Python的LRU缓存

的操作我有下面的代码：Python的LRU缓存

def sharpe(self): 
    return (self.weighted_returns()/self.weighted_returns().std())*np.sqrt(252)

凡self.weighted_returns()有@lru_cache(maxsize=None)装饰。

将self.weighted_returns()计算一次还是两次？

来源

2016-08-29 cjm2671

我不确定你在问什么。你知道'lru_cache'的功能吗？如果是这样你对什么感到困惑？ –

为什么你甚至为此使用lru_cache，为什么不把计算缓存到实例本身呢？ –

我看不出为什么它应该被调用两次。它是在同一条线上，但呼叫是按照严格的顺序进行评估的。 – janbrohl

您可以使用functools.lru_cache。但是如果你只缓存self的计算，并且该函数不使用参数，那么这是一种矫枉过正的行为。

相反，我会从金字塔偷懒reify装饰：

class reify(object): 
    def __init__(self, wrapped): 
     self.wrapped = wrapped 
     update_wrapper(self, wrapped) 

    def __get__(self, inst, objtype=None): 
     if inst is None: 
      return self 
     val = self.wrapped(inst) 
     setattr(inst, self.wrapped.__name__, val) 
     return val

，并将其用于weighted_returns，把它变成一个懒洋洋地计算属性：

@reify 
def weighted_returns(self): 
    # calculate the returns using self normally 
    return returns

然后你的计算会

self.weighted_returns/self.weighted_returns.std() * np.sqrt(252)

（注意缺乏paren论文）。

与functools.lru_cache(maxsize=None)不同，它会保留一个无限大小的字典（在杀死程序之前它会增加大小），reify装饰器将计算结果缓存到实例本身。如果实例是垃圾收集的，那么它的缓存加权回报也是如此。

来源

2016-08-29 17:06:50

Python的LRU缓存

回答

相关问题