Python functools.lru_cache 装饰器详解：原理、参数配置与性能优化

核心原理与 LRU 淘汰机制

lru_cache 装饰器会为被修饰的函数维护一张内部哈希表，存储输入参数元组与对应的返回值。当函数再次被调用时，它首先检索参数组合是否已存在。若命中则直接返回缓存值跳过逻辑执行；若未命中则正常调用并将新结果存入表中。当缓存达到预设容量时，它会依据 LRU（Least Recently Used）策略，自动移除距离上次访问时间最久的缓存条目，释放内存空间。

from functools import lru_cache

@lru_cache(maxsize=3)
def foo(n):
    print(f"Running foo({n})")
    return n

print(foo(1))  # 输出: Running foo(1)\n1
print(foo(2))  # 输出: Running foo(2)\n2
print(foo(3))  # 输出: Running foo(3)\n3
print(foo(4))  # 触发 LRU 淘汰，移除了最早的 foo(1)，输出: Running foo(4)\n4
print(foo(1))  # 缓存已丢失，需重新计算，输出: Running foo(1)\n1

配置与使用操作

第一步：添加装饰器并导入模块

使用 lru_cache 的前提是确保目标函数具备确定性（即相同参数永远返回相同结果），且函数内部不产生外部副作用（如修改全局变量或写入文件）。在实际开发中，只需在函数定义上方加入装饰器即可激活缓存机制。对于递归类问题（如斐波那契数列计算），该装饰器可将指数级时间复杂度直接降维至线性级别。

from functools import lru_cache

@lru_cache(maxsize=None)
def fib(n):
    if n < 2:
        return n
    return fib(n - 1) + fib(n - 2)

print(fib(10))  # 输出：55

第二步：配置缓存容量与类型区分

lru_cache 提供两个关键参数用于控制缓存行为：maxsize 设定缓存条目最大数量，传 None 表示不限制上限但会持续占用内存；typed 决定参数类型是否参与缓存键的比对，默认为 False。

from functools import lru_cache

@lru_cache(maxsize=128, typed=False)
def calc_add(x, y):
    print(f"计算中: {x} + {y}")
    return x + y

print(calc_add(1, 2))     # 首次调用，输出: 计算中: 1 + 2\n3
print(calc_add(1, 2))     # 命中缓存，直接返回: 3
print(calc_add(1.0, 2.0)) # typed=False 时视为等效参数，命中缓存返回: 3.0

若将 typed 设置为 True，则 calc_add(1, 2) 与 calc_add(1.0, 2.0) 会被作为独立的缓存键分别存储。此设置适用于需要严格区分数值类型的科学计算或金融数据处理场景。

缓存状态监控与清理操作

装饰器会自动为被修饰函数注入两个查询与管理方法。在执行 cache_clear 前请注意，该操作会永久清空所有已保存的计算结果，可能导致随后再次调用时出现瞬时性能回退。

# 复用上文 foo 函数演示
foo(1); foo(2); foo(3); foo(4)
print(foo.cache_info())  
# 输出: CacheInfo(hits=0, misses=4, maxsize=3, currsize=3)

foo(4)  # 触发命中
print(foo.cache_info())  
# 输出: CacheInfo(hits=1, misses=4, maxsize=3, currsize=3)

foo.cache_clear()  # 清理缓存，风险提示：清除后需重新计算历史参数
print(foo.cache_info())  
# 输出: CacheInfo(hits=0, misses=0, maxsize=3, currsize=0)

cache_info() 返回命名元组，包含 hits（命中次数）、misses（未命中次数）、maxsize（设计容量）与 currsize（当前实际占用量）。通过对比命中率数据，开发者可以动态调整 maxsize 阈值以平衡内存占用与执行速度。

适用场景与注意事项

该装饰器最适合处理计算开销大、输入参数组合有限且结果不变的纯函数，例如复杂的数学公式推导、外部 API 的静态映射转换，或对数据库/文件系统的高频重复读取。由于采用空间换时间的策略，务必避开以下情况：函数依赖外部环境状态频繁变化、参数组合呈无限增长趋势，或存在并发写入冲突的环境。在这些场景下，引入专业的分布式缓存（如 Redis）或自定义线程锁机制更为稳妥。

以上就是Python functools.lru_cache 装饰器详细使用方法与原理的详细内容，更多关于Python缓存优化的资料请关注本站其它相关文章！