Python函数缓存教程_lru_cache性能优化

@lru_cache是functools中基于LRU策略的轻量函数缓存工具，适用于纯函数、递归、参数有限且无I/O或状态依赖的场景；需参数可哈希，支持maxsize和typed参数，可通过cache_info和cache_clear监控管理。

@lru_cache 是 Python 标准库 functools 中最常用、最轻量的函数结果缓存工具。它基于最近最少使用（LRU）策略，自动记住函数的输入与输出，避免重复计算，特别适合纯函数（无副作用、相同输入恒得相同输出）。

什么时候该用 @lru_cache？

以下情况加缓存效果明显：

• 递归函数（如斐波那契、阶乘），重复子问题多
• 计算开销大但调用频繁、参数范围有限的函数（如解析固定配置、查表转换）
• 纯数学/字符串处理函数（如校验码生成、格式化逻辑）
• 不涉及 I/O、全局状态、时间依赖或随机性的函数

⚠️ 注意：含 list、dict 等可变类型作参数会报错（因不可哈希），需先转成 tuple 或用 frozenset；含关键字参数也支持，但所有参数必须可哈希。

基础用法与参数控制

最简写法：

from functools import lru_cache
@lru_cache()
def fib(n):
return n if n < 2 else fib(n-1) + fib(n-2)

关键参数：

• maxsize=128（默认值）：最多缓存 128 组参数组合；设为 None 表示无上限（慎用，防内存泄漏）
• typed=False：是否区分参数类型（如 fib(1) 和 fib(1.0) 是否算不同调用）；设为 True 可提升类型敏感场景准确性

推荐显式声明，增强可读性与可控性：

@lru_cache(maxsize=512, typed=True)
def parse_version(tag: str) -> tuple:
    ...

查看与管理缓存状态

缓存不是黑盒，可通过函数属性实时观测：

• func.cache_info()：返回命名元组 CacheInfo(hits, misses, maxsize, currsize)，用于监控命中率
• func.cache_clear()：清空当前缓存（适合配置变更、测试重置等场景）

示例：

print(fib.cache_info())  # CacheInfo(hits=142, misses=10, maxsize=128, currsize=10)
fib.cache_clear()

常见陷阱与替代思路

别让缓存成为 bug 源头：

• 类方法上直接加 @lru_cache 会把 self 当参数缓存——导致不同实例共享结果。应改用 @lru_cache + 实例属性，或用 cached_property（Python 3.8+）
• 带默认参数的函数，若默认值是可变对象（如 def f(x, lst=[])），缓存可能意外复用该对象，引发逻辑错误
• 需要更灵活缓存策略（如 TTL 过期、按条件刷新）时，考虑 functools.cached_property、dogpile.cache 或简单手动字典 + 时间戳

缓存不是银弹，合理评估「计算耗时 vs 缓存开销 vs 内存占用」三者平衡点，比盲目添加更重要。