Python缓存提升函数效率方法

编程并不是一个机械性的工作，而是需要有思考，有创新的工作，语法是固定的，但解决问题的思路则是依靠人的思维，这就需要我们坚持学习和更新自己的知识。今天golang学习网就整理分享《Python 缓存函数结果提升效率》，文章讲解的知识点主要包括，如果你对文章方面的知识点感兴趣，就不要错过golang学习网，在这可以对大家的知识积累有所帮助，助力开发能力的提升。

使用 lru_cache 装饰器可缓存函数结果，避免重复计算，提升性能；通过 maxsize 控制缓存大小，适用于纯函数如递归、数学运算；也可用字典或类封装实现自定义缓存，便于灵活管理。

在 Python 中，缓存函数结果是一种有效减少重复计算的手段，特别适用于那些输入不变时输出也不变、但计算成本较高的函数。通过记忆已计算的结果，可以在后续相同输入时直接返回结果，避免重复执行。

使用 functools.lru_cache 装饰器

lru_cache 是 Python 标准库中 functools 模块提供的一个装饰器，能自动缓存函数的返回值。它使用 LRU（最近最少使用）算法管理缓存大小，防止内存无限增长。

用法示例：

from functools import lru_cache
<p>@lru_cache(maxsize=128)
def fibonacci(n):
if n <= 1:
return n
return fibonacci(n - 1) + fibonacci(n - 2)</p><p>print(fibonacci(100))  # 第一次计算并缓存
print(fibonacci(100))  # 直接从缓存读取</p>

说明：

• 添加 @lru_cache 装饰器即可启用缓存
• maxsize 控制缓存条目数，设为 None 表示无限制
• 适合递归函数、数学计算等场景

自定义缓存字典实现

对于需要更灵活控制的场景，可以用字典手动实现缓存逻辑。

cache = {}
<p>def expensive_function(x, y):
key = (x, y)
if key in cache:
return cache[key]</p><pre class="brush:python;toolbar:false;">result = sum(i * j for i in range(x) for j in range(y))  # 模拟耗时计算
cache[key] = result
return result

这种方式的优点是你可以完全控制缓存的生成、清除和存储结构，比如按参数类型区分缓存，或加入过期机制。

使用类封装带缓存的方法

当多个函数或状态相关时，可将缓存逻辑封装在类中。

class Calculator:
    def __init__(self):
        self.cache = {}
<pre class="brush:python;toolbar:false;">def compute(self, data):
    key = tuple(data)
    if key not in self.cache:
        self.cache[key] = sum(x ** 2 for x in data)
    return self.cache[key]

这种方法便于管理实例级别的缓存，也支持调用 clear() 方法手动清理缓存。

注意事项与适用场景

缓存虽好，但也需注意以下几点：

• 函数必须是纯函数：相同输入永远返回相同输出
• 不可缓存涉及随机性、时间、外部状态变化的函数
• 缓存会占用内存，设置合理的 maxsize 很重要
• 不可哈希的参数（如列表、字典）不能用于 lru_cache，需转换为元组或冻结结构

基本上就这些。合理使用缓存能显著提升程序性能，尤其是在处理递归、动态规划、频繁调用的工具函数时效果明显。

今天关于《Python缓存提升函数效率方法》的内容介绍就到此结束，如果有什么疑问或者建议，可以在golang学习网公众号下多多回复交流；文中若有不正之处，也希望回复留言以告知！