Python中的函数缓存与lru_cache装饰器

描述
函数缓存是一种优化技术，通过存储昂贵函数调用的结果，避免重复计算相同输入时的开销。Python的functools.lru_cache装饰器实现了LRU（最近最少使用）缓存机制，允许自动缓存函数返回值，显著提升递归或重复调用场景的性能。本知识点涵盖缓存原理、lru_cache参数详解、应用场景及注意事项。

解题过程

1. 缓存的基本概念

   • 核心思想：空间换时间。将函数参数与返回值建立映射关系，当相同参数再次调用时直接返回缓存结果。
   • 适用场景：计算密集型函数（如斐波那契数列）、重复数据查询、纯函数（输入相同输出必然相同）。

2. 手动实现简单缓存
   通过字典手动存储结果，直观理解缓存机制：

   def fibonacci_manual_cache(n):
       cache = {}  # 缓存字典
       if n in cache:
           return cache[n]
       if n <= 1:
           return n
       result = fibonacci_manual_cache(n-1) + fibonacci_manual_cache(n-2)
       cache[n] = result  # 存储结果
       return result
   

   问题：递归调用时每次都会初始化空字典，缓存失效。需将缓存提取到函数外部（但会破坏封装性）。

3. 使用lru_cache装饰器
   functools.lru_cache自动处理缓存逻辑，无需手动管理字典：

   from functools import lru_cache
   
   @lru_cache(maxsize=None)  # 无大小限制的缓存
   def fibonacci(n):
       if n <= 1:
           return n
       return fibonacci(n-1) + fibonacci(n-2)
   

   • maxsize：指定缓存最大容量。设为None时无限制；设为0则禁用缓存。
   • 递归调用时，中间结果（如fibonacci(3)）会被缓存，避免重复计算。

4. LRU算法与缓存性能优化

   • LRU策略：当缓存满时，自动淘汰最久未使用的结果。例如maxsize=3时：

     @lru_cache(maxsize=3)
     def square(x):
         return x * x
     
     square(1)  # 缓存: {1:1}
     square(2)  # 缓存: {1:1, 2:4}
     square(3)  # 缓存: {1:1, 2:4, 3:9}
     square(1)  # 命中缓存，缓存顺序变为{2:4, 3:9, 1:1}
     square(4)  # 缓存满，淘汰2（最久未使用），缓存变为{3:9, 1:1, 4:16}
     

   • 性能对比：无缓存时斐波那契数列计算时间复杂度为O(2^n)，缓存后降至O(n)。

5. 高级参数与功能

   • typed：默认为False，若设为True，则不同类型参数（如1和1.0）会分别缓存。
   • 缓存信息查看：通过fibonacci.cache_info()获取命中次数（hits）、未命中次数（misses）等统计信息。
   • 清空缓存：fibonacci.cache_clear()。

6. 注意事项与限制

   • 函数参数必须可哈希（如列表、字典等可变类型不可作为参数）。
   • 副作用函数慎用：缓存可能绕过预期执行逻辑（如网络请求、文件读取）。
   • 内存消耗：无限制缓存可能导致内存溢出，需根据场景合理设置maxsize。

总结
lru_cache通过装饰器模式将缓存逻辑与业务逻辑解耦，是优化重复计算的利器。结合LRU策略，它在保证性能的同时有效控制内存占用，适用于多数纯函数场景。