装饰器通过封装横切逻辑提升代码复用性，如@login_required实现权限校验，@log_calls记录函数调用，@timing统计执行耗时，@lru_cache缓存结果，实现认证、日志、性能优化等功能。
Python装饰器是一种强大的语言特性，它允许你在不修改原函数代码的前提下，为函数添加额外功能。这种“包装”机制在实际开发中非常实用，广泛应用于多个场景。
权限验证与登录校验
在Web开发中，某些视图函数或API接口需要用户登录后才能访问。使用装饰器可以集中处理身份验证逻辑。
例如，Django或Flask框架中常见@login_required装饰器，判断用户是否已登录，未登录则跳转到登录页。
- 避免在每个函数内重复写if not logged_in: return redirect(...)
- 提高代码复用性和可维护性
日志记录与函数监控
当需要追踪函数调用情况时，比如记录谁在什么时候调用了哪个函数、传了什么参数、返回了什么值，装饰器是理想选择。
立即学习“Python免费学习笔记（深入）”；
你可以编写一个@log_calls装饰器，自动输出函数执行信息。
- 便于调试和排查问题
- 可用于生产环境的行为审计
- 结合性能分析，还能统计调用耗时
性能测试与耗时统计
想了解某个函数运行多久？可以用装饰器封装时间测量逻辑。
定义一个@timing装饰器，在函数执行前后记录时间差，打印执行时长。
- 无需改动业务代码即可进行性能分析
- 适合临时排查慢函数
- 可配合压测工具做优化对比
缓存结果提升性能
对于计算密集或频繁调用的纯函数，可以用装饰器实现结果缓存（Memoization）。
Python标准库中的@lru_cache就是典型例子，它可以将之前输入的结果保存起来，下次调用直接返回。
- 显著加快递归函数如斐波那契数列的执行速度
- 减少数据库或网络请求重复开销
- 适用于幂等性操作的加速
基本上就这些。装饰器本质是关注点分离——把横切逻辑（如认证、日志、性能）从核心业务中剥离出来，让代码更清晰也更容易扩展。
