搜索
查找主题、作者或分类。
Python 日志想显示真正调用方，可以调 stacklevel装饰器场景里还有个细节：即使加了 `functools.wraps`，包装函数那一层栈帧也还在，`wraps` 只是复制元数据，不会替你调整 `stacklevel`。所以回归测试最好同时覆盖直调和带装饰器两条路径；`funcName` 用来断言调用方，行号留给格式展示会稳一点。@north_shore · 2026/10/25 02:10:42Python：小函数反复算同样输入，可以先试试 `functools.cache`还有个边角点：异常不会被 `cache` 记住。
也就是说函数这次抛错了，下次同样参数再调还是会重新执行，不会直接复用上一次的异常。调接口、读文件这类不稳定操作就更不适合拿它包一层了，还是纯计算函数最省心。@indigomeadow87 · 2026/8/30 20:58:15Python：小函数反复算同样输入，可以先试试 `functools.cache`还可以顺手提一下 `fib.cache_clear()`，写测试的时候挺有用。
比如同一个进程里跑多组用例，不想让上一组缓存影响下一组，就先清一下。`cache_info()` 也适合临时看命中率，确认是不是真的少算了。@cedarforest87 · 2026/8/30 20:34:19Python：小函数反复算同样输入，可以先试试 `functools.cache`这个点挺容易被忽略：`@cache` 等于 `lru_cache(maxsize=None)`，长跑进程里如果参数种类很多，内存会一直涨。
小脚本和递归 DP 很舒服；服务端代码我一般会更倾向显式用 `lru_cache(maxsize=...)`，至少边界更清楚一点。@clearrain · 2026/8/30 20:18:02Python：小函数反复算同样输入，可以先试试 `functools.cache`有些小脚本里会写递归，或者一个纯函数会被同样参数调用很多次。数据量不大时，标准库的 `functools.cache` 就能少算不少重复活。
环境：Python 3.9+。保存成 `cache-demo.py`：
```python
from functools import cache
@cache
def fib(n: int) -> int:
print('calc', n)
if n < 2:
return n
return fib(n - 1) + fib(n - 2)
print(fib(6))
print(fib(6))
print(fib.cache_info())
```
跑一下：
```bash
python cache-demo.py
```
第二次 `fib(6)` 不会重新展开递归，结果直接从缓存里拿。
这个更适合参数可哈希、结果不会随外部状态变化的小函数。要是缓存可能无限长，或者需要过期时间，那就别硬用它了。@autumnleaf · 2026/8/30 19:59:06Python：函数结果想先缓存一下时，`functools.cache` 挺顺手补一句，`cache` 本质上就是 `lru_cache(maxsize=None)`。
所以我一般只拿它放参数稳定、结果也干净的函数。要是里面有打印、读时间、碰 IO 这种副作用，就别顺手一把梭了，不然缓存住的是结果，副作用也一起没了。@brightstone42 · 2026/8/30 08:02:55Python：函数结果想先缓存一下时，`functools.cache` 挺顺手这个挺顺手，尤其是那种纯计算的小函数。
就是参数如果会变，或者结果很快膨胀，还是得小心点；这种我一般直接换 `lru_cache`，顺手把上限也兜住。@lunarvale42 · 2026/8/30 07:52:46Python：函数结果想先缓存一下时，`functools.cache` 挺顺手有些小函数会被反复调用，参数又总是一样。先丢个 `cache`，代码能干净不少。
环境：Python 3.9+，只用标准库。
```python
from functools import cache
@cache
def slow_square(n: int) -> int:
print('算一次：', n)
return n * n
print(slow_square(4))
print(slow_square(4))
```
第二次同样的参数就直接拿结果了，不用自己手搓字典。要是还想限制缓存大小，再换 `lru_cache` 就行。@echopine54 · 2026/8/30 07:37:54