Python profesional: hacer el código más rápido
Antes de optimizar, hay que medir (con time.perf_counter() o un perfilador) para encontrar lo que de verdad es lento. A menudo el problema es un cálculo repetido miles de veces, o una búsqueda en una lista (lenta) en lugar de un set o un diccionario (instantáneo).
La memoización guarda en memoria los resultados ya calculados. El decorador @functools.lru_cache lo hace en una línea: en la segunda llamada con los mismos argumentos, la función devuelve el resultado directamente. Una función recursiva que hacía millones de llamadas pasa a hacer solo unas decenas.
import time
from functools import lru_cache
def slow_fib(n):
return n if n < 2 else slow_fib(n - 1) + slow_fib(n - 2)
@lru_cache(maxsize=None)
def fast_fib(n):
return n if n < 2 else fast_fib(n - 1) + fast_fib(n - 2)
for f in (slow_fib, fast_fib):
start = time.perf_counter()
f(25)
print(f.__name__, "took", "a while" if time.perf_counter() - start > 0.01 else "almost nothing")