当前位置：网站首页>一行代碼可以做什麼？

一行代碼可以做什麼？

2022-06-21 21:15:00 【InfoQ】

hello，大家好，我是 Jackpop，碩士畢業於哈爾濱工業大學，曾在華為、阿裏等大廠工作，如果你對昇學、就業、技術提昇等有疑惑，不妨交個朋友：

我是Jackpop，我們交個朋友吧！

可以做的事情太多了！一行代碼足以把程序的執行速度提昇超過10000倍！

緩存是一項從底層到高層都廣泛應用的技術，無論是前端還是後端，有一定開發經驗的程序員對緩存應該都不陌生。緩存是指可以進行高速數據交換的存儲器，它先於內存與CPU交換數據，因此速率很快。

在Python開發過程中，有一些函數的結果可能會被反複調用，如果這個函數耗時較少還無傷大雅。

但是，如果一個函數耗時10分鐘，或者頻繁的發送rest請求，那麼耗時就會呈現非線性上昇。

那麼，對於很多開發人員抱怨的Python，是否能够通過緩存來提昇它的開發效率？

答案是肯定的！

本文就來介紹如果利用緩存這項技術，實現1行代碼提昇Python執行速度。

LRU

不同的編程語言，會有不同的緩存策略，例如，通過哈希映射、優先級隊列等實現緩存。因此，不同的編程語言，在緩存的解决方案方面具有很大差异，可能需要幾分鐘，也可能需要幾小時。

但是，在Python中，標准工具包functools實現了一種名為LRU(Least Recently Used)的緩存策略，可以通過傳入參數，來設定緩存最近多少次的計算結果，如果傳入參數為None，那麼會進行無限緩存。

現在，為了讓大家更加容易理解，先來舉一個例子，

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(&quot;Time taken: {}&quot;.format(tt.time() - t1))
# 9.05990e-6

在這個示例中，反複的調用了func函數，總共耗時為0.009秒。

下面，通過functools工具包下LRU緩存再跑一下，

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(&quot;Time taken: {}&quot;.format(tt.time() - t1))
# 4.768371e-06

通過數據對比，發現運行時間减少了將近50%。

在調用lru_cache時，需要配置一個maxsize的參數，它代錶著緩存最近幾次的函數計算結果，如果參數為none則不進行緩存。

通過前面的對比，會發現利用緩存機制時間差別會很大，這是由於，重複調用函數，需要反複執行計算過程，而利用緩存，我們只需要進行快速讀寫，不再需要重複執行計算過程，這樣會節省大部分時間。

但是，由於前面計算過程較為簡單，只涉及簡單的加法運算，在耗時方面給人直觀的感受並不是很强烈。

那下面在以另外斐波那契數列的例子進行對比一下。

應該很多同學對斐波那契數列都不陌生，一個很典型的遞歸問題，在教材上也頻繁的出現。

由於它遞歸計算的過程中，還會用到之前計算的結果，因此會涉及較多的重複計算，下面先看一下正常計算的耗時情况。

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(&quot;Time taken: {}&quot;.format(tt.time() - t1))
# 0.2073

加一行@functools.lru_cache(maxsize=5) 之後，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(&quot;Time taken: {}&quot;.format(tt.time() - t1))
# 1.811981e-05

0.2073秒對比2.0981e-5秒之間差了4個量級，快了10000+倍！這樣給人的直觀感受應該就非常强烈了。

在涉及一些簡單運算的過程中，即便是重複計算也無傷大雅。但是，如果涉及大量數據計算或者網絡請求這類耗時的計算，利用緩存機制，只需要1行代碼就可以節省可觀的時間。既比重複計算節省時間，也要比多餘定義變量簡單。