緩存是一項從底層到高層都廣泛應用的技術，無論是前端還是後端，有一定開發經驗的程序員對緩存應該都不陌生。緩存是指可以進行高速數據交換的存儲器，它先於內存與CPU交換數據，因此速率很快。
在Python開發過程中，有一些函數的結果可能會被反復調用，如果這個函數耗時較少還無傷大雅。
但是，如果一個函數耗時10分鐘，或者頻繁的發送rest請求，那麼耗時就會呈現非線性上升。
那麼，對於很多開發人員抱怨的Python，是否能夠通過緩存來提升它的開發效率？
答案是肯定的！
本文就來介紹如果利用緩存這項技術，實現1行代碼提升Python執行速度。
不同的編程語言，會有不同 的緩存策略，例如，通過哈希映射、優先級隊列等實現緩存。因此，不同的編程語言，在緩存的解決方案方面具有很大差異，可能需要幾分鐘，也可能需要幾小時。
但是，在Python中，標准工具包functools實現了一種名為LRU(Least Recently Used)的緩存策略，可以通過傳入參數，來設定緩存最近多少次的計算結果，如果傳入參數為None，那麼會進行無限緩存。
現在，為了讓大家更加容易理解，先來舉一個例子，
import time as tt
def func():
num = 0
for i in range(10):
num += i
return num
def main():
return func() + func() + func() + func() + func() + func() + func()
t1 = tt.time()
main()
print("Time taken: {}".format(tt.time() - t1))
# 9.05990e-6在這個示例中，反復的調用了func函數，總共耗時為0.009秒。
下面，通過functools工具包下LRU緩存再跑一下，
import time as tt
import functools
@functools.lru_cache(maxsize=5)
def func():
num = 0
for i in range(10):
num += i
return num
def main():
return func() + func() + func() + func() + func() + func() + func()
t1 = tt.time()
main()
print("Time taken: {}".format(tt.time() - t1))
# 4.768371e-06通過數據對比，發現運行時間減少了將近50%。
在調用lru_cache時，需要配置一個maxsize的參數，它代表著緩存最近幾次的函數計算結果，如果參數為none則不進行緩存。
通過前面的對比，會發現利用緩存機制時間差別會很大，這是由於，重復調用函數，需要反復執行計算過程，而利用緩存，我們只需要進行快速讀寫，不再需要重復執行計算過程，這樣會節省大部分時間。
但是，由於前面計算過程較為簡單，只涉及簡單的加法運算，在耗時方面給人直觀的感受並不是很強烈。
那下面在以另外斐波那契數列的例子進行對比一下。
應該很多同學對斐波那契數列都不陌生，一個很典型的遞歸問題，在教材上也頻繁的出現。
由於它遞歸計算的過程中，還會用到之前計算的結果，因此會涉及較多的重復計算，下面先看一下正常計算的耗時情況。
import time as tt
def fib(n):
if n <= 1:
return n
return fib(n-1) + fib(n-2)
t1 = tt.time()
fib(30)
print("Time taken: {}".format(tt.time() - t1))
# 0.2073下面，在利用LRU對它進行加速，看一下效果，
import time as tt
import functools
@functools.lru_cache(maxsize=5)
def fib(n):
if n <= 1:
return n
return fib(n-1) + fib(n-2)
t1 = tt.time()
fib(30)
print("Time taken: {}".format(tt.time() - t1))
# 1.811981e-050.2073秒對比2.0981e-5秒之間差了4個量級，這樣給人的直觀感受應該就非常強烈了。
在涉及一些簡單運算的過程中，即便是重復計算也無傷大雅。但是，如果涉及大量數據計算或者網絡請求這類耗時的計算，利用緩存機制，只需要1行代碼就可以節省可觀的時間。既比重復計算節省時間，也要比多余定義變量簡單。
【python學習】
學Python的伙伴,歡迎加入新的交流【君羊】：1020465983
一起探討編程知識,成為大神,群裡還有軟件安裝包，實戰案例、學習資料
