在python中，lru_cache通过@lru_cache装饰器实现lru缓存机制，提升函数执行效率。1) 使用@lru_cache(maxsize=none)缓存所有结果，避免重复计算，如fibonacci数列。2) 设置maxsize参数控制缓存大小，防止缓存过大影响性能。3) 注意缓存可能忽略函数副作用，导致意外结果。
让我们先来回答这个问题：在Python中，lru_cache是如何使用的？lru_cache是functools模块中的一个装饰器，用于实现一个基于最近最少使用（LRU）策略的缓存机制。它可以显著提升函数的执行效率，特别是在处理重复计算或递归问题时。使用它非常简单，只需在目标函数上加上@lru_cache装饰器即可。
现在，让我们深入探讨一下lru_cache的用法和技巧。
使用lru_cache的魅力在于它的简洁和高效。想象一下，你正在处理一个需要计算Fibonacci数列的项目。每次计算都从头开始，效率低下得让人抓狂。这时候，lru_cache就像是魔法一样，让你的代码瞬间提速。
立即学习“Python免费学习笔记（深入）”；
from functools import lru_cache
@lru_cache(maxsize=None)
def fibonacci(n):
if n < 2:
return n
return fibonacci(n-1) + fibonacci(n-2)
# 测试一下
print(fibonacci(100)) # 瞬间得到结果这个例子中，@lru_cache(maxsize=None)表示缓存所有计算结果。每次调用fibonacci函数时，如果之前已经计算过相同参数的结果，直接返回缓存中的值，避免重复计算。
让 macOS 自动化像说话一样简单 —— 用代码控制你的 Mac，无需学习 AppleScript 系统要求 macOS 14+ (Sonoma) Python 3.9+ 需要开启：辅助功能 + 屏幕录制权限
但使用lru_cache时，也需要注意一些细节和潜在的陷阱。比如，maxsize参数的设置。如果你设置了一个较小的maxsize，当缓存达到这个大小后，最旧的条目会被逐出缓存。这在某些情况下可能会影响性能，特别是当你的函数参数变化频繁时。
@lru_cache(maxsize=128) # 只缓存最近的128个结果
def some_expensive_function(x, y):
# 这里是你的耗时计算
pass另一个需要注意的是，lru_cache会缓存函数的返回值，这意味着如果你的函数有副作用（比如修改全局变量或进行I/O操作），可能会导致意想不到的结果。
counter = 0
@lru_cache(maxsize=None)
def increment_and_return():
global counter
counter += 1
return counter
print(increment_and_return()) # 输出 1
print(increment_and_return()) # 仍然输出 1，因为结果被缓存了在这个例子中，increment_and_return函数的副作用（增加counter）被忽略了，因为lru_cache只关心返回值。
在实际应用中，lru_cache可以帮助你优化递归算法、动态规划问题，甚至是API调用的缓存。记得在使用时，根据你的具体需求调整maxsize，并确保你的函数没有副作用，或者你已经理解了缓存对副作用的影响。
总之，lru_cache是一个强大而简单的工具，可以让你的Python代码在处理重复计算时变得更加高效。只要你掌握了它的使用技巧和注意事项，就能在项目中游刃有余地应用它。
