在Python中，functools模块提供了一个非常有用的装饰器lru_cache()，它实现了最近最少使用（Least Recently Used, LRU）缓存策略。当函数被调用时，其结果会被缓存起来，以便在后续相同的函数调用时直接返回缓存的结果，而不是重新计算。这可以显著提高性能，特别是当函数计算成本较高或函数调用非常频繁时。
技术名称
- 装饰器（Decorators）：Python中的装饰器是一种高级功能，允许你在不修改函数或方法源代码的情况下，给它们添加额外的功能。
- LRU缓存（LRU Cache）：最近最少使用缓存策略，它淘汰最长时间未被使用的数据。
Python代码示例
下面是一个使用functools.lru_cache()的示例：
import functools
import time
@functools.lru_cache(maxsize=128) # 缓存最多128个结果
def fibonacci(n):
"""计算斐波那契数列的第n项"""
if n < 2:
return n
return fibonacci(n-1) + fibonacci(n-2)
# 第一次调用，计算fibonacci(10)，并将结果缓存
start_time = time.time()
print(fibonacci(10)) # 输出斐波那契数列的第10项
print(f"计算时间: {time.time() - start_time:.6f}秒")
# 第二次调用，直接从缓存中获取fibonacci(10)的结果，不进行计算
start_time = time.time()
print(fibonacci(10)) # 再次输出斐波那契数列的第10项
print(f"缓存获取时间: {time.time() - start_time:.6f}秒")
# 清除缓存（可选）
fibonacci.cache_clear()
# 你可以通过fibonacci.cache_info()查看缓存的详细信息
print(fibonacci.cache_info())
注意：由于斐波那契数列的计算是递归的，并且对于较大的n值，计算成本会非常高。使用lru_cache()可以显著提高性能，因为它避免了重复计算相同的结果。在上面的示例中，你可以看到第二次调用fibonacci(10)时几乎不花费时间，因为结果直接从缓存中获取。
