本文介绍使用 python 3.8+ 的 `functools.cached_property` 装饰器，将耗时的类方法转为惰性求值、仅执行一次且自动缓存的属性，避免重复计算，兼顾性能与代码可读性。
在面向对象编程中，常遇到一类典型场景：某个计算逻辑开销大（如加载模型、解析大型配置、查询数据库），但结果在整个实例生命周期内恒定不变；同时该结果需被多个方法反复使用。若将其放在 __init__ 中，可能违反“延迟初始化”原则（例如依赖尚未就绪的外部资源）；若每次调用都重新计算，则造成严重性能浪费。
Python 提供了简洁而地道的解决方案——functools.cached_property。它专为此类场景设计：将一个无参方法转换为 线程安全、只计算一次、结果自动缓存于实例字典中的只读属性。首次访问时执行原方法并缓存返回值；后续访问直接返回缓存值，完全绕过函数调用开销。
以下是一个优化后的完整示例：
from functools import cached_property from typing import List class Example: def __init__(self, data_source: str = "default") -> None: self.data_source = data_source # 可用于构造时的轻量初始化 @cached_property def my_value(self) -> int: """模拟耗时计算：仅在首次访问 self.my_value 时执行一次""" print("→ 执行昂贵计算（仅一次）……") # 此处可替换为真实耗时操作，如：# - 加载预训练模型 # - 解析 GB 级 YAML 配置 # - 查询远程 API 并缓存响应 return sum(i * i for i in range(100_000)) # 模拟 CPU 密集型计算 def do_something_with_my_value(self) -> List[int]: """多次使用 my_value，但实际仅触发一次计算""" return [x + self.my_value for x in range(1, 5)] def another_method(self) -> str: return f"基于 my_value({self.my_value}) 的衍生处理"使用效果演示：
ex = Example() print(ex.do_something_with_my_value()) # 输出前打印 "→ 执行昂贵计算（仅一次）……" print(ex.another_method()) # 不再打印，直接使用缓存值 print(ex.my_value) # 直接访问属性，仍为缓存值✅ 关键优势：
- 零侵入性：无需修改调用方代码（self.my_value 语法保持不变，无需加括号）；
- 类型友好：类型提示仍可准确标注返回类型（如 -> int），IDE 和静态检查工具完全支持；
- 内存隔离：缓存值存储在实例 __dict__ 中，不同实例互不干扰；
- 线程安全：内部使用锁保障多线程首次访问的原子性（CPython 下默认安全）；
- 符合 Python 哲学：显式、简洁、可读性强，比手动实现 if not hasattr(self, ‘_my_value’): … 更优雅。
⚠️ 注意事项：
- cached_property 仅适用于 无参数、无副作用、结果确定性 的方法（即相同输入 / 状态必得相同输出）；
- 缓存不可清除（除非手动 del obj.my_value），若需重算，请考虑 @property + 显式缓存控制，或改用 functools.lru_cache()（需确保方法可哈希）；
- Python
- 不适用于需要序列化（如 pickle）的场景——因缓存值不参与序列化，反序列化后会重新计算。
总结而言，@cached_property 是 Python 中解决“一次性惰性计算 + 多次复用”问题的标准答案。它让代码既高效又清晰，在数据处理、机器学习封装、配置中心客户端等高频场景中极具实用价值。
