Python 3.7.1 模块 functools

源代码： Lib / functools.py

未完…

该模块用于高阶函数：作用于或返回其他函数的函数。通常，任何可调用对象都可以被视为用于此模块的函数。

@functools.lru_cache(maxsize=128, typed=False)

译者注：这里有一个简单的 例子

用一个memoizing callable来包装一个函数，它可以为最近的调用节省maxsize空间。当使用相同的参数定期调用或绑定昂贵的I/O函数时，它可以节省时间。

由于字典用于缓存结果，因此函数的位置和关键字参数必须是可哈希的。

不同的参数模式可以被认为是具有单独的高速缓存条目的不同调用。例如，f(a=1, b=2) 和 f(b=2, a=1)的关键字参数顺序不同，并且可能有两个单独的缓存条目。

如果将maxsize=None，则禁用LRU（最近最少使用）功能，并且缓存可以无限制地增长。当maxsize是2的幂时，LRU功能表现最佳。

如果typed=True，则将分别缓存不同类型的函数参数。例如，f(3)和f(3.0)将被视为产生截然不同的结果不同的调用。

为了帮助测量缓存的有效性并调整maxsize 参数，包装函数使用一个cache_info() 函数进行检测，该函数返回一个命名元组，显示hits，misses， maxsize，currsize。在多线程环境中，hits和misses是近似值。

装饰器还提供cache_clear()功能用来清除或使缓存无效的。

可以通过__wrapped__属性访问原始基础函数 。这对于内省，绕过缓存或使用不同的缓存重新包装函数非常有用。

当最近的调用是即将到来的调用的最佳预测时，LRU（最近最少使用的）缓存工作得最好（例如，新闻服务器上的最流行的文章往往每天更换）。缓存的大小限制可确保缓存不会增长，而不受长时间运行的进程（如Web服务器）的限制。

通常，只有在要重用以前计算的值时才应使用LRU高速缓存。因此，，需要在每次调用时创建不同的可变对象的函数，或者诸如time()或random()之类的不纯函数使用LRU是没什么效果的。

静态Web内容的LRU缓存示例：

@lru_cache(maxsize=32)
def get_pep(num):
    'Retrieve text of a Python Enhancement Proposal'
    resource = 'http://www.python.org/dev/peps/pep-%04d/' % num
    try:
        with urllib.request.urlopen(resource) as s:
            return s.read()
    except urllib.error.HTTPError:
        return 'Not Found'

>>> for n in 8, 290, 308, 320, 8, 218, 320, 279, 289, 320, 9991:
...     pep = get_pep(n)
...     print(n, len(pep))

>>> get_pep.cache_info()
CacheInfo(hits=3, misses=8, maxsize=32, currsize=8)

使用高速缓存实现 动态编程 技术有效计算Fibonacci数的示例 ：

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

>>> [fib(n) for n in range(16)]
[0, 1, 1, 2, 3, 5, 8, 13, 21, 34, 55, 89, 144, 233, 377, 610]

>>> fib.cache_info()
CacheInfo(hits=28, misses=16, maxsize=None, currsize=16)

版本3.2中的新功能。

版本3.3中已更改：添加了typed选项。

译者实例：
为了看出lru的效果，我们使用普通的fib函数和使用LRU的fib函数做对比：

def lru_test():
    def fib(n):
        if n < 2:
            return n
        return fib(n - 1) + fib(n - 2)

    @lru_cache(None)
    def fib2(n):
        if n < 2:
            return n
        return fib2(n - 1) + fib2(n - 2)

    import time
    starttime = time.time()
    print("before")
    print(fib(34))
    print("total",str(time.time() - starttime))
    print("-".center(50,'*'))
    starttime = time.time()
    print("before")
    print(fib2(450))
    print(fib2.cache_info())
    print("total", str(time.time() - starttime))
lru_test()
# 输出结果
before
5702887
total 1.9108920097351074
************************-*************************
before
4953967011875066473162524925231604047727791871346061001150551747313593851366517214899257280600
CacheInfo(hits=448, misses=451, maxsize=None, currsize=451)
total 0.0009984970092773438

可以看到，普通的fib求34的时候已经花费了1.9s，而经过LRU的fib在求450的时候只有不到0.001s的时间。