Dataclasses (@dataclass, Python 3.7+) generieren automatisch Boilerplate-Methoden für Klassen, die hauptsächlich Daten enthalten. __slots__ ist eine Optimierung, die Speicher reduziert und den Attributzugriff beschleunigt, indem das per-Instance __dict__ vermieden wird.
from dataclasses import dataclass
# ❌ without dataclass — lots of repetitive boilerplate
class Point:
def __init__(self, x, y):
self.x = x; self.y = y
def __repr__(self):
return f"Point(x={self.x}, y={self.y})"
def __eq__(self, other):
return (self.x, self.y) == (other.x, other.y)
# ✅ with @dataclass — all of the above generated automatically
@dataclass
class Point:
x: int
y: int
p = Point(1, 2)
p # Point(x=1, y=2) — __repr__ generated
p == Point(1, 2) # True — __eq__ generated
@dataclass generiert __init__, __repr__, __eq__ (und optional Sortierung/Hashing) aus annotierten Feldern — entfernt mühsame, fehleranfällige Boilerplate.
from dataclasses import dataclass, field
@dataclass(frozen=True) # frozen → immutable (hashable, usable as dict key)
class Config:
name: str
tags: list = field(default_factory=list) # mutable default done safely
timeout: int = 30 # default value
frozen=True macht Instanzen unveränderlich; field(default_factory=list) bietet sicher veränderbare Standardwerte (vermeidet die Falle veränderter gemeinsamer Standardwerte).
# normally, each instance has a __dict__ to store attributes (flexible but memory-heavy)
class Regular:
def __init__(self, x, y): self.x, self.y = x, y
# __slots__ → fixed attribute set, NO per-instance __dict__
class Slotted:
__slots__ = ("x", "y") # only these attributes allowed
def __init__(self, x, y): self.x, self.y = x, y
s = Slotted(1, 2)
s.z = 3 # ❌ AttributeError — can't add attributes not in __slots__
Normalarweise speichert jede Instanz Attribute in einem dynamischen __dict__. __slots__ deklariert stattdessen einen festen Satz von Attributen, die in einer kompakten, festen Struktur gespeichert werden — spart erheblichen Speicher und beschleunigt den Zugriff, auf Kosten von Flexibilität (keine willkürlichen Attribute möglich).
@dataclass(slots=True) # Python 3.10+ — dataclass WITH __slots__
class Point:
x: int
y: int
@dataclass → any class that's mostly data (DTOs, configs, records) — cleaner, less code
__slots__ → when you create MANY instances (millions) and memory/speed matters
(e.g. nodes in a big data structure, large simulations)
Dataclasses sind eine weit verbreitete moderne Funktion, die repetitives Boilerplate für datenhaltende Klassen eliminiert — macht Code sauberer, weniger fehleranfällig und lesbarer (auto-generierte __init__/__repr__/__eq__, plus Unveränderlichkeit und sichere Standardwerte).
Sie sind die idiomatische moderne Alternative zum manuellen Schreiben solcher Klassen oder zur Verwendung von namedtuple, wenn Sie Veränderlichkeit/Methoden benötigen. __slots__ ist eine gezielte Leistungsoptimierung, die Speicher deutlich reduziert und den Attributzugriff beschleunigt, wenn Sie eine riesige Anzahl von Objekten instantiieren.
Beide kennen — @dataclass für alltägliche saubere Datenmodellierung und __slots__ (jetzt über slots=True kombinierbar) für speicherkritische Hot Paths — reflektiert aktuelle Best Practices zum Schreiben effizienter, wartbarer Python-Klassen.