function_caching.rst

Caching de Funciones

El caching de funciones permite almacenar el valor de retorno de una función dependiendo de los argumentos de entrada. Puede ahorrar tiempo cuando una determinada función es llamada con los mismos argumentos de entrada una y otra vez. En versiones anteriores a Python 3.2, teníamos que implementarlo a mano, pero de Python 3.2 en adelante, tenemos un decorador lry_cache que permite almacenar y eliminar el caché de retorno de una determinada función.

Nota: Si tienes alguna duda sobre el uso de las funciones en Python, te recomendamos este post

Veamos como se puede hacer en diferentes versiones de Python.

Python 3.2+

Vamos a implementar una función que calcule la sucesión de Fibonacci usando lru_cache.

from functools import lru_cache

@lru_cache(maxsize=32)
def fib(n):
    if n < 2:
        return n
    return fib(n-1) + fib(n-2)

>>> print([fib(n) for n in range(10)])
# Salida: [0, 1, 1, 2, 3, 5, 8, 13, 21, 34]

El argumento maxsize indica a lru_cache el número de valores de retorno a almacenar en caché.

Podemos fácilmente limpiar el caché usando:

fib.cache_clear()

Python 2+

En Python 2+, existen un par de formas de conseguir el mismo efecto. Puedes crear crear tú mismo el mecanismo de caché, que dependerá de tus necesidades. Aquí te mostramos un ejemplo genérico. Se crea un decorador que aplicado a una función hace que al llamarla se busque en memo por los argumentos de entrada. Si no se encuentran, llama a la función y los almacena.

from functools import wraps

def memoize(function):
    memo = {}
    @wraps(function)
    def wrapper(*args):
        try:
            return memo[args]
        except KeyError:
            rv = function(*args)
            memo[args] = rv
            return rv
    return wrapper

@memoize
def fibonacci(n):
    if n < 2: return n
    return fibonacci(n - 1) + fibonacci(n - 2)

fibonacci(25)

Nota: memoize no funcionará con tipos mutables (o unhashable) (diccionarios, listas, etc...). Sólo funcionará con tipos inmutables, así que ten esto en cuenta.

En el siguiente enlace tienes un artículo de Caktus Group en el que encuentran un fallo en Django debido al uso de lru_cache. Es bastante interesante, échale un vistazo.