Mundo ng Python Programming

Gabay sa Python Dataclass: Memory Optimization at Validation

Mga Function, Klase, at Estruktura
目次

1. Ano ang Dataclass?

Buod ng Dataclass

Python ang dataclass ay isang tampok na ipinakilala sa bersyon 3.7, na ginagamit upang gawing mas maikli ang pagdeklara ng klase at bawasan ang pagsulat ng labis na code. Lalo itong kapaki-pakinabang kapag nagtatakda ng mga klase na nag-iimbak ng data nang epektibo. Sa pamamagitan ng paggamit ng dataclass, awtomatikong nalilikha ang mga madalas na sinusulat na method tulad ng __init__ at __repr__ sa loob ng klase. Halimbawa, sa tradisyunal na pagdeklara ng klase, kailangang mano-manong tukuyin ang method ng pag-inisyalisa, ngunit kapag ginamit ang dataclass, nagiging mas maikli ito tulad ng sumusunod.
from dataclasses import dataclass

@dataclass
class User:
    name: str
    age: int
Sa pamamagitan ng code sa itaas, awtomatikong nalilikha ang mga method na __init__ at __repr__, at madaling maideklara ang mga klase na nakatuon sa pag-iimbak ng data. Bukod pa rito, sa paggamit ng type annotation, maaaring malinaw na ipakita ang uri ng data at estruktura ng klase, na nagpapabuti sa nababasa ng code.

2. Mga Benepisyo ng Dataclass

Pagpapasimple ng Code

dataclass Sa paggamit nito, malaki ang nababawasan ng code kumpara sa tradisyonal na pagdeklara ng klase, at tumataas ang pagiging madaling basahin. Lalo na, dahil sa awtomatikong paglikha ng mga __init__ at __repr__ na metodo, hindi na kailangan pang mano-manong ideklara ang mga ito, na nagbabawas ng mga pagkakamali.
@dataclass
class Product:
    id: int
    name: str
    price: float
Kahit sa ganitong simpleng klase, sa pamamagitan ng paggamit ng dataclass, awtomatikong naibibigay ang lahat ng tampok tulad ng inisyal na pag-set up at representasyon ng string. Bukod pa rito, kung magdadagdag ng karagdagang field sa klase, madaling mababago ito pagkatapos, kaya’t nagiging flexible.

Mga Awtomatikong Nilikhang Metodo

Ang dataclass ay awtomatikong lumilikha ng mga metodo tulad ng __repr__ at __eq__ bukod pa sa __init__. Dahil dito, hindi na kailangan magsulat ng espesyal na code para sa paghahambing ng mga object sa pagitan ng mga klase o para i-convert ang estado ng object sa representasyong string.

Mga Default na Halaga at Type Annotation

Ang dataclass ay maaaring magtakda ng default na halaga para sa mga field, at sinusuportahan din ang type annotation. Dahil dito, maaaring malinaw na tukuyin ng mga developer ang uri at paunang halaga ng data, na ginagawang mas intuitive ang pagdeklara ng klase.
@dataclass
class Employee:
    name: str
    age: int = 25  # default na 25 taon
Sa ganitong paraan, sa pamamagitan ng pagtatakda ng default na halaga sa mga field kung kinakailangan, maaaring magkaroon ng mga parameter na maaaring laktawan sa oras ng inisyal na pag-set up.
年収訴求

3. Paghahambing sa Tradisyonal na Pagdeklara ng Klase

Pag-optimize ng Memorya at Pagganap

dataclass ay may kalamangan sa paggamit ng memorya at pagganap kumpara sa tradisyonal na pagdeklara ng klase. Lalo na sa mga aplikasyon na humahawak ng malaking dami ng data, maaaring makamit ang mas epektibong paggamit ng memorya sa pamamagitan ng paggamit ng slots na opsyon na ipinakilala mula Python 3.10.
@dataclass(slots=True)
class User:
    name: str
    age: int
Sa pamamagitan ng pagtukoy ng slots=True, sa halip na lumikha ng dictionary object para sa bawat instance, ginagamit ang mga slot na may mataas na kahusayan sa memorya. Dahil dito, nababawasan ang paggamit ng memorya kapag humahawak ng maraming instance. Bukod pa rito, pinapabilis din ang pag-access sa mga attribute, kaya may benepisyo rin sa pagganap.

