延迟加载与按需计算通过推迟执行节省资源，利用属性、生成器和cached_property实现高效优化。
在 Python 中，延迟加载（Lazy Loading）和按需计算（On-demand Computation）是一种优化策略，用于推迟对象的创建或值的计算，直到真正需要时才执行。这种方式能有效节省内存、提升程序启动速度，并避免不必要的计算。
延迟加载的基本概念
延迟加载指的是不立即初始化某个属性或数据，而是等到第一次访问时才进行加载或计算。常见于资源密集型操作，如数据库查询、大文件读取、复杂对象构建等。
例如，一个类中包含一个耗时的数据处理方法，如果用户从未调用它，就不应提前执行：
class DataLoader:
def __init__(self):
self._data = None
@property
def data(self):
if self._data is None:
print("正在加载数据...")
self._data = self._load_data()
return self._data
def _load_data(self):
# 模拟耗时操作
import time
time.sleep(2)
return [1, 2, 3, 4, 5]只有首次访问 data 属性时才会触发加载，后续直接返回缓存结果。
立即学习“Python免费学习笔记（深入）”；
使用生成器实现按需计算
Python 的生成器天然支持按需计算，特别适合处理大数据流或无限序列。
生成器函数使用 yield 返回值，每次迭代时才计算下一个元素，不会一次性加载所有数据：
def fibonacci():
a, b = 0, 1
while True:
yield a
a, b = b, a + b
使用时逐个获取，不预先计算全部
fib = fibonacci()
print(next(fib)) # 0
print(next(fib)) # 1
print(next(fib)) # 1
这种方式适用于日志行读取、大规模数据处理等场景，极大降低内存占用。
利用 functools.cached_property 缓存结果
从 Python 3.8 开始，functools.cached_property 提供了更简洁的延迟加载方式，自动缓存属性值：
from functools import cached_propertyclass ExpensiveObject: @cached_property def processed_data(self): print("执行昂贵计算...") return sum(i ** 2 for i in range(10000))
第一次访问 processed_data 时计算并缓存，之后直接返回结果，无需手动管理状态。
自定义延迟计算装饰器
可以编写一个通用的延迟计算装饰器，用于任意方法：
def lazy(func):
attr_name = '_lazy_' + func.__name__
def wrapper(instance):
if not hasattr(instance, attr_name):
setattr(instance, attr_name, func(instance))
return getattr(instance, attr_name)
return wrapperclass MyClass:
@lazy
def expensive_value(self):
print("计算中...")
return 42 * 42
这样封装后，多个方法都可以轻松实现延迟求值。
基本上就这些。延迟加载与按需计算的核心思想是“只在必要时做事”，结合属性、生成器和缓存机制，能在保持代码清晰的同时显著提升性能。
