@lru_cache装饰器过多的缓存丢失

Question

如何配置lru_cache，以根据实际接收的值，而不是如何调用函数，来键入其缓存？

>>> from functools import lru_cache
>>> @lru_cache
... def f(x=2):
...     print("reticulating splines...")
...     return x ** 2
...
>>> f()
reticulating splines...
4
>>> f(2)
reticulating splines...
4
>>> f(x=2)
reticulating splines...
4

换句话说，上面的第一个调用应该是缓存丢失，另外两个应该是缓存命中。

Answer 1

要做到这一点，您必须经历将参数绑定到形式参数的过程。这样做的实际过程是在没有公共接口的C代码中实现的，但是在inspect中有一个(慢得多的)重新实现。这比正常使用functools.lru_cache慢了大约100倍：

import functools
import inspect

def mycache(f=None, /, **kwargs):
    def inner(f):
        sig = inspect.signature(f)
        f = functools.lru_cache(**kwargs)(f)
        @functools.wraps(f)
        def wrapper(*args, **kwargs):
            bound = sig.bind(*args, **kwargs)
            bound.apply_defaults()
            return f(*bound.args, **bound.kwargs)
        return wrapper
    if f:
        return inner(f)
    return inner

@mycache
def f(x):
    print("reticulating splines...")
    return x ** 2

如果这种方法的性能损失太大，您可以使用以下技巧，它需要更多的代码复制，但运行速度要快得多，仅比通常使用lru_cache慢约2倍(有时使用关键字参数，速度更快)：

@functools.lru_cache
def _f(x):
    print("reticulating splines...")
    return x ** 2

def f(x=2):
    return _f(x)

这使用更快的C级参数绑定来规范对回忆录助手函数的调用，但需要重复函数的参数3次:一次在外部函数的签名中，一次在助手的签名中，一次在对助手的调用中。