《Python编程基础》课件-6.6.5函数缓存机制

函数缓存机制教学目标1.了解函数缓存机制

2.掌握实现函数缓存的基本方法

函数缓存机制（FunctionCaching），也称为记忆化（Memoization），是一种优化技术，用于存储函数调用的结果，以便在相同输入下直接返回缓存值，而非重新计算。核心概念：函数缓存：存储函数输入-输出对的机制。记忆化：特定于纯函数的缓存形式，避免副作用。1、什么是函数缓存机制及其重要性

#非缓存函数示例defcompute(x,y):#接受两个参数print("Computing...")#模拟昂贵计算returnx+y#返回结果#调用多次相同参数result1=compute(1,2)#输出"Computing..."并返回3result2=compute(1,2)#再次输出"Computing..."并返回3（无缓存，重复计算）手动实现函数缓存通过装饰器或闭包，使用字典存储结果。这涉及定义一个包装函数，检查输入是否已缓存，若是则返回缓存值，否则计算并存储。核心概念:装饰器：函数包裹原函数，实现缓存逻辑。闭包：内部函数访问外部缓存字典。哈希键：将参数转换为可哈希类型，如tuple(args,**kwargs)。2.手动实现函数缓存的基本方法#手动缓存装饰器defmanual_cache(func):#接受原函数作为参数cache={}#初始化空字典作为缓存defwrapper(*args):#包装函数，接受任意位置参数key=tuple(args)#将参数转换为元组作为键（假设无kwargs）ifkeyincache:#检查键是否已存在print("Cachehit!")#命中缓存returncache[key]#返回缓存值else:result=func(*args)#调用原函数计算cache[key]=result#存储结果到缓存print("Cachemiss!")#未命中，新增returnresult#返回新计算值returnwrapper#返回包装函数基础示例通过一个求和函数展示缓存的实际运行，可视化缓存命中与未命中的过程。核心概念:缓存命中：键存在，直接返回。缓存未命中：计算并添加新键值对。3.函数缓存的简单代码示例#简单手动缓存示例cache_dict={}#全局缓存字典（或闭包内）defcached_multiply(x,y):#缓存乘法函数key=(x,y)#创建键元组ifkeyincache_dict:#检查缓存returncache_dict[key]#命中返回result=x*y#计算结果cache_dict[key]=result#存储到缓存returnresult#返回#调用示例print(cached_multiply(3,4))#未命中，计算12并存储print(cached_multiply(3,4))#命中，直接返回12print(cache_dict)#输出缓存内容：{(3,4):12}Python的标准库functools提供lru_cache装饰器，实现高效缓存，支持最大大小和LRU（最近最少使用）淘汰策略。这比手动方法更简洁，支持类型提示和关键字参数。核心概念:functools.lru_cache：内置装饰器，自动管理缓存。maxsize：缓存最大条目，None为无限。LRU淘汰：移除最近最少使用的项。4.

使用functools.partial实现柯里化importfunctools#导入functools模块@functools.lru_cache(maxsize=128)#应用LRU缓存，最大128项deffactorial(n):#阶乘函数ifn==0orn==1:#基线条件return1returnn*factorial(n-1)#递归调用（缓存优化）#使用示例print(factorial(5))#计算并缓存中间结果print(factorial(5))#直接从缓存返回print(factorial.cache_info())#输出CacheInfo(hits=1,misses=6,maxsize=128,currsize=6)函数缓存用于递归优化、API节流和数据处理管道。例如，在斐波那契计算中，缓存避免指数级重复；在Web服务中，缓存查询结果减少数据库负载。核心概念:递归优化：存储子问题结果。API缓存：减少外部调用。。5.函数缓存机制在实际场景中的应用importfunctools#导入模块@functools.lru_cache(maxsize=None)#无限缓存deffib(n):#斐波那契函数ifn<=1:#基线returnnreturnfib(n-1)+fib(n-2)#递归#应用示例print(fib(30))#快速计算大n值，缓存所有子结果print(fib.cache_clear())#清空缓存（可选重置）lru_cache装饰器基础使用是Pythonfunctools中缓存函数结果的工具，通过maxsize限大小，确保最近使用而非依赖手动。其使用的核心在于@缓存，并在实际中基础，用于递归非依赖字典。核心概念:lru_cacheLRU缓存；基础包括maxsize；装饰器强调最近使用。6.lru_cache装饰器基础使用fromfunctoolsimportlru_cache#导入@lru_cache(maxsize=32)#装饰，限32deffib(n):#斐波returnnifn<2elsefib(n-1)+fib(n-2)#递归print(fib(10))#55，缓存中间print(fib.cache_info())#输出命中未命中，如hits=8,misses=11缓存泄漏（无限增长）和不可哈希参数（需自定义键）。常见问题：副作用函数缓存错误；线程安全（lru_cache线程安全）；过期数据。核心概念:缓存泄漏：无限缓存耗尽内存。不可哈希：自定义键处理列表等。线程安全：lru_cache内置支持。7.常见问题与最佳实践importfunctools#导入模块@functools.lru_cache(maxsize=32)#小缓存以防泄漏defrisky_func(x):#示例函数returnx*2#简单计算#问题示例：不可哈希参数try:risky_func([1,2])#报TypeError:unhashabletype:'list'exceptTypeErrorase:print(e)#处理异常#最佳实践：自定义键defhashable_key(args):#转换函数returntuple(tuple(a)ifisinstance(a,list)elseaforainargs)#