加速新境界：通过使用一个简单的缓存功能，只需一行代码就可以加速你的功能。前一段时间，我构建了一个每天运行的ETL管道，通过从外部服务中提取数据来丰富输入数据，然后将结果加载到数据库中。随着输入数据的增加，等待外部服务器的响应变得非常耗时，这使得ETL过程越来越慢。经过一番调查，我发现与记录总数（~500k）相比，不同的输入值（~500）并不多。所以换句话说，当使用相同的参数调用外部服务时，每个参数大约重复1000次。像这样的情况是使用缓存的主要用例。缓存函数意味着每当第一次计算函数的返回值时，它的输入和结果都放在字典中。对于每个后续函数调用，首先通过查看缓存来检查是否已经计算出结果。如果在缓存中找到就完美了，不用再计算了！如果不是，则计算结果并将输入和结果存储在缓存中，以便下一个函数调用可以查找它。Python标准库带有许多鲜为人知但功能强大的包。对于此示例，将使用functools中的lru_cache。（LRU代表“LeastRecentlyUsed”，顾名思义，明确表示缓存将保留最近的输入/结果对。）从Fun(c)tools导入lru_cache将c放在括号中有点像A蹩脚的笑话，因为那时functools变成了有趣的工具（funtools），当然使用缓存很有趣！这里无需过多解释。导入lru_cache并使用它来装饰一个将生成斐波那契数列的函数。装饰函数意味着用缓存函数包装该函数，随后每当调用fib_cache函数时，都会调用缓存的函数。我们运行了一个实验来计算函数的缓存和未缓存版本计算从0到40的所有斐波那契数并将结果放入它们各自的列表所花费的时间。优胜者对于较小的Fibonacci数，两者之间没有太大区别，但是一旦达到大约30个样本，缓存功能的效率收益就会开始增加。我没有耐心运行超过40个样本的未缓存版本，因为它的运行时间是指数级的。对于缓存版本，它的运行时间只是一个线性增量。就是这样！Python缓存仅一行。毕竟没那么可怕。在最初的示例中，我对Pandas数据框使用了数据转换。值得一提的是，缓存的函数可以传递给Pandasapply而无需任何其他更改。是不是很棒？也来试试吧~
