加速新境界：通过使用简单的缓存功能，仅需一行代码即可加速你的函数。
不久前，我构建了一个日常运行的ETL管道，其通过从外部服务中抽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费时，这使得ETL进程越来越慢。经过一番调查，我发现与总记录数(~500k)相比，并没有太多不同的输入值(~500)。
因此，换句话说，使用相同的参数调用外部服务时，每个参数大约要重复执行1000次。
像这样的情况是使用缓存的主要用例。缓存一个函数意味着无论何时首次计算函数的返回值，都会将其输入和结果放在字典中。
对于每个后续函数调用，首先通过查看缓存来检查结果是否已经计算过。如果在缓存中找到了，那就很完美，不需要再次计算!如果没有找到，就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时查找到它。
Python标准库附带了许多鲜为人知但功能强大的软件包。对于本示例，将使用functools中的lru_cache。(LRU代表“最近最少使用(Least Recently Used)”，正如字面意思，这明确意味着缓存将保留最近的输入/结果对。)
从Fun(c)tools中导入lru_cache
把c放进括号中有点像一个蹩脚的笑话，因为这样functools就变成了fun tools(有趣的工具)，使用缓存当然很有趣!
这里无需过多解释。导入lru_cache并用它来装饰一个函数，该函数将生成斐波那契数。
装饰函数意味着将该函数与缓存函数包装在一起，随后每当调用fib_cache函数时，都将调用缓存的函数。
比赛开始
我们进行了一个实验，计算函数的缓存和未缓存版本从0到40计算所有斐波那契数所花费的时间，并将结果放入各自的列表中。
获胜者
对于较小的斐波那契数，二者并没有什么大的区别，但是一旦达到约30个样本，缓存函数的效率增益就开始累加。
我没有耐心让未缓存的版本运行超过40个样本，因为它的运行时间是指数增长的。而对于缓存的版本，它的运行时间只是线性增量。
这就完成了!距离Python缓存仅一行代码之遥。毕竟它并没那么可怕。
在初始示例中，我在Pandas数据框上使用了数据转换。值得一提的是，缓存的函数可以传递给Pandas apply，而无需进行其它的任何更改。
是不是很棒?你也来试试吧~
