组或冻结结构
基本上就这些。合理使用缓存能显著提升程序性能，尤其是在处理递归、动态规划、频繁调用的工具函数时效果明显。
