memoize/cache函数调用结果
memop的Python项目详细描述
存储函数调用的结果，以便具有相同参数的后续调用不必重做工作。
这种记忆过去结果的策略只有在“纯功能”下才是完全正确的。纯函数（https://en.wikipedia.org/wiki/Pure_function）是在使用相同参数运行时始终返回相同结果的函数。它们不应该有任何副作用（例如修改全局变量、写入外部数据库），也不应该依赖于参数之外的任何东西（例如随机数生成器、从外部数据库读取）。通常，任何数学定义的函数（斐波那契、阶乘、正弦、余弦等）都是纯函数。
但是memopy在不需要完全正确性的情况下也可以用于不纯洁的函数。例如，它可用于将网络调用的结果缓存到外部api，以避免重复昂贵的网络请求（但当需要获得最新的完整信息时，应清除缓存）。
使用
导入memoify decorator:
from memopy.memopy import memoify
将memoifydecorator应用于函数，以将该函数转换为备注函数：
@memoify
def multiply(x, y):
return x * y
使用相同参数对multiply的后续调用不会执行乘法，而是查找过去的答案。
乘法并不是一个典型的用例，所以看看一个函数，它在很多情况下都是在同一个参数上重用的：
@memoify
def fibo(n):
if n in [0, 1]:
return n
return fibo(n-1) + fibo(n-2)
如果没有记忆，斐波那契数列的某些值将被计算成指数次数。使用单行@memoify，对于给定的n，第一次计算之后的每个计算都将替换为查找。查看上述记录版本的FIBO与相同功能的常规版本之间的差异：
def regular_fibo(n):
if n in [0, 1]:
return n
return regular_fibo(n-1) + regular_fibo(n-2)
看看随着n的增大，差异是如何增大的。（例如，对我来说，使用n = 30，差别已经非常明显，而使用n = 100，regular_fibo需要永远，而使用的fibo仍然是即时的。）
散列性
函数参数不需要就可以散列，但它们应该是最佳（最快）结果。如果不是，则在特殊情况下（取决于原始函数的运行时，以及调用该记忆版本的不同参数的数量和性质），函数的记忆版本可能会比原始版本慢。
并发性
memopy的设计并没有考虑到并发性。因此，建议不要同时在不同线程中多次运行同一个函数，因为还没有彻底考虑会发生什么。
文件
在github的https://github.com/tscizzle/memopy/tree/master/tests上找到的测试提供了一些示例并展示了库的功能。
安装
如果您没有pip，请拨打：https://pip.pypa.io/en/stable/installing
在终端中运行命令pip install memopy以获取memopy库。
要测试安装，请在终端中使用python命令启动一个python解释器，并确保可以在其中运行import memopy，而不会出现错误。
贡献
在github上找到代码：https://github.com/tscizzle/memopy
支架
联系我（泰勒·辛格·克拉克）在tscizzle@gmail.com有任何问题或关切。
许可证
这个项目是根据麻省理工学院的许可证授权的
欢迎加入QQ群-->： 979659372
