Dataclasses (@dataclass, Python 3.7+) automatiškai generuoja boilerplate metodus klasėms, kurios daugiausia saugo duomenis. __slots__ yra optimizacija, sumažinanti atmintį ir pagreitinanti atributo prieigą, venginat per-instance __dict__.
Dataclasses (@dataclass, Python 3.7+) automatiškai generuoja boilerplate metodus klasėms, kurios daugiausia saugo duomenis. __slots__ yra optimizacija, sumažinanti atmintį ir pagreitinanti atributo prieigą, venginat per-instance __dict__.
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 generuoja __init__, __repr__, __eq__ (ir pasirinktinai rūšiavimą/hashing) iš anotacijų laukų — pašalindama nuobodų, klaidoms jautrų 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 padaro instances nemutuojamus; field(default_factory=list) saugiai suteikia keičiamus numatytuosius numatytuosius (vengiant shared-mutable-default spąstų).
# 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__
Paprastai kiekviena instance saugo atributus dinaminiame __dict__. __slots__ deklaruoja fiksuotą atributų rinkinį, saugomą kompaktioje, fiksuotoje struktūroje — taupydamas reikšmingą atmintį ir pagreitindamas prieigą, bet praraudamas lankstumo (negalima pridėti savavališkų atributų).
@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 yra plačiai naudojama modernios funkcijos, kurie pašalina pasikartojančius boilerplate duomenų laikymo klasėms — todėl kodas gražesnis, mažiau klaidų ir lengviau skaitomas (auto-generated __init__/__repr__/__eq__, plius nekintamumas ir saugūs numatytuosiaisiais).
Jie yra idiomatinis šiuolaikinis alternatyva tokioms klasėms rašyti rankiniu būdu arba naudoti namedtuple, kai jums reikia mutabilumo/metodų. __slots__ yra tikslinė našumo optimizacija, žymiai sumažinanti atmintį ir pagreitinanti atributo prieigą, kai sukūrite didžiulį objektų kiekį.
Žinoti abu — @dataclass kasdieniam švaram duomenų modeliavimui ir __slots__ (dabar sujungiama per slots=True) atminties kritiniams greitims — atspindi dabartines geriausias praktikas efektyviai, priežiūrai skirtas Python klases rašyti.