Библиотека питониста | Python, Django, Flask

🔖 Это база: секрет Python, который ускорит ваш код в миллионы раз

✅ lru_cache — декоратор для кеширования результатов функций. Повторные вызовы с теми же аргументами не вычисляются заново — это ускоряет код в разы.

Пример:

from functools import lru_cache

@lru_cache(maxsize=128)
def fibonacci(n):
    if n < 2:
        return n
    return fibonacci(n - 1) + fibonacci(n - 2)

print(fibonacci(30))  # Выводит: 832040
print(fibonacci.cache_info())  # Статистика кеша

С lru_cache результаты сохраняются в кеше и повторно используются, что ускоряет выполнение.

🚩 Возможные применения:
— Рекурсивные функции
— Повторяющиеся запросы к базе данных
— Повторные API-запросы

Пример:

import requests
from functools import lru_cache

@lru_cache(maxsize=32)
def get_weather(city):
    response = requests.get(f"https://api.weather.com/data?city={city}")
    return response.json()

print(get_weather("New York"))  # Первый вызов
print(get_weather("New York"))  # Кешированный ответ

🚩 Как работает lru_cache

lru_cache хранит результаты в словаре и отслеживает порядок использования через двусвязный список. Когда кеш переполнен, удаляется наименее недавно использованный элемент.

✅ Настройка размера кеша

Параметр maxsize позволяет регулировать размер кеша:
— None — неограниченный размер кеша
— Число — ограничение на количество записей в кеше

Пример:

@lru_cache(maxsize=256)
def expensive_computation(x, y):
    return x * x + y * y   

✅ Обработка изменяемых аргументов

Все аргументы функции должны быть хешируемыми. Если функция использует изменяемые типы, их нужно преобразовать в неизменяемые.

Пример:

@lru_cache(maxsize=32)
def process_data(data_tuple):
    return sum(data_tuple)

data = [1, 2, 3, 4]
print(process_data(tuple(data)))  # Преобразуем список в кортеж

✅ Очистка кеша

Для этого можно использовать метод cache_clear().

Пример:

expensive_computation.cache_clear()

🚩 Преимущества:
— Ускорение работы функций
— Легкость внедрения с @lru_cache
— Поддерживает статистику

🚩 Недостатки:
— Возможен рост потребления памяти при maxsize=None
— Поддерживаются только хешируемые аргументы

Библиотека питониста #буст

Please open Telegram to view this post

VIEW IN TELEGRAM

👍11❤2❤‍🔥1⚡1

www.tgoop.com/pyproglib/6620

3.27K viewsApr 14 at 06:50

🔖 Это база: секрет Python, который ускорит ваш код в миллионы раз

✅ lru_cache — декоратор для кеширования результатов функций. Повторные вызовы с теми же аргументами не вычисляются заново — это ускоряет код в разы.

Пример:

from functools import lru_cache

@lru_cache(maxsize=128)
def fibonacci(n):
    if n < 2:
        return n
    return fibonacci(n - 1) + fibonacci(n - 2)

print(fibonacci(30))  # Выводит: 832040
print(fibonacci.cache_info())  # Статистика кеша

import requests
from functools import lru_cache

@lru_cache(maxsize=32)
def get_weather(city):
    response = requests.get(f"https://api.weather.com/data?city={city}")
    return response.json()

print(get_weather("New York"))  # Первый вызов
print(get_weather("New York"))  # Кешированный ответ

@lru_cache(maxsize=256)
def expensive_computation(x, y):
    return x * x + y * y   

@lru_cache(maxsize=32)
def process_data(data_tuple):
    return sum(data_tuple)

data = [1, 2, 3, 4]
print(process_data(tuple(data)))  # Преобразуем список в кортеж

expensive_computation.cache_clear()