Pagkakaiba sa Tradisyonal na Klase

Sa tradisyonal na pagdeklara ng klase, kinakailangang mano-manong tukuyin ang lahat ng mga method, ngunit sa dataclass, awtomatikong nalilikha ang mga ito, kaya maaaring magpokus ang mga developer sa disenyo ng istruktura ng data. Bukod pa rito, kapag ang klase ay may maraming field o nais magbigay ng tiyak na pag-uugali, ang paggamit ng dataclass ay nagpapanatili ng code na simple.

4. Mga advanced na tampok ng Dataclass

slots Pag-optimize ng memorya

Mula Python 3.10 pataas, dataclass ay sumusuporta sa slots, na nagbibigay-daan upang higit pang i-optimize ang paggamit ng memorya. Sa pamamagitan ng paggamit ng __slots__, maaaring i-imbak ang mga katangian ng instance sa magaan na anyo ng slots imbes na dictionary, kaya nakakatipid ng memorya. Upang makita ang aktwal na epekto, tingnan natin ang sumusunod na halimbawa.
@dataclass(slots=True)
class Person:
    name: str
    age: int
Kapag ginamit ang klase na ito sa malaking dami ng data, makikita na malaki ang nabawasang konsumo ng memorya. Bukod dito, dahil hindi na maaaring magdagdag ng dynamic na katangian gamit ang slots, napipigilan ang hindi inaasahang mga bug.

Paglikha ng hindi nababagong klase (frozen=True)

dataclass ay may opsyon na frozen=True, at kapag ito ay itinakda, makakagawa ng klase na hindi mababago pagkatapos malikha (immutable). Ang mga hindi nababagong object ay kapaki-pakinabang sa mga sitwasyon kung saan kinakailangan ang pagkakakilanlan ng data, at sa mga thread-safe na aplikasyon.
@dataclass(frozen=True)
class ImmutableUser:
    username: str
    age: int
Kapag itinakda ang frozen=True, anumang pagtatangkang baguhin ang mga katangian ng nalikhang instance ay magdudulot ng AttributeError. Sa ganitong paraan, nasisiguro ang hindi nababagong katangian ng data.

Custom na field at field() function

Dagdag pa, sa dataclass maaaring gamitin ang field() function upang detalyadong kontrolin ang pag-uugali ng mga field. Halimbawa, kapaki-pakinabang ito kapag nais balewalain ang isang tiyak na field sa initialization o kapag gustong magtakda ng komplikadong default na halaga.
@dataclass
class Product:
    name: str
    price: float = field(default=0.0, init=False)
Sa halimbawang ito, ang field na price ay hindi itinatakda sa initialization, at ginagamit ang default na halaga na 0.0. Sa ganitong paraan, maaaring flexible na kontrolin ang pag-uugali ng klase sa ilalim ng mga espesyal na kondisyon.
年収訴求

5. Mga Halimbawa ng Paggamit ng Dataclass

Pamamahala ng Data ng User

dataclass ay napaka-angkop para sa mga klase na pangunahing layunin ay mag-imbak ng data. Halimbawa, maaari mong madaling magdeklara ng klase na nag-iimbak ng data ng user o mga setting.
@dataclass
class UserProfile:
    username: str
    email: str
    is_active: bool = True
Kahit na maraming field ang klase tulad ng user data, sa paggamit ng dataclass ay nagiging mas madaling basahin ang code at mas madali itong i-maintain.

