用 @lru_cache(maxsize=2) 限制最多缓存两条调用结果。用 cache_info() 读取命中数和未命中数,再得出命中率。缓存键由可哈希参数组成,适合相同输入应返回相同结果的函数。

配置最大缓存容量并理解淘汰机制
lru_cache 装饰器默认不限制缓存大小,可能导致内存无限增长。通过传入 maxsize 整数参数,可以指定缓存保留的最多调用结果数量。当缓存达到上限时,新调用会触发 LRU 淘汰策略,移除最久未使用的条目。注意 maxsize 的单位是“调用次数”而非字节数,且必须为大于等于 1 的整数或 None。
from functools import lru_cache
@lru_cache(maxsize=2)
def compute(x):
print(f"Computing {x}")
return x * 2
# 第一次调用:计算并缓存
print(compute(1))
# 第二次调用:计算并缓存(此时缓存满:[1, 2])
print(compute(2))
# 第三次调用:参数 1 已在缓存中,本次调用命中
print(compute(1))

使用序列验证命中与未命中分支
为了直观观察缓存行为,可以使用特定输入序列触发命中和未命中场景。假设 maxsize=2,输入序列 1, 2, 1, 3, 2 将展示完整的生命周期。首次调用 1 和 2 均产生计算;再次调用 1 时命中缓存;调用 3 时因缓存已满且 1 是最近使用的(2 更久?需仔细分析 LRU 顺序),实际淘汰的是 2;最后调用 2 时再次未命中。关键在于跟踪 cache_info 中的 hits 和 misses 变化。
from functools import lru_cache
@lru_cache(maxsize=2)
def expensive_calc(n):
return n ** 2
sequence = [1, 2, 1, 3, 2]
for num in sequence:
result = expensive_calc(num)
info = expensive_calc.cache_info()
print(f"Input: {num}, Result: {result}, CacheInfo: {info}")
预期输出中,前两次调用(1 和 2)misses 增加,hits 为 0。第三次调用 1 时,由于 1 已在缓存中,hits 加 1。第四次调用 3 时,缓存容量为 2,当前缓存项为 {1, 2}。根据 LRU 规则,最近访问顺序为 2 -> 1(因为刚访问了 1),所以最久未使用的是 2,因此 2 被替换,3 进入缓存,misses 加 1。第五次调用 2 时,2 已被淘汰,再次未命中,misses 加 1。最终 hits=1, misses=4。
得出命中率与手动清空缓存
命中率是评估缓存效果的关键指标,可通过 hits / (hits + misses) 计算。当需要重置缓存状态以重新开始测试或释放内存时,可使用 .cache_clear() 方法。该方法立即清空所有缓存条目,并将 hits 和 misses 计数器归零。在实际调试中,结合循环打印 cache_info 可以实时监控缓存效率。
from functools import lru_cache
@lru_cache(maxsize=2)
def process_data(data):
return len(data)
# 执行一些调用
process_data("a")
process_data("b")
process_data("a")
info = process_data.cache_info()
print(f"Before clear: {info}")
# 清空缓存
process_data.cache_clear()
print(f"After clear: {process_data.cache_info()}")
运行上述代码,Before clear 阶段应显示 hits=1, misses=2。调用 cache_clear() 后,再次查询 cache_info 应返回 hits=0, misses=0, currsize=0。这证明了缓存已被完全重置。注意,cache_clear() 不会删除函数本身,只清除内部缓存字典和统计信息。对于生产环境,建议定期监控 cache_info 以调整 maxsize 参数,避免频繁淘汰或内存浪费。
Python免费学习笔记(深入):立即使用
在学习笔记中,你将探索 Python 的核心概念和高级技巧!











