在Python中，lru_cache和cache都是functools模块提供的装饰器，用于缓存函数的结果，但它们的功能和使用场景略有不同。
functools.lru_cache
lru_cache表示“最近最少使用”缓存。它是一个装饰器，用于缓存函数调用的结果。当缓存达到设定的最大容量时，会丢弃最近最少使用的缓存项。这对于一些计算量大且频繁调用的函数非常有用。
-
语法：
@functools.lru_cache(maxsize=128, typed=False) -
参数：
maxsize：指定缓存的最大容量。如果设置为None，缓存大小不受限制。typed：如果设置为True，则会将不同类型的参数视为不同的调用（例如，f(3)和f(3.0)会分别缓存）。
-
示例：
from functools import lru_cache@lru_cache(maxsize=100) def expensive_function(x):# 模拟耗时计算return x * x
functools.cache
cache是一个更简单版本的缓存装饰器。它是lru_cache(maxsize=None)的别名，表示提供一个不受限制的缓存。这在需要缓存所有函数调用结果且不考虑缓存淘汰策略时非常有用。
-
语法：
@functools.cache -
示例：
from functools import cache@cache def expensive_function(x):# 模拟耗时计算return x * x
关键区别
-
淘汰策略：
lru_cache：使用最近最少使用的淘汰策略。当缓存达到最大容量时，丢弃最近最少使用的项。cache：没有淘汰策略，缓存项数量不受限制。
-
定制化：
lru_cache：允许设置缓存大小（maxsize）和类型敏感性（typed）。cache：没有定制化选项，相当于lru_cache(maxsize=None)。
使用场景
lru_cache：适用于需要限制内存使用且对使用顺序敏感的缓存场景。cache：适用于需要简单且不受限制的缓存场景。
leetcode
题目：https://leetcode.cn/problems/special-permutations/description/
我讲下述代码提交后，发现 @lru_cache(maxsize=None) 时间超时， @cache 能够成功提交；
建议大家leetcode 刷题的时候，还是使用 @cache 好一点，简单无脑还快一点；
class Solution:def specialPerm(self, nums: List[int]) -> int:@cache# @lru_cache(maxsize=None)def dfs(rear:int, lefts: tuple):if len(lefts) == 0:return 1res = 0for item in lefts:if item % rear == 0 or rear % item == 0:res += dfs(item, tuple(set(lefts) - set([item])))return res % (1e9 + 7)res = 0for item in nums:res += dfs(item, tuple(set(nums) - set([item])))return int(res % (1e9 + 7))
)