lru_cache 是 functools 提供的 lru 缓存装饰器，用于纯函数避免重复计算；基于 ordereddict 实现 o(1) 查找与淘汰，支持 maxsize 和 typed 参数，需注意副作用、可哈希性及线程安全限制。
lru_cache 是什么，为什么用它
@lru_cache 是 Python 标准库 functools 中提供的一个装饰器，用于自动为函数添加**最近最少使用（LRU）缓存机制**。它的核心作用是：当函数被重复调用且参数相同时，直接返回之前计算过的结果，跳过实际执行，从而提升性能。
特别适合用在「纯函数」上——即相同输入永远返回相同输出、且无副作用（不修改全局变量、不读写文件、不发网络请求等）的函数。比如递归求斐波那契数、解析固定字符串、查配置表等场景。
底层原理：字典 + 双向链表 + 哈希键
LRU 缓存需要两个关键能力：快速查找（O(1)）和高效淘汰最久未用项（O(1)）。Python 的 lru_cache 通过以下方式实现：
- 内部维护一个有序字典（
OrderedDict），按访问顺序保存(key, value)对；新访问或新增时移到末尾，最久未用的总在开头 - 每次调用函数前，将参数用
hash()和repr()等方式生成唯一缓存键（key），不可哈希类型如list、dict会报错，可改用tuple或开启typed=True区分不同数值类型 - 命中缓存时，把对应 key 移到 OrderedDict 末尾（标记为“刚用过”）；容量满时，弹出开头的 key-value 对
常用用法与参数详解
基本写法很简单：
立即学习“Python免费学习笔记（深入）”；
from functools import lru_cache <p>@lru_cache(maxsize=128) # maxsize=None 表示无限制；maxsize=0 表示禁用缓存 def fib(n): if n < 2: return n return fib(n-1) + fib(n-2)
关键参数说明：
-
maxsize：缓存最多保存多少个结果，默认 128；设为
None表示不限大小（慎用，可能内存溢出）；设为0完全不缓存（但装饰器仍生效，仅用于统计） -
typed：是否区分参数类型，例如
fib(1)和fib(1.0)默认视为同一调用（因 hash 相同），设为True后会分别缓存
还可通过函数属性查看运行状态：
print(fib.cache_info()) # 返回 CacheInfo(hits=..., misses=..., maxsize=..., currsize=...) fib.cache_clear() # 清空缓存
实战注意点与避坑指南
虽然方便，但误用容易引发问题：
- 不可缓存带副作用的函数：比如函数里写了日志、修改了全局列表、调用了 time.time()，缓存后这些操作会被跳过，行为异常
-
避免缓存可变对象作为参数：如
@lru_cache修饰接收list的函数会失败（list 不可哈希），应转成tuple或改用其他缓存方案 - 线程安全但非进程安全：lru_cache 在多线程下可用（内部加了锁），但在多进程（如 multiprocessing）中各进程有独立缓存，不共享
-
递归函数慎用大 maxsize：深度递归可能快速占满缓存，建议配合
sys.setrecursionlimit()和监控cache_info()使用
一个小技巧：对类方法加缓存，需配合 @staticmethod 或把逻辑抽到模块级函数，因为默认绑定实例（self）会导致每次 self 不同而无法命中。
