Las dataclasses (@dataclass, Python 3.7+) autogeneran métodos repetitivos para clases que principalmente almacenan datos. __slots__ es una optimización que reduce la memoria y acelera el acceso a atributos al evitar el __dict__ por instancia.
Las dataclasses (@dataclass, Python 3.7+) autogeneran métodos repetitivos para clases que principalmente almacenan datos. __slots__ es una optimización que reduce la memoria y acelera el acceso a atributos al evitar el __dict__ por instancia.
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 genera __init__, __repr__, __eq__ (y opcionalmente ordenación/hashing) a partir de los campos anotados, eliminando código repetitivo, tedioso y propenso a errores.
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 hace las instancias inmutables; field(default_factory=list) proporciona valores por defecto mutables de forma segura (evitando la trampa del valor por defecto mutable compartido).
# 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__
Normalmente cada instancia almacena sus atributos en un __dict__ dinámico. __slots__ declara un conjunto fijo de atributos almacenados en una estructura compacta y fija en su lugar, ahorrando memoria significativa y acelerando el acceso, a costa de la flexibilidad (no se pueden añadir atributos arbitrarios).
@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)
Las dataclasses son una característica moderna ampliamente usada que elimina el código repetitivo para clases que almacenan datos, haciéndolo más limpio, menos propenso a errores y más legible (__init__/__repr__/__eq__ autogenerados, más inmutabilidad y valores por defecto seguros).
Son la alternativa moderna e idiomática a escribir tales clases a mano o a usar namedtuple cuando necesitas mutabilidad/métodos. __slots__ es una optimización de rendimiento puntual que reduce de forma significativa la memoria y acelera el acceso a atributos cuando instancias números enormes de objetos.
Conocer ambos —@dataclass para el modelado de datos limpio del día a día y __slots__ (ahora combinable mediante slots=True) para rutas críticas con memoria limitada— refleja las mejores prácticas actuales para escribir clases Python eficientes y mantenibles.