Dataclasses (@dataclass, Python 3.7+) genererar automatiskt boilerplate-metoder för klasser som huvudsakligen innehåller data. __slots__ är en optimering som minskar minneskonsumtion och snabbar upp attributåtkomst genom att undvika 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 genererar __init__, __repr__, __eq__ (och eventuellt ordning/hashing) från de annoterade fälten — vilket tar bort tröttsamt och felbenäget 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 gör instanser oföränderliga; field(default_factory=list) tillhandahåller säkert föränderliga standardvärden (undviker problemet med delade föränderliga standardvärden).
# 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 lagrar varje instans attribut i en dynamisk __dict__. __slots__ deklarerar en fast uppsättning attribut som lagras i en kompakt, fast struktur istället — vilket sparar betydande minne och snabbar upp åtkomst, på bekostnad av flexibilitet (kan inte lägga till godtyckliga attribut).
@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 är en allmänt använd modern funktion som eliminerar repetitivt boilerplate för datahållande klasser — vilket gör koden renare, mindre felbenägen och mer läsbar (autogenererad __init__/__repr__/__eq__, plus oföränderlighet och säkra standardvärden).
De är det idiomatiska moderna alternativet till att manuellt skriva sådana klasser eller använda namedtuple när du behöver förändringsmöjlighet/metoder. __slots__ är en riktad prestandaoptimering som meningsfullt minskar minne och snabbar attributåtkomst när du instansierar ett enormt antal objekt.
Att känna till båda — @dataclass för vardaglig ren datamodellering och __slots__ (nu kombinerade via slots=True) för minneskritiska kritiska vägar — återspeglar aktuella bästa metoder för att skriva effektiv, underhållbar Python-kod för klasser.