如何在Python中快取方法呼叫？

快取方法的兩種工具是`functools.cached_property()`和`functools.lru_cache()`。這兩個模組都是`functools`模組的一部分。`functools`模組用於高階函式：作用於其他函式或返回其他函式的函式。讓我們首先安裝並匯入`functools`模組：

安裝functools

要安裝`functools`模組，請使用pip：

pip install functools

匯入functools

要匯入`functools`：

import functools

讓我們逐一瞭解這兩種快取方法：

cached_property()

適用於計算例項的昂貴屬性，這些屬性在其他方面實際上是不可變的。

`cached_property`方法僅適用於不接受任何引數的方法。它不會建立對例項的引用。快取的方法結果只會保留在例項存在的期間。

優點是，當不再使用例項時，快取的方法結果會立即釋放。缺點是，如果例項累積，快取的方法結果也會累積。它們可能會無限增長。

示例

讓我們看一個例子：

class DataSet:
   def __init__(self, sequence_of_numbers):
      self._data = tuple(sequence_of_numbers)
   @cached_property
   def stdev(self):
      return statistics.stdev(self._data)

lru_cache

`lru_cache`方法適用於具有可雜湊引數的方法。除非採取特殊措施傳入弱引用，否則它會建立對例項的引用。

最近最少使用演算法的優點是快取受指定的`maxsize`限制。缺點是例項將一直保留，直到它們從快取中過期或快取被清除。

示例

讓我們看一個例子：

@lru_cache
def count_vowels(sentence):
   return sum(sentence.count(vowel) for vowel in 'AEIOUaeiou')

使用快取計算斐波那契數的示例：

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(n) for n in range(16)])
print(fib.cache_info())

輸出

[0, 1, 1, 2, 3, 5, 8, 13, 21, 34, 55, 89, 144, 233, 377, 610]
CacheInfo(hits=28, misses=16, maxsize=None, currsize=16)

快取示例

現在，讓我們看一個`functools.cached_property()`和`lru_cache`的完整示例：

from functools import lru_cache
from functools import cached_property

class Weather:
   "Lookup weather information on a government website"
   def __init__(self, station_id):
      self._station_id = station_id
      # The _station_id is private and immutable
   
   def current_temperature(self):
      "Latest hourly observation"
      # Do not cache this because old results
      # can be out of date.

   @cached_property
   def location(self):
      "Return the longitude/latitude coordinates of the station"
      # Result only depends on the station_id
   @lru_cache(maxsize=20)
   def historic_rainfall(self, date, units='mm'):
      "Rainfall on a given date"
      # Depends on the station_id, date, and units.

更新於：2022年9月19日

2K+ 瀏覽量

開啟你的職業生涯

透過完成課程獲得認證

開始學習
廣告