Dataklasser (@dataclass, Python 3.7+) auto-genererer boilerplate-metoder for klasser som hovedsakelig holder data. __slots__ er en optimalisering som reduserer minne og øker hastigheten på attributtilgang ved å unngå per-instans __dict__.
Dataklasser (@dataclass, Python 3.7+) auto-genererer boilerplate-metoder for klasser som hovedsakelig holder data. __slots__ er en optimalisering som reduserer minne og øker hastigheten på attributtilgang ved å unngå per-instans __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 genererer __init__, __repr__, __eq__ (og valgfritt sortering/hashing) fra de annoterte feltene — og fjerner kjedelig, feilprosent 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 gjør instanser uforanderlige; field(default_factory=list) gir trygt foranderlige standardverdier (og unngår den delte-foranderlige-standard-fellen).
# 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__
Normalt lagrer hver instans attributter i en dynamisk __dict__. __slots__ deklarerer et fast sett med attributter som lagres i en kompakt, fast struktur i stedet — noe som sparer betydelig minne og øker hastigheten på tilgang, men med kostnad av fleksibilitet (kan ikke legge til vilkårlige attributter).
@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)
Dataklasser er en mye brukt moderne funksjon som fjerner repetitiv boilerplate for dataholdende klasser — noe som gjør kode renere, mindre feilprosent og mer lesbar (auto-genererte __init__/__repr__/__eq__, pluss uforanderlighet og sikre standardverdier).
De er det idiomatiske moderne alternativet til manuelt skrive slike klasser eller bruke namedtuple når du trenger foranderlighet/metoder. __slots__ er en målrettet ytelsesoptimalisering som betydelig reduserer minne og øker attributtilgang når du instansierer enorme mengder objekter.
Å kjenne begge — @dataclass for daglig ren datamodellering og __slots__ (nå kombineerbar via slots=True) for minnekritiske varme stier — gjenspeiler nåværende beste praksis for å skrive effektive, vedlikeholdbare Python-klasser.