Python内存化手动缓存

我正在构建一个带记忆的Python Fibonacci函数的手动缓存版本，我注意到在递归调用中没有将缓存作为参数传递

但是，该功能仍然可以工作，因为它比非记忆版本快得多

当我将缓存作为函数参数添加时，算法速度更快，但不是很明显

有人能帮我理解为什么第一个版本可以工作，第二个版本是否更正确

import time


def fib_cache(n, cache={}):
    if n in cache:
        return cache[n]
    if n == 0 or n == 1:
        return n
    result = fib_cache(n - 1) + fib_cache(n - 2)
    cache[n] = result
    return result


def fib_cache2(n, cache={}):
    if n in cache:
        return cache[n]
    if n == 0 or n == 1:
        return n
    result = fib_cache2(n - 1, cache) + fib_cache2(n - 2, cache)
    cache[n] = result
    return result

start = time.perf_counter()
fib_cache(30)
end = time.perf_counter()
print("Version 1. Seconds taken: {:.5f}".format(end - start))

start = time.perf_counter()
fib_cache2(30)
end = time.perf_counter()
print("Version 2. Seconds taken: {:.5f}".format(end - start))

---

这是因为Python中的

def

只执行一次，默认变量只初始化一次。对于引用类型，这可能导致错误/意外行为。解决办法之一是：

def fib_cache3(n, cache=None):
    if cache is None:
        cache = {}
    if n in cache:
        return cache[n]
    if n == 0 or n == 1:
        return n
    result = fib_cache3(n - 1, cache) + fib_cache3(n - 2, cache)
    cache[n] = result
    return result

---

此版本的优点是它不依赖于引用类型的默认初始化，并且在函数执行后允许垃圾收集。

这是否回答了您的问题？这很有帮助。如果能解释一下这三个版本是如何表现出不同的行为，那就更有帮助了。