如何在Python类中高效地缓存昂贵的计算结果？-Python教程-PHP中文网

Python 3.8+ 推荐用 @functools.cached_property 替代手动缓存，它线程安全、自动管理 __dict__，但仅适用于只读、不依赖可变状态的实例属性；需动态更新或带参时应改用 lru_cache。

如何在python类中高效地缓存昂贵的计算结果？

用 `@functools.cached_property` 替代手写属性缓存

Python 3.8+ 提供了开箱即用的 @cached_property，它专为类实例级别的、只读、一次性计算的属性设计。比起自己用字典存结果或手动检查 hasattr，它更安全、线程安全（CPython 中对单个实例的首次访问是原子的），且自动处理 __dict__ 的写入和删除逻辑。

常见错误是把它用在需要动态更新的属性上——@cached_property 一旦计算完成就不会再触发函数，哪怕依赖的其他属性变了；也不适合用在类方法或静态方法上，它只作用于实例绑定的属性。

必须定义在类中，不能用于普通函数或 @staticmethod/@classmethod
装饰的方法不能接受除 self 外的参数
如果属性可能被显式赋值（如 obj.attr = x），会覆盖缓存，后续访问不再触发计算——这是预期行为，不是 bug

示例：

from functools import cached_property
<p>class ExpensiveModel:
def <strong>init</strong>(self, data):
self.data = data</p><pre class="brush:php;toolbar:false;">@cached_property
def processed(self):
    print("Running heavy computation...")  # 只打印一次
    return sum(x**2 for x in self.data)

需要支持参数或可重算时，用 `functools.lru_cache` 手动管理

当你要缓存的是一个可带参的方法（比如 def get_result(self, key: str)），或者希望支持「强制刷新」，@cached_property 就不适用了。这时应把计算逻辑抽成独立的、纯函数式的实例方法，并用 @lru_cache 装饰——注意：必须确保参数是可哈希的，且方法不修改实例状态。

关键陷阱在于：直接对绑定方法（bound method）使用 @lru_cache 会导致缓存失效，因为每次访问 obj.method 都产生新对象。正确做法是将缓存放在函数内部，或用 functools.partial + 实例绑定，但更稳妥的是把缓存逻辑移到实例属性上：

361SCAN security check your skill python scripts

扫描并分析已安装技能，用于查看指定技能目录的名称、描述和详情，或列出所有已安装的技能。

下载

在 __init__ 中初始化一个缓存函数：self._compute_cached = lru_cache(maxsize=128)(self._compute_raw)
_compute_raw 必须是普通实例方法，且只依赖传入参数和 self 的不可变字段（如 ID、配置）
避免缓存依赖 self.data 这类可变对象——除非你确定它不会变，否则缓存会过期却无法感知
若需清空缓存，调用 self._compute_cached.cache_clear()

避免误用 `@property` + 手动缓存导致的竞态与内存泄漏

有人会在 @property 下手动做 if not hasattr(self, '_result'): 判断并赋值，这看似简单，但在多线程环境下有竞态风险：两个线程同时判断失败、同时执行计算、同时写入，不仅浪费资源，还可能导致中间状态污染。

更隐蔽的问题是内存泄漏：如果缓存的是大型对象（如 NumPy 数组、DataFrame），而实例长期存活但实际不再需要该结果，手动缓存不会自动释放。相比之下，@cached_property 至少语义清晰；而 lru_cache 支持 maxsize 和 typed 参数，能更好控制生命周期。