能否在Alteryx Python工具中使用functools装饰器实现函数缓存？

是否可以在Alteryx的Python工具中使用functools（如@cache）这类Python装饰器？我需要实现重复的函数求值，缓存结果将大幅节省时间。

我在Python中见过如下用法示例，但想了解如何在Alteryx的Python环境中实现类似性能：

from functools import lru_cache
import numpy as np


def estimate_error(x):
    t = 1 / (1 + 0.33 * abs(x))
    pre_erf = (((1.06 * t - 1.45) * t + 1.42) * t - 0.29) * t + 0.25
    erf = np.sign(x) * (1 - pre_erf * t * np.exp(- x * x))
    return erf


@lru_cache(maxsize=1024)
def fast_ln_sf(x, scale, shape):
    return 0.5 - 0.5 * estimate_error(0.7 * (np.log(x) - np.log(scale)) / shape)

该函数将作为我优化问题的目标函数，若变量较多，它至少会被调用数千次。其使用场景如下：

def obj(x, *args):
    a = args[0].to_numpy()
    s = args[1].to_numpy()
    c = args[2].to_numpy()
    n = args[3]

    sum_ = 0
    for i in range(n):
        sum_ += (a * fast_ln_sf(x[i], s, c))
    return -1 * sum_


solution = scipy.optimize.minimize(obj, args = [df.a, df.b, df.s, df.c, df.shape[0]])

完全可以在Alteryx的Python工具中使用functools里的装饰器，包括@lru_cache或@cache，实现逻辑和标准Python环境一致，只需注意几个关键细节：

• 参数必须可哈希：lru_cache要求函数参数是可哈希类型（如数值、字符串、元组）。你的示例中fast_ln_sf的x、scale、shape如果是单个数值没问题；如果是numpy数组，需要先转为元组等可哈希类型，否则会触发错误。
• 直接导入使用：Alteryx的Python工具默认包含标准库，无需额外安装依赖，直接写from functools import lru_cache就能调用。
• 场景针对性优化：你的obj函数循环调用fast_ln_sf，若s和c是固定不变的数组，可将其移出函数参数，或仅针对变化的x[i]做缓存，避免重复缓存相同s、c的组合。同时尽量用numpy向量化运算替代循环，配合缓存能最大化性能提升。
• 调整缓存大小：根据实际调用次数修改maxsize，若调用次数远超1024，可设为None（无限制），但要留意内存占用情况。

你提供的代码只需确保DataFrame和参数传递正确，就能在Alteryx中直接运行并获得缓存带来的性能收益。

内容的提问来源于stack exchange，提问作者Aadarsh Gupta