⚡ functools.lru_cache로 함수 속도 100배 UP!

⚡ functools.lru_cache로 함수 속도 100배 UP!

lru_cache는 캐싱(memoization)을 자동으로 적용해 함수의 중복 호출 시간을 줄여줍니다. 연산이 무거운 함수에 이 데코레이터만 붙여도 성능 극적 향상이 가능합니다.

✅ 1. 기본 적용 방법

from functools import lru_cache

@lru_cache(maxsize=128)
def fib(n):
    if n < 2:
        return n
    return fib(n-1) + fib(n-2)

print(fib(30))  # 빠른 계산 완료!
print(fib.cache_info())
# CacheInfo(hits=28, misses=31, maxsize=128, currsize=31)

• 📈 피보나치 같은 재귀 함수에 특히 효과적.
• cache_info()는 히트율, miss 수, 캐시 크기 등 성능 지표 제공.

✅ 2. 캐시 크기 조정과 캐시 비우기

@lru_cache(maxsize=None)  # 무제한 캐시
def heavy_calc(x):
    # 가벼운 흉내
    return x ** 2

print(heavy_calc(10))
heavy_calc.cache_clear()

• 🛠 캐싱 크기를 조절해 메모리 사용과 속도 사이 밸런스 설정.
• cache_clear()로 캐시 초기화 가능.

✅ 3. 키로 사용되는 인자 타입 주의사항

@lru_cache()
def concat(a, b):
    return f"{a}-{b}"

print(concat("A", "B"))  # OK
# concat([1,2], [3,4])  # TypeError: unhashable type: 'list'

• ⚠ 인자는 **해시 가능해야(hashable)** 하며, 리스트/딕셔너리 같은 mutable 타입 사용 불가.
• 📝 튜플이나 frozenset 등으로 변환해 안전하게 캐싱 가능.

✅ 4. 데코레이터 조합 예: 캐싱 + 로깅

from functools import lru_cache, wraps

def log(func):
    @wraps(func)
    def wrapper(*args, **kwargs):
        print(f"[LOG] Calling {func.__name__}{args}")
        return func(*args, **kwargs)
    return wrapper

@log
@lru_cache(maxsize=32)
def factorial(n):
    return 1 if n < 2 else n * factorial(n-1)

print(factorial(5))
print(factorial.cache_info())

• 데코레이터 순서에 따라 로깅 시점과 캐싱 대상이 달라지니 주의!

✅ 5. 실제 성능 테스트 비교

import timeit

setup = """
from functools import lru_cache
@lru_cache()
def fib(n):
    return n if n < 2 else fib(n-1) + fib(n-2)
"""

t_cached = timeit.timeit("fib(30)", setup=setup, number=10)
t_nocache = timeit.timeit("""
def fib2(n):
    return n if n < 2 else fib2(n-1) + fib2(n-2)
fib2(30)
""", number=10)

print("With lru_cache:", t_cached)
print("Without cache:", t_nocache)

• 🔎 실제 벤치마크로 캐싱 전후 시간 비교.
• 재귀 없이 루프형 함수에도 적용해 볼 수 있으니 **전략적 활용**이 중요!

✨ 요약 & 활용 팁

• lru_cache()만 붙이면 재귀나 반복 함수 속도 대폭 개선!
• 캐시 사용량과 히트율을 확인하며 **maxsize 조절** 가능
• 인자 타입은 반드시 **hashable**해야 함
• 여러 데코레이터 조합 시 **순서와 의도 이해** 중요
• 성능 테스트로 효과 검증, 실제 시스템 적용 시 유용