李升伟 编译
Python 的 functools 模块是函数式编程爱好者的宝库，提供了许多工具来提升代码的效率和优雅性。本文将深入探讨三个强大的函数——cache、cached_property 和 lru_cache，它们通过存储昂贵计算的结果来优化性能。无论是加速递归算法还是简化基于类的计算，这些工具都能满足需求。让我们通过清晰的解释和实际示例逐一探索。
1. cache：简单无界的记忆化
cache 装饰器是一种轻量级的函数结果记忆化方法，通过存储结果以便在相同输入再次出现时复用。它就像给函数的输出贴了便利贴——无需重复计算！
工作原理
作用：将函数结果存储在一个无界字典中，以参数作为键。
适用场景：适用于纯函数（相同输入产生相同输出且计算成本高的函数）。
核心特性：等同于 lru_cache(maxsize=None)，但因简单性更快。
示例
from functools import cache
@cache
def factorial(n):
return n * factorial(n-1) if n else 1
print(factorial(10)) # 计算：3628800
print(factorial(10)) # 返回缓存结果，无需重新计算
为什么它很强大？
速度：避免冗余计算，使递归函数（如阶乘）变得飞快。
简洁性：无需配置，直接添加装饰器即可。
注意事项：缓存会无限增长，需监控内存使用（尤其对输入种类多的函数）。
2. cached_property：单次计算属性
cached_property 装饰器将类方法转换为仅计算一次并缓存结果的属性。它类似于惰性加载的属性，但结果会持久保留。
工作原理
作用：首次访问时运行方法，将结果缓存为实例属性，后续访问直接返回缓存值。
适用场景：适用于类中需要一次性计算且结果不变的昂贵操作。
核心特性：仅适用于实例方法（需包含 self）。
示例
from functools import cached_property
class Circle:
def __init__(self, radius):
self.radius = radius
@cached_property
def area(self):
print("正在计算面积")
return 3.14159 * self.radius ** 2
c = Circle(5)
print(c.area) # 输出：正在计算面积，然后 78.53975
print(c.area) # 输出：78.53975（缓存结果，无需重新计算）
为什么它很强大？
效率：每个实例仅计算一次，节省 CPU 资源。
代码简洁：像属性一样使用（c.area 而非 c.area()），无缝融入类设计。
注意事项：缓存值可被覆盖（如 c.area = 0），因此仅适用于不可变数据。
3. lru_cache：灵活的有界记忆化
lru_cache 装饰器是记忆化的“重型武器”，提供基于最近最少使用（LRU）的可配置容量缓存。它线程安全且支持内省功能，是优化复杂函数的首选工具。
工作原理
作用：最多缓存 maxsize 个结果，当缓存满时移除最近最少使用的条目。支持 typed 选项，将不同类型的参数（如 3 和 3.0）视为不同键。
适用场景：适用于递归算法、动态规划或重复调用的函数。
核心特性：提供 cache_info() 方法，可查看命中数、未命中数、缓存容量等信息。
示例
from functools import lru_cache
@lru_cache(maxsize=32)
def fib(n):
if n < 2:
return n
return fib(n-1) + fib(n-2)
print(fib(10)) # 计算：55
print(fib.cache_info()) # 输出：CacheInfo(hits=8, misses=11, maxsize=32, currsize=11)
为什么它很强大？
控制：通过 maxsize 平衡内存与性能（None 表示无界，类似 cache）。
线程安全：适用于多线程环境，确保缓存一致性。
调试支持：cache_info() 帮助优化性能，揭示缓存效果。
注意事项：避免用于有副作用的函数，因其假设输出是确定性的。
总结
cache：简单无界的记忆化，适合纯函数。
cached_property：单次计算的类属性，适合惰性加载。
lru_cache：灵活的 LRU 缓存，适合复杂场景。
通过合理使用这些工具，可以显著提升 Python 代码的性能和可读性！