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）