python functools.lru_cache 的使用

最新推荐文章于 2025-10-30 12:28:50 发布

原创最新推荐文章于 2025-10-30 12:28:50 发布 · 2.8k 阅读

2 ·

CC 4.0 BY-SA版权

文章标签：

#python #functools

python学习专栏收录该内容

1 篇文章

订阅专栏

本文通过一个简单的Python示例介绍了functools模块中lru_cache装饰器的基本使用方法。该装饰器能够为函数调用提供缓存机制，提高程序运行效率。文章解释了maxsize参数控制缓存大小及typed参数决定是否区分参数类型的细节。

部署运行你感兴趣的模型镜像

from functools import lru_cache
@lru_cache(maxsize=1, typed=True)
def func(s):
    print(s)
    return s
func(1)
1
Out[4]: 1
func(1)
Out[5]: 1
func(2)
2
Out[6]: 2
func(2.0)
2.0
Out[7]: 2.0

不难看出第一次调用func 传入1 是既打印了1 又返回了1 第二次调用相同的func 传入1时，未打印只返回
传入2.0 和2的会被认为是不同的调用，刷新缓存
lru_cache 的参数maxsize 代表能缓存几个函数执行的结果 typed代表是否参数类型改变时是否重新缓存

您可能感兴趣的与本文相关的镜像

Stable-Diffusion-3.5

图片生成

Stable-Diffusion

Stable Diffusion 3.5 (SD 3.5) 是由 Stability AI 推出的新一代文本到图像生成模型，相比 3.0 版本，它提升了图像质量、运行速度和硬件效率

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

heyh_py

关注关注

1
点赞
踩
2

收藏

觉得还不错? 一键收藏
0
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

专栏目录

Python性能加速器：掌握functools.lru_cache装饰器

windowshht的博客

07-26

947

lru_cache装饰器接受一个可选的maxsize参数，用于指定缓存的最大容量。当缓存项的数量超过这个值时，最久未被访问的缓存项将被移除。如果maxsize设置为None，则缓存大小将没有限制（但请注意，这可能会导致内存使用过多）。# 假设这里有一个复杂的计算过程是Python中一个非常实用的装饰器，它通过缓存函数结果的方式，能够显著提高那些重复计算相同输入值的函数的性能。本文详细介绍了lru_cache。

Python：functools.lru_cache函数缓存示例

we chat：玩转测试开发

08-11

514

functools.lru_cache 是 Python 标准库中的一个非常实用的工具，它用于缓存函数的返回值，以提高程序性能。本文将介绍如何安装和使用 lru_cache，并通过函数式和面向对象的方式给出简单的示例。：lru_cache 的 maxsize 参数控制缓存的大小。如果函数的行为取决于外部状态或依赖的输入数据变化，可能需要手动管理缓存失效或使用其他缓存策略。：lru_cache 在多线程环境下是线程安全的，但需要确保被缓存的函数本身是线程安全的。：自动管理缓存，减少手动实现缓存逻辑的需要。

参与评论您还未登录，请先登录后发表或查看评论

Python 缓存机制之functools.lru_cache

rs勿忘初心的博客

11-21

4711

说到缓存这个概念，我想大家应该都不陌生，以Redis和Memcache为代表的缓存应用基本成为了现在微服务架构的标配了。事实上，并不是说要用缓存就必须部署Redis等服务，比如在以Python为开发语言的小型单体应用中，我们可以使用functools.lru_cache来实现缓存机制，当然也可以在这个基础上二次封装来满足自己的需求，比如加上缓存过期时间等。首先，通过一个简单的例子以了解缓存机制的概念，如下代码所示，注意这里只是说下大概的机智，不需要采用这种方法，更优雅的方法是采用functools

Python之functools模块之lru_cache

weixin_41224474的博客

03-23

764

1.频繁使用2.每一次获取代价高3.一定时间内，每一次同样输入获得同样的结果，幂等性。压力大预热lru_cache装饰器应用使用前提同样的函数参数一定得到同样的结果，至少是一段时间内，同样输入得到同样结果计算代价高，函数执行时间很长需要多次执行，每一次计算代价高本质是建立函数调用的参数到返回值的映射缺点不支持缓存过期，key无法过期、失效不支持清除操作不支持分布式，是一个单机的缓存。

【Python性能优化必备技能】：深入掌握functools.lru_cache缓存机制

最新发布

ProceGlow的博客

10-30

626

掌握Python性能优化关键技巧，深入解析functools.lru_cache缓存装饰器的使用方法与底层机制。涵盖递归函数加速、API调用缓存等应用场景，揭示最大缓存容量设置与命中率优化策略。提升程序运行效率，值得收藏。

python 的记忆功能 lru_cache()，用于动态规划，

天天向上的专栏

06-01

4613

python 中若编写递归函数，为了减少计算时间，需要用到 memoize 或 memoized 功能，它们的作用是记忆函数每次运行的结果，这样当递归函数每次递归时，若已经计算过子函数，就直接从记忆中的结果获取，避免重复计算。英文解释可以参见： https://wiki.python.org/moin/PythonDecoratorLibrary#CA-7f0e99ea942ab4cfe29...

