@lru_cache适用于纯函数的性能优化，基于LRU策略缓存结果；需满足参数可哈希、无副作用、不依赖外部状态，并合理设置maxsize以防内存膨胀。
@lru_cache 是 Python 标准库 functools 中提供的轻量级函数结果缓存装饰器，适用于**纯函数**（即相同输入总返回相同输出、无副作用）的性能优化场景。它基于最近最少使用（LRU）策略管理缓存，避免重复计算，尤其对递归、高频调用或耗时计算类函数效果显著。
什么时候该用 @lru_cache？
以下情况建议启用：
- 函数被频繁调用，且参数组合有限（如斐波那契数列、树形结构遍历、解析固定格式字符串）
- 函数内部有较重计算（如数值迭代、小规模查表、正则匹配预处理）但不涉及 I/O、全局状态或随机性
- 你已确认函数是纯的——不修改外部变量、不依赖时间/文件/网络等外部状态
- 内存可控：缓存容量默认不限（
maxsize=None），但实际应设合理上限（如@lru_cache(maxsize=128)）防止内存膨胀
基础用法与常见配置
最简写法：
from functools import lru_cache
@lru_cache()
def fib(n):
if n
return n
return fib(n-1) + fib(n-2)
立即学习“Python免费学习笔记（深入）”；
关键参数说明：
-
maxsize：缓存最大条目数。设为None表示无限制；设为整数（如128）启用 LRU 驱逐；设为0相当于禁用缓存（仅用于调试开关） -
typed：是否区分参数类型（如fib(1)和fib(1.0)是否视为不同调用）。默认False；设为True可提升类型敏感场景的准确性，但略增开销
必须注意的限制和陷阱
@lru_cache 不是万能加速器，踩坑点包括：
-
不可缓存可变参数：若函数接受
list、dict等可变对象作为参数，会直接报TypeError: unhashable type。解决方法是转成tuple或frozenset，或改用其他缓存方案（如functools.cached_property或手动字典缓存） - 不跟踪内部状态变化：若函数依赖外部变量（如全局计数器、配置字典），缓存结果可能过期却不会自动更新
-
线程安全但非进程安全：同一进程中多线程共享缓存，但多进程间不共享——需用
multiprocessing.Manager或 Redis 等外部缓存替代 - 无法缓存异常：抛出异常的调用不会被缓存，每次都会重新执行
查看和管理缓存状态
装饰后函数会新增两个实用方法：
-
func.cache_info()：返回命名元组CacheInfo(hits, misses, maxsize, currsize)，可用于监控命中率 -
func.cache_clear()：清空当前缓存，适合在配置变更、数据刷新后手动重置
例如：
print(fib.cache_info()) # CacheInfo(hits=98, misses=10, maxsize=128, currsize=10)
fib.cache_clear()
