目錄
- 1 從示例說起
- 2 優(yōu)化
- 3 比較
- 4 lru_cache 裝飾器
Python 的 lru_cache 裝飾器是一個(gè)為自定義函數(shù)提供緩存功能的裝飾器。其內(nèi)部會(huì)在下次以相同參數(shù)調(diào)用該自定義函數(shù)時(shí)直接返回計(jì)算好的結(jié)果。通過緩存計(jì)算結(jié)果可以很好地提升性能。
1 從示例說起
假設(shè)我們有一個(gè)計(jì)算斐波那契數(shù)列的求和函數(shù)，其內(nèi)部采用遞歸方式實(shí)現(xiàn)。
from xxx.clock_decorator import clock
@clock
def fibonacci(n):
if n2:
return n
return fibonacci(n-2)+fibonacci(n-1)
if __name__=='__main__':
logging.info('fibonacci(6) -> %s',fibonacci(6))
運(yùn)行結(jié)果：
其中的 clock_decorator 實(shí)現(xiàn)是一個(gè)可以輸出某個(gè)函數(shù)運(yùn)行時(shí)長的裝飾器1。
從輸出結(jié)果中可以看出，存在著嚴(yán)重的重復(fù)計(jì)算情況，比如 fibonacci(1) 就被計(jì)算了 5 次之多。這還只是計(jì)算 6 次的 fibonacci 函數(shù)。
2 優(yōu)化
上面的示例代碼加入 lru_cache 裝飾器：
運(yùn)行結(jié)果：
這次不存在重復(fù)計(jì)算現(xiàn)象，因此性能得到極大的提升。
3 比較
利用 cProfile 進(jìn)行性能比較分析。它是一種確定性分析器，只測(cè)量 CPU 時(shí)間，并不包含內(nèi)存消耗和其他與內(nèi)存相關(guān)聯(lián)的信息2。
假設(shè)我們需要計(jì)算 fibonacci(33) 求和值。
（1）不使用 lru_cache 裝飾器
這個(gè)遞歸函數(shù)內(nèi)部總共調(diào)用了 1000 多萬次的 fibonacci() 函數(shù)！
（2）使用了 lru_cache 裝飾器
使用了 lru_cache 裝飾器之后，這個(gè)遞歸函數(shù)只需調(diào)用 100 多次fibonacci() 函數(shù)！性能有了質(zhì)的提升。
4 lru_cache 裝飾器
lru_cache 裝飾器支持兩個(gè)入?yún)?，它的完整定義格式為3： @functools.lru_cache(maxsize=128, typed=False)
| 參數(shù) |
默認(rèn)值 |
說明 |
| maxsize |
128 |
表示緩存大小。如果設(shè)置為 None，則不限大小；如果超過緩存大小，則使用 LRU 策略清理緩存。緩存的大小限制可確保緩存不會(huì)無限制增長。LRU（Least Recently Used），即刪除最近最少使用的緩存數(shù)據(jù)。 |
| typed |
False |
如果為true，不同類型的參數(shù)將會(huì)被分別緩存，比如區(qū)分浮點(diǎn)數(shù)與整型。 |
注意：由于使用了字典來存儲(chǔ)緩存，所以所裝飾的函數(shù)參數(shù)必須是可哈希的。
利用 cache_info() 函數(shù)，我們還可以看到命中次數(shù) hits，未命中次數(shù) misses ，最大緩存數(shù)量 maxsize 和 當(dāng)前緩存大小 currsize。使用方式是直接調(diào)用被裝飾函數(shù)的 cache_info()，形如：fibonacci.cache_info())。
只要某個(gè)函數(shù)遞歸調(diào)用并存在重復(fù)計(jì)算的情況，這時(shí)就要記著使用 lru_cache 這個(gè)性能加速器。
以上就是Python 的lru_cache 裝飾器使用簡(jiǎn)介的詳細(xì)內(nèi)容，更多關(guān)于Python 的lru_cache 裝飾器的資料請(qǐng)關(guān)注腳本之家其它相關(guān)文章！
您可能感興趣的文章:- Python中l(wèi)ru_cache的使用和實(shí)現(xiàn)詳解
- Python實(shí)現(xiàn)的一個(gè)簡(jiǎn)單LRU cache
- python自帶緩存lru_cache用法及擴(kuò)展的使用