Python深度解析：functools.lru_cache装饰器

love_521_的博客

12-28

1186

functools.lru_cache是Python标准库中的一个装饰器，用于添加缓存功能。LRU代表最近最少使用，这意味着该缓存会保留最近使用的数据，而丢弃最长时间未使用的数据。# ...

Python——LRU_Cache

uncle_ll的博客

08-07

670

一个为函数提供缓存功能的装饰器，缓存 maxsize 组传入参数，在下次以相同参数调用时直接返回上一次的结果。不同模式的参数可能被视为不同从而产生多个缓存项，例如, f(a=1, b=2) 和 f(b=2, a=1) 因其参数顺序不同，可能会被缓存两次。因此，用它缓存具有副作用的函数、需要在每次调用时创建不同、易变的对象的函数或者诸如time或random之类的不纯函数是没有意义的。由于使用了字典存储缓存，所以该函数的固定参数和关键字参数必须是可哈希的。原始的未经装饰的函数可以通过。...

python 基础 -- functools.lru_cache

Victor_Monkey的博客

05-31

5928

python基础 – functools.lru_cache 代码基于python 3.5.2 functools模块中lrucache是非常使用的装饰器,它实现了缓存,去重的功能。它将耗时的函数结果保存起来,避免传入相同的参数重复计算。LRU三个字母是”Least Recently Used”的缩写,表明缓存不会无限储存,一段时间不用,或者数量超出一定限制,旧缓存就会扔掉。列举简...

backports.functools_lru_cache‑1.6.1‑py2.py3‑none‑any.whl

12-21

离线安装包，亲测可用

PyPI 官网下载 | backports.functools_lru_cache-1.3.tar.gz

01-26

《PyPI上的backports.functools_lru_cache-1.3.tar.gz：Python高效缓存技术解析》在Python编程中，高效的代码执行是至关重要的，特别是在处理大量数据或者需要频繁重复计算的场景下。PyPI（Python Package Index）...

Python缓存模块LruCache.py.zip

07-17

在Py3K里，自带一个cache模块，使用「LRU算法」，能够缓存一些函数或方法放返回值，目前我还在玩Py2K，因此土鳖的造了一个轮子，取名「LruCache.py」，不叫特点的特点：「单进程支持线程安全」示例代码： import lru as cache lru = cache.LruCache(item_max=5) @lru.fn_cache def test_fn(x,y): return x,y 标签：LruCache

Python中的高效缓存机制：使用functools.lru_cache优化函数性能

一个被知识诅咒的人

11-17

1180

在Python编程中，缓存机制是提高程序性能的关键技术之一。`functools.lru_cache`提供了一种内建的轻量级缓存装饰器，通过缓存函数调用结果来优化性能，尤其在重复计算的场景中效果显著。本文深入探讨`lru_cache`的工作原理，并从函数缓存、缓存失效策略、缓存大小管理等多个角度展示如何使用`lru_cache`。我们还将通过丰富的代码示例展示如何在实际项目中使用缓存机制来提高效率，并讨论如何定制缓存策略以应对不同需求。本文将帮助您掌握Python中的高效缓存技术，增强程序的可扩展性和响应速

python functools.lru_cache

张行者

01-10

312

参考

@functools.lru_cache装饰器缓存机制实现文件读取

weixin_50233450的博客

02-25

922

使用缓存机制，使相同入参的函数调用只执行一次。优化速率。文件读取。

python @lru_cache()

yake1965

08-18

1952

python @lru_cache()

Python 中的 `lru_cache` 详解

翔云

06-14

1669

它会自动缓存函数的计算结果，当使用相同的参数再次调用时直接返回缓存结果，避免重复计算。，清理操作只会影响调用它的特定函数实例，不会影响其他函数或模块的缓存。在 Gunicorn/Uvicorn 等多进程部署中，→ 重新输出 “小型缓存计算: 3”（缓存失效）类中的不同实例共享同一个缓存（除非使用实例方法）→ 清理操作只影响当前工作进程的缓存。→ 输出 “小型缓存计算: 3”→ 输出 “大型缓存计算: 3”模块提供的装饰器，用于实现。是 Python 标准库。（证明两个函数缓存独立）在 Python 的。

【Python】Python实现LRU_Cache

sinat_21791203的专栏

03-15

1954

题目 1.给出斐波那契数列的递归解法，找一种方法优化该函数 2.如果我们的空间有限怎么办？也就是说当内存有限的时候，我们需要有一种策略来解决缓存已满的问题。常规优化法就是给他加上一个数组来存储已经计算过的值，避免重复计算 Pythonic的写法是给他加上一个装饰器，装饰器的思路：用一个字典来缓存已经计算过的内容，如果传过来的参数在我们的保存结果里面就可以直接返回，如果不在...

