• 一行代码可以做什么?


    hello,大家好,我是 Jackpop,硕士毕业于哈尔滨工业大学,曾在华为、阿里等大厂工作,如果你对升学、就业、技术提升等有疑惑,不妨交个朋友:

    我是Jackpop,我们交个朋友吧!

    可以做的事情太多了!一行代码足以把程序的执行速度提升超过10000倍!


    缓存是一项从底层到高层都广泛应用的技术,无论是前端还是后端,有一定开发经验的程序员对缓存应该都不陌生。缓存是指可以进行高速数据交换的存储器,它先于内存与CPU交换数据,因此速率很快。

    在Python开发过程中,有一些函数的结果可能会被反复调用,如果这个函数耗时较少还无伤大雅。

    但是,如果一个函数耗时10分钟,或者频繁的发送rest请求,那么耗时就会呈现非线性上升。

    那么,对于很多开发人员抱怨的Python,是否能够通过缓存来提升它的开发效率?

    答案是肯定的!

    本文就来介绍如果利用缓存这项技术,实现1行代码提升Python执行速度。

    LRU

    不同的编程语言,会有不同 的缓存策略,例如,通过哈希映射、优先级队列等实现缓存。因此,不同的编程语言,在缓存的解决方案方面具有很大差异,可能需要几分钟,也可能需要几小时。

    但是,在Python中,标准工具包functools实现了一种名为LRU(Least Recently Used)的缓存策略,可以通过传入参数,来设定缓存最近多少次的计算结果,如果传入参数为None,那么会进行无限缓存。

    现在,为了让大家更加容易理解,先来举一个例子,

    import time as tt
    ​
    def func():
        num = 0
        for i in range(10):
            num += i
    ​
        return num
    ​
    ​
    def main():
        return func() + func() + func() + func() + func() + func() + func()
    ​
    ​
    t1 = tt.time()
    main()
    print("Time taken: {}".format(tt.time() - t1))
    # 9.05990e-6
    
    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8
    • 9
    • 10
    • 11
    • 12
    • 13
    • 14
    • 15
    • 16
    • 17
    • 18

    在这个示例中,反复的调用了func函数,总共耗时为0.009秒。

    下面,通过functools工具包下LRU缓存再跑一下,

    import time as tt
    import functools
    ​
    @functools.lru_cache(maxsize=5)
    def func():
        num = 0
        for i in range(10):
            num += i
    ​
        return num
    ​
    ​
    def main():
        return func() + func() + func() + func() + func() + func() + func()
    ​
    ​
    t1 = tt.time()
    main()
    print("Time taken: {}".format(tt.time() - t1))
    # 4.768371e-06
    
    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8
    • 9
    • 10
    • 11
    • 12
    • 13
    • 14
    • 15
    • 16
    • 17
    • 18
    • 19
    • 20

    通过数据对比,发现运行时间减少了将近50%。

    在调用lru_cache时,需要配置一个maxsize的参数,它代表着缓存最近几次的函数计算结果,如果参数为none则不进行缓存。

    通过前面的对比,会发现利用缓存机制时间差别会很大,这是由于,重复调用函数,需要反复执行计算过程,而利用缓存,我们只需要进行快速读写,不再需要重复执行计算过程,这样会节省大部分时间。

    但是,由于前面计算过程较为简单,只涉及简单的加法运算,在耗时方面给人直观的感受并不是很强烈。

    那下面在以另外斐波那契数列的例子进行对比一下。

    应该很多同学对斐波那契数列都不陌生,一个很典型的递归问题,在教材上也频繁的出现。

    由于它递归计算的过程中,还会用到之前计算的结果,因此会涉及较多的重复计算,下面先看一下正常计算的耗时情况。

    import time as tt
    ​
    def fib(n):
      if n <= 1:
        return n
      return fib(n-1) + fib(n-2)
    ​
    t1 = tt.time()
    fib(30)
    print("Time taken: {}".format(tt.time() - t1))
    # 0.2073
    
    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8
    • 9
    • 10
    • 11

    加一行@functools.lru_cache(maxsize=5) 之后,看看效果:

    import time as tt
    import functools
    ​
    @functools.lru_cache(maxsize=5)
    def fib(n):
      if n <= 1:
        return n
      return fib(n-1) + fib(n-2)
    ​
    t1 = tt.time()
    fib(30)
    print("Time taken: {}".format(tt.time() - t1))
    # 1.811981e-05
    
    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8
    • 9
    • 10
    • 11
    • 12
    • 13

    0.2073秒对比2.0981e-5秒之间差了4个量级,快了10000+倍!这样给人的直观感受应该就非常强烈了。

    在涉及一些简单运算的过程中,即便是重复计算也无伤大雅。但是,如果涉及大量数据计算或者网络请求这类耗时的计算,利用缓存机制,只需要1行代码就可以节省可观的时间。既比重复计算节省时间,也要比多余定义变量简单。


    干货

    最近,为了方便大家,我花费了半个月的时间把这几年来收集的各种技术干货整理到一起,其中内容包括但不限于Python、机器学习、深度学习、计算机视觉、推荐系统、Linux、工程化、Java,内容多达5T+,我把各个资源下载链接整理到一个文档内,目录如下:

    所有干货送给大家,希望能够点赞支持一下!

    https://pan.baidu.com/s/1eks7CUyjbWQ3A7O9cmYljA (提取码:0000)

  • 相关阅读:
    无刷电机控制基础(3)——FOC矢量控制入门
    element利用image-viewer组件实现大图预览和图片动态加载
    按位与最大的最长连续子数组
    [Model.py 01]Modification for creating terrain matrix.
    【C++】模板进阶
    治理污染要从有效防护开始,PM2.5在线监测系统
    基于nodejs+vue校园失物招领平台设计与实现
    sqlite3简单使用
    常见排序算法及其使用场景
    Linux安全加固:保护你的服务器
  • 原文地址:https://blog.csdn.net/jakpopc/article/details/125397168