對於經常調用的函數，特別是遞歸函數或計算密集的函數，記憶（緩存）返回值可以顯著提高性能。 ...
對於經常調用的函數，特別是遞歸函數或計算密集的函數，記憶（緩存）返回值可以顯著提高性能。而在 Python 里，可以使用字典來完成。
例子：斐波那契數列
下麵這個計算斐波那契數列的函數 fib() 具有記憶功能，對於計算過的函數參數可以直接給出答案，不必再計算：
fib_memo = {}
def fib(n):
if n < 2: return 1
if not n in fib_memo:
fib_memo[n] = fib(n-1) + fib(n-2)
return fib_memo[n]更進一步：包裝類
我們可以把這個操作包裝成一個類 Memory，這個類的對象都具有記憶功能：
class Memoize:
"""Memoize(fn) - 一個和 fn 返回值相同的可調用對象，但它具有額外的記憶功能。
只適合參數為不可變對象的函數。
"""
def __init__(self, fn):
self.fn = fn
self.memo = {}
def __call__(self, *args):
if not args in self.memo:
self.memo[args] = self.fn(*args)
return self.memo[args]
# 原始函數
def fib(n):
print(f'Calculating fib({n})')
if n < 2: return 1
return fib(n-1) + fib(n-2)
# 使用方法
fib = Memoize(fib)運行測試，計算兩次 fib(10)：
Calculating fib(10)
Calculating fib(9)
Calculating fib(8)
Calculating fib(7)
Calculating fib(6)
Calculating fib(5)
Calculating fib(4)
Calculating fib(3)
Calculating fib(2)
Calculating fib(1)
Calculating fib(0)
89
89可以看到第二次直接輸出 89，沒有經過計算。
再進一步：裝飾器
對裝飾器熟悉的程式員應該已經想到，這個類可以被當成裝飾器使用。在定義 fib() 的時候可以直接這樣：
@Memoize
def fib(n):
if n < 2: return 1
return fib(n-1) + fib(n-2)這和之前的代碼等價，但是更簡潔明瞭。
最後的完善
之前的 Memory 類只適合包裝參數為不可變對象的函數。原因是我們用到了字典作為存儲介質，將參數作為字典的 key；而在 Python 中的 dict 只能把不可變對象作為 key 2，例如數字、字元串、元組（裡面的元素也得是不可變對象）。所以提高代碼通用性，我們只能犧牲運行速度，將函數參數序列化為字元串再作為 key 來存儲，如下：
class Memoize:
"""Memoize(fn) - 一個和 fn 返回值相同的可調用對象，但它具有額外的記憶功能。
此時適合所有函數。
"""
def __init__(self, fn):
self.fn = fn
self.memo = {}
def __call__(self, *args):
import pickle
s = pickle.dumps(args)
if not s in self.memo:
self.memo[s] = self.fn(*args)
return self.memo[s]使用第三方庫 - joblib
除了這種手工製作的方法，有一個第三方庫 joblib 能實現同樣的功能，而且性能更好，適用性更廣。因為上文中的方法是緩存在記憶體中的，每次都要比較傳入的參數。對於很大的對象作為參數，如 numpy 數組，這種方法性能很差。而 joblib.Memory 模塊提供了一個存儲在硬碟上的 Memory 類，其用法如下：
首先定義緩存目錄：
>>> cachedir = 'your_cache_location_directory'以此緩存目錄創建一個 memory 對象：
>>> from joblib import Memory
>>> memory = Memory(cachedir, verbose=0)使用它和使用裝飾器一樣：
>>> @memory.cache
... def f(n):
... print(f'Running f({n})')
... return x以同樣的參數運行這個函數兩次，只有第一次會真正計算：
>>> print(f(1))
Running f(1)
1
>>> print(f(1))
1參考
1 http://code.activestate.com/recipes/52201/
2 https://docs.python.org/3/tutorial/datastructures.html#dictionaries
3 https://joblib.readthedocs.io/en/latest/memory.html#use-case
（本文完）