LRU cache

03-25

<think>好的，用户想了解LRU缓存的工作原理和实现方法。首先，我需要回忆LRU的基本概念，确定LRU是Least Recently Used的缩写，即最近最少使用算法，常用于缓存淘汰策略。接下来，工作原理部分需要解释当缓存容量满时，如何选择最久未被访问的数据进行淘汰。这里可能需要结合数据结构，比如哈希表和双向链表，来说明如何高效地实现访问顺序的维护。然后是具体实现方法。常见的实现方式确实是用哈希表加双向链表。哈希表用于快速定位节点，双向链表则维护访问顺序。最近访问的节点移到链表头部，最久未使用的在尾部。当插入新数据时，如果缓存已满，就删除尾部节点。这部分需要详细说明每个操作的步骤，比如访问、插入、删除等，以及它们的时间复杂度。可能还需要提到其他实现方式，比如使用OrderedDict的数据结构，这在Python中确实存在，可以简化实现。但如果是其他语言，可能需要自己构建双向链表和哈希表。这部分可以作为不同实现方法的补充说明。接下来，用户可能关心LRU的应用场景，比如数据库缓存、页面置换算法等，但用户的问题主要集中在实现和工作原理，所以这部分可能不需要深入，但可以作为相关问题提出。然后，根据用户提供的引用，我需要检查是否有相关引用可以支持回答。但查看用户提供的引用内容，引用1是关于流处理和响应式编程的库，引用2是机器学习在GPU集群调度的应用，引用3是Go语言编译工具，似乎和LRU缓存没有直接关联。因此，可能无法直接引用这些内容，需要忽略引用部分，或者寻找间接关联点，但可能不太相关。在生成相关问题的时候，需要考虑用户可能进一步想了解的内容，比如LRU的变种、时间复杂度分析、实际应用中的挑战、与其他算法比较等。例如，如何保证O(1)时间复杂度，如何处理并发访问，LRU的缺点以及改进算法如LRU-K等。最后，代码示例部分需要确保正确性。Python中使用OrderedDict是一个典型的实现方式，每次访问时移动键到最新位置，插入时检查容量并弹出最久未使用的项。需要确保代码示例简洁，并且注释清晰，方便用户理解。总结整个思考过程，需要将LRU的工作原理和实现方法清晰地分点解释，结合数据结构和操作步骤，给出代码示例，并生成相关问题，引导用户深入理解。同时注意用户提到的系统级指令，如数学公式的正确格式，但LRU内容可能较少涉及数学公式，所以主要关注代码块和结构。</think>### LRU缓存实现原理 LRU（Least Recently Used）缓存淘汰策略基于"最近最少使用"原则，当缓存容量满时淘汰最久未被访问的数据。其核心数据结构组合为： 1. **哈希表**：实现$O(1)$时间复杂度的键值查询 2. **双向链表**：维护键的访问顺序，最近访问的节点靠近头部 ### 操作过程 1. **访问数据**： - 通过哈希表定位节点 - 将节点移动到链表头部（表示最近使用） - 时间复杂度：$O(1)$ 2. **插入数据**： ```python if 键已存在: 更新值并移动节点到链表头部 else: 创建新节点并添加到链表头部 if 缓存已满: 删除链表尾部节点从哈希表删除对应键 ``` ### Python实现示例 ```python from collections import OrderedDict class LRUCache: def __init__(self, capacity: int): self.cache = OrderedDict() self.capacity = capacity def get(self, key: int) -> int: if key not in self.cache: return -1 self.cache.move_to_end(key) return self.cache[key] def put(self, key: int, value: int) -> None: if key in self.cache: self.cache.move_to_end(key) self.cache[key] = value if len(self.cache) > self.capacity: self.cache.popitem(last=False) ``` ### 性能特征 - **时间复杂度**：所有操作保持$O(1)$ - **空间复杂度**：$O(n)$，n为缓存容量 - **适用场景**：符合局部性原理的访问模式，如数据库缓存、CDN缓存等[^1]