@lru_cache是functools中基于LRU策略的函数缓存装饰器，适用于纯函数、可哈希参数、计算开销大且调用频繁的场景；支持maxsize控制容量、typed启用类型敏感缓存，并提供cache_info和cache_clear等管理接口。
@lru_cache 是 Python 标准库 functools 中最常用、最实用的函数缓存装饰器。它通过“最近最少使用”（LRU）策略自动缓存函数的返回值，避免重复计算，显著提升重复调用场景下的性能——尤其适合纯函数、参数可哈希、计算开销大的场景。
什么时候该用 @lru_cache？
不是所有函数都适合加缓存。以下情况推荐启用：
- 函数是纯函数：相同输入必得相同输出，不依赖外部状态（如全局变量、文件、网络）
- 参数全部是可哈希类型（如 int/str/tuple，不能是 list/dict/set 等不可哈希对象）
- 函数执行较慢（如递归计算、数值模拟、字符串解析），且被高频重复调用
- 内存可控：缓存容量不会随输入规模无限制增长（可通过
maxsize限制）
基础用法与关键参数
直接在函数上方添加 @lru_cache 即可启用默认缓存（maxsize=128）：
示例：优化斐波那契递归
立即学习“Python免费学习笔记（深入）”；
from functools import lru_cache <p>@lru_cache() def fib(n): if n < 2: return n return fib(n-1) + fib(n-2)</p><p>print(fib(35)) # 原本可能卡顿，加缓存后毫秒级返回
常用参数说明：
-
@lru_cache(maxsize=128)：最多缓存 128 组输入-输出对；设为None表示无上限（慎用） -
@lru_cache(maxsize=0)：禁用 LRU 缓存，但会记录调用统计（cache_info()仍可用） -
typed=True：开启类型敏感缓存（如fib(1)和fib(1.0)视为不同调用）
查看与管理缓存状态
缓存行为可观察、可调试：
-
fib.cache_info()返回命名元组：CacheInfo(hits=..., misses=..., maxsize=..., currsize=...) -
fib.cache_clear()手动清空当前函数的所有缓存（适合数据更新后重置） - 多次调用同一参数时，
hits增加，说明缓存生效
常见陷阱与规避方法
用错地方反而引发 bug 或内存泄漏：
- 不可哈希参数报错：传入 list/dict → 改用 tuple 或 frozenset 包装，或改用其他缓存方案（如手动 dict 缓存 + 自定义 key）
- 副作用函数误缓存：含 print / 写文件 / 修改全局变量的函数，加缓存会导致后续调用跳过副作用 → 切勿装饰
-
内存持续增长：
maxsize=None且输入组合极多 → 显式设置合理maxsize，或定期cache_clear() -
类方法缓存失效：普通装饰器无法缓存实例方法（因
self导致每次调用 key 不同）→ 改用@lru_cache在静态方法或工具函数上，或使用methodtools.lru_cache等扩展
