Dataclasses (@dataclass, Python 3.7+) auto-generują metody boilerplate'u dla klas, które głównie przechowują dane. __slots__ to optymalizacja, która zmniejsza zużycie pamięci i przyspiesza dostęp do atrybutów, unikając słownika __dict__ na instancję.
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 generuje __init__, __repr__, __eq__ (i opcjonalnie porównania/hashowanie) na podstawie adnotowanych pól — eliminując żmudny, podatny na błędy 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 czyni instancje immutable; field(default_factory=list) bezpiecznie zapewnia zmienne domyślne wartości (unikając pułapki współdzielonego zmiennego defaultu).
# 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__
Normalnie każda instancja przechowuje atrybuty w dynamicznym __dict__. __slots__ deklaruje stały zestaw atrybutów przechowywanych w zwartej, stałej strukturze — oszczędzając znaczną ilość pamięci i przyspieszając dostęp, kosztem elastyczności (brak możliwości dodawania dowolnych atrybutów).
@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 są szeroko używaną nowoczesną funkcją, która eliminuje powtarzający się boilerplate dla klas przechowujących dane — czyniąc kod czystszym, mniej podatnym na błędy i bardziej czytelnym (auto-generowane __init__/__repr__/__eq__, plus immutability i bezpieczne domyślne wartości).
Są one idioniczną nowoczesną alternatywą dla ręcznego pisania takich klas lub używania namedtuple, gdy potrzebujesz mutacyjności/metod. __slots__ to celowa optymalizacja wydajności, która znacznie zmniejsza zużycie pamięci i przyspiesza dostęp do atrybutów, gdy instancjujesz ogromną liczbę obiektów.
Znajomość obu — @dataclass do codziennego czystego modelowania danych i __slots__ (teraz łączliwe poprzez slots=True) dla ścieżek krytycznych pod względem pamięci — odzwierciedla obecne best practices przy pisaniu wydajnych, łatwych do utrzymania klas w Pythonie.