如何在Python中实现LRU与LFU缓存策略对比_通过functools.lru

functools.lru_cache仅实现LRU策略，不记录访问频次、无频次统计接口，且装饰器封装过深无法修改；其底层用双向链表+字典维护时序，不支持LFU所需频次维度，强行改造会破坏缓存一致性。

如何在python中实现lru与lfu缓存策略对比_通过functools.lru_cache装饰器

为什么 `functools.lru_cache` 不能直接做 LFU 对比

lru_cache 是纯 LRU（最近最少使用）策略，底层用双向链表 + 字典维护访问时序，每次 get 都把键移到链表头。它不记录访问频次，也没有暴露频次统计接口。想拿它“改”成 LFU，行不通——装饰器封装太深，缓存容器不可见，cache_info() 只返回命中/未命中/最大大小，没有频次字段。

常见误操作是试图在被装饰函数里手动计数，比如加全局字典统计参数调用次数，但这会破坏缓存一致性：缓存命中的调用不会进入函数体，计数就漏了。

用 `collections.OrderedDict` 手写 LRU 缓存（便于对比）

自己实现一个最小可用 LRU，能看清 key 的顺序变化，也方便后续改成 LFU。核心是利用 OrderedDict 的 move_to_end() 和 popitem(last=False)：

from collections import OrderedDict
<p>class LRUCache:
def <strong>init</strong>(self, maxsize=128):
self.cache = OrderedDict()
self.maxsize = maxsize</p><pre class="brush:php;toolbar:false;">def get(self, key):
    if key not in self.cache:
        return None
    self.cache.move_to_end(key)  # 移到末尾表示最近使用
    return self.cache[key]

def put(self, key, value):
    if key in self.cache:
        self.cache.move_to_end(key)
    elif len(self.cache) >= self.maxsize > 0:
        self.cache.popitem(last=False)  # 删除最久未用（开头）
    self.cache[key] = value

注意 maxsize=0 表示无限制，但 OrderedDict 仍会记录插入顺序；而 lru_cache(maxsize=0) 实际禁用缓存
手动实现的 LRU 在并发读写时需加锁，lru_cache 内部已用线程锁保护，这点别忽略

LFU 必须额外维护频次，不能只靠顺序

LFU 要淘汰访问次数最少、且在次数相同时最久未用的项。这意味着至少要存两个维度：频次 + 最近访问时间。一种轻量做法是用 defaultdict(int) 记频次，再用 OrderedDict 按“频次+时间”复合排序——但 Python 没法动态重排 OrderedDict 键顺序，所以更稳的方式是用列表或堆。

简单可运行的 LFU 示例（非生产级，但逻辑清晰）：

Python Hardener

通过完整的安全审查、代码整洁重构、健壮的错误处理、正确的日志记录以及完整的文档字符串覆盖，强化 Python 脚本。

下载

from collections import defaultdict, OrderedDict
<p>class LFUCache:
def <strong>init</strong>(self, maxsize=128):
self.cache = {}           # key → value
self.freq = defaultdict(int)  # key → count
self.freq_keys = defaultdict(OrderedDict)  # freq → {key: None}，按访问时间序
self.min_freq = 0
self.maxsize = maxsize</p><pre class="brush:php;toolbar:false;">def get(self, key):
    if key not in self.cache:
        return None
    freq = self.freq[key]
    # 从旧频次桶中移除
    del self.freq_keys[freq][key]
    if not self.freq_keys[freq]:
        del self.freq_keys[freq]
        if self.min_freq == freq:
            self.min_freq += 1
    # 频次+1，加入新桶末尾（表示最新访问）
    self.freq[key] += 1
    self.freq_keys[self.freq[key]][key] = None
    return self.cache[key]

def put(self, key, value):
    if self.maxsize = self.maxsize:
        # 删除 min_freq 桶中最久未用的 key（OrderedDict 头部）
        old_key = next(iter(self.freq_keys[self.min_freq]))
        del self.cache[old_key]
        del self.freq[old_key]
        del self.freq_keys[self.min_freq][old_key]
        if not self.freq_keys[self.min_freq]:
            del self.freq_keys[self.min_freq]
    self.cache[key] = value
    self.freq[key] = 1
    self.freq_keys[1][key] = None
    self.min_freq = 1

这里的关键点是：freq_keys 每个频次对应一个 OrderedDict，保证同频次下按访问时间淘汰最老的；min_freq 动态跟踪当前最低频次，避免每次扫描全量。