用 Python 的 LRU Cache 优化函数性能

在日常开发中，我们常会遇到一些计算成本高但调用频繁的函数。Python 标准库 functools 中的 lru_cache 装饰器可以轻松实现缓存功能，显著提升程序性能。

什么是 LRU Cache？

LRU（Least Recently Used）是一种缓存淘汰策略，当缓存达到容量上限时，会优先移除最久未使用的数据。lru_cache 将函数调用结果缓存起来，当相同参数再次传入时直接返回缓存结果，避免重复计算。

实战示例

下面以计算斐波那契数列为例展示其效果：

from functools import lru_cache
import time

# 未使用缓存
def fib_no_cache(n):
    if n < 2:
        return n
    return fib_no_cache(n-1) + fib_no_cache(n-2)

# 使用缓存
@lru_cache(maxsize=128)
def fib_cached(n):
    if n < 2:
        return n
    return fib_cached(n-1) + fib_cached(n-2)

# 性能对比
start = time.time()
fib_no_cache(35)
print(f"无缓存耗时: {time.time()-start:.2f}秒")

start = time.time()
fib_cached(35)
print(f"有缓存耗时: {time.time()-start:.2f}秒")

测试显示，计算 fib(35) 时，使用缓存可将耗时从数秒降低到毫秒级，差异显著。

使用建议

1. 适用场景：纯函数（相同输入必得相同输出）、计算密集型函数、递归函数
2. 设置合理的 maxsize：根据内存限制和函数特性调整缓存大小
3. 注意内存占用：缓存参数和结果会占用内存，需监控使用情况

lru_cache 是 Python 中“开箱即用”的性能优化工具之一，合理使用能让代码既简洁又高效。

Python #性能优化 #编程技巧 #开发工具