lru_cache总结

标签：self   性能   演示   多重   class   举例   访问   none   算法   

什么是缓存机制

　　缓存是介于应用程序和物理数据源之间，其作用是为了降低应用程序对物理数据源访问的频次，从而提高了应用的运行性能。缓存内的数据是对物理数据源中的数据的复制，应用程序在运行时从缓存读写数据，在特定的时刻或事件会同步缓存和物理数据源的数据。

为什么要用缓存机制

　　目的就是为了降低数据源访问的频次，提高运行性能，例如在制作斐波那契数列这道算法题，有很多重复的数据，在使用适当的缓存机制，可以直接从缓存当中取，可以加快运行效率，拜托超时的烦恼。

如何运用lru_cache

　　在 Python的3.2版本中，引入了一个非常优雅的缓存机器，即 functool 模块中的 lru_cache 装饰器。如果要在 python2 中使用 lru_cahce 需要安装 functools32。使用方式如下：

import functools

@functools.lru_cache
def fun(MaxSize):
	pass

简单测试

这里用一个简单的示例演示 lru_cache 效果：

import functools
@functools.lru_cache(None)
def add(x, y):
    print("经过函数计算：%s + %s" % (x, y))
    return x + y
    
print(add(2,2))
print(add(2,2))
print(add(2,3))

输出结果：

经过函数计算：2 + 2
4
4
经过函数计算：2 + 3
5

举例

假设你正在爬楼梯。需要 n 阶你才能到达楼顶。

每次你可以爬 1 或 2 个台阶。你有多少种不同的方法可以爬到楼顶呢？

注意：给定 n 是一个正整数。

示例 1：

输入： 2
输出： 2
解释： 有两种方法可以爬到楼顶。
1.  1 阶 + 1 阶
2.  2 阶

示例 2：

输入： 3
输出： 3
解释： 有三种方法可以爬到楼顶。
1.  1 阶 + 1 阶 + 1 阶
2.  1 阶 + 2 阶
3.  2 阶 + 1 阶

代码如下：

import functools
class Solution:
    @functools.lru_cache(100)
    def climbStairs(self, n: int) -> int:
        if n == 1: return 1
        if n == 2: return 2
        return self.climbStairs(n-1) + self.climbStairs(n-2)

lru_cache总结

标签：self   性能   演示   多重   class   举例   访问   none   算法   

原文地址：https://www.cnblogs.com/Lance-WJ/p/13562010.html