全文共1291字，预计学习时长4分钟

来源：Pexels

加速新境界：通过使用简单的缓存功能，仅需一行代码即可加速你的函数。

不久前，我构建了一个日常运行的ETL管道，其通过从外部服务中抽取数据来丰富输入数据，然后将结果加载到数据库中。

随着输入数据的增加，等待外部服务器的响应变得非常费时，这使得ETL进程越来越慢。经过一番调查，我发现与总记录数（~500k）相比，并没有太多不同的输入值（~500）。

因此，换句话说，使用相同的参数调用外部服务时，每个参数大约要重复执行1000次。

像这样的情况是使用缓存的主要用例。缓存一个函数意味着无论何时首次计算函数的返回值，都会将其输入和结果放在字典中。

对于每个后续函数调用，首先通过查看缓存来检查结果是否已经计算过。如果在缓存中找到了，那就很完美，不需要再次计算！如果没有找到，就计算结果并将输入和结果存储在缓存中，以便下一个函数调用时查找到它。

Python标准库附带了许多鲜为人知但功能强大的软件包。对于本示例，将使用functools中的lru_cache。（LRU代表“最近最少使用（Least Recently Used）”，正如字面意思，这明确意味着缓存将保留最近的输入/结果对。）

从Fun（c）tools中导入lru_cache

把c放进括号中有点像一个蹩脚的笑话，因为这样functools就变成了fun tools（有趣的工具），使用缓存当然很有趣！

这里无需过多解释。导入lru_cache并用它来装饰一个函数，该函数将生成斐波那契数。

装饰函数意味着将该函数与缓存函数包装在一起，随后每当调用fib_cache函数时，都将调用缓存的函数。

比赛开始

我们进行了一个实验，计算函数的缓存和未缓存版本从0到40计算所有斐波那契数所花费的时间，并将结果放入各自的列表中。

获胜者

对于较小的斐波那契数，二者并没有什么大的区别，但是一旦达到约30个样本，缓存函数的效率增益就开始累加。

我没有耐心让未缓存的版本运行超过40个样本，因为它的运行时间是指数增长的。而对于缓存的版本，它的运行时间只是线性增量。

这就完成了！距离Python缓存仅一行代码之遥。毕竟它并没那么可怕。

在初始示例中，我在Pandas数据框上使用了数据转换。值得一提的是，缓存的函数可以传递给Pandas apply，而无需进行其它的任何更改。

来源：Pexels

是不是很棒？你也来试试吧~

留言点赞关注

我们一起分享AI学习与发展的干货

如转载，请后台留言，遵守转载规范