Pag-convert ng Data at Operasyon sa JSON

dataclass ay napaka-kapaki-pakinabang din para sa pag-convert ng data at operasyon sa JSON. Madali mong ma-map ang data na nakuha mula sa database o API sa isang class object, at direktang i-convert ito sa ibang format. Bukod pa rito, ang dataclasses module ng standard library ng Python ay may mga function para i-convert ang object sa tuple o dictionary.
import json
from dataclasses import dataclass, asdict

@dataclass
class Product:
    id: int
    name: str
    price: float

product = Product(1, "Laptop", 999.99)
print(json.dumps(asdict(product)))
Sa halimbawang ito, gamit ang function na asdict() kinoconvert ang dataclass object sa dictionary, at pagkatapos ay i-convert ito sa JSON format para i-output. Sa ganitong paraan, ang benepisyo ng dataclass ay ang madaling paghawak ng data bilang class object habang mabilis na nakokonvert ito sa ibang format.

6. Pakikipag-ugnayan sa Ibang Librarya

Pag-validate ng Data gamit ang Pydantic

dataclass ay maaaring makipag-ugnayan sa iba pang mga Python library, at lalo na gamit ang Pydantic maaaring mapalakas ang data validation. Pydantic ay isang library na gumagamit ng type hints para madaling magdagdag ng validation logic sa mga klase, na tumutulong upang tiyakin ang katumpakan ng data. Sa sumusunod na halimbawa, ginagamit ang Pydantic upang magdagdag ng type validation sa dataclass.
from pydantic.dataclasses import dataclass
from pydantic import ValidationError

@dataclass
class Book:
    title: str
    pages: int

try:
    book = Book(title=123, pages="two hundred")
except ValidationError as e:
    print(e)
Sa code na ito, mag-eerror kung ang field na title ay hindi string o kung ang pages ay hindi integer. Sa ganitong paraan, sa pamamagitan ng pag-embed ng validation sa dataclass, maaaring matiyak ang tamang data, kaya ito ay perpekto para sa malakihang aplikasyon at pag-develop ng API.

7. Karaniwang mga Pagkakamali sa Paggamit ng Dataclass

Mutable na Default Argument

dataclassIsa sa mga karaniwang pagkakamali kapag gumagamit ng dataclass ay ang pagtatakda ng mutable na object bilang default argument. Halimbawa, kung itatakda ang listahan o diksyunaryo bilang default argument, maaaring magbahagi ng parehong listahan ang lahat ng instance. Isa sa mga karaniwang pagkakamali kapag gumagamit ng dataclass ay ang pagtatakda ng mutable na object bilang default argument. Halimbawa, kung itatakda ang listahan o diksyunaryo bilang default argument, maaaring magbahagi ng parehong listahan ang lahat ng instance.
from dataclasses import dataclass, field

@dataclass
class Team:
    members: list = field(default_factory=list)
Sa ganitong paraan, sa pamamagitan ng paggamit ng default_factory upang tukuyin na lumikha ng hiwalay na listahan, maiiwasan ang problemang ito. Ang pag-iwas sa mutable na default argument ay mahalaga upang mapigilan ang hindi inaasahang mga bug.

Hindi Pagkakatugma ng Uri ng Atributo at Default Value

Isa pang karaniwang pagkakamali ay kapag hindi nagtatagpo ang uri ng atributo at ang default value. Sa dataclass, inirerekomenda ang paggamit ng type annotation, ngunit kung hindi nagtatagpo ang tinukoy na uri at default value, maaaring magdulot ito ng error.
@dataclass
class User:
    name: str
    age: int = "twenty"  # Ito ay hindi tama
Sa ganitong mga kaso, mahalaga na itakda nang tama ang default value alinsunod sa type annotation.

8. Konklusyon

Ang dataclass ng Python ay nagpapasimple ng pagdeklara ng mga klase na nakatuon sa paghawak ng data, at nagbibigay ng maraming kaginhawahan sa mga developer. Hindi lamang pinapabuti nito ang nababasa ng code, kundi nagtataglay din ito ng mga tampok tulad ng memory optimization gamit ang mga opsyon na slots at frozen, at pagtiyak ng hindi nababago na data, kaya kayang suportahan ang malawak na gamit. Bukod pa rito, sa pamamagitan ng pakikipag-ugnayan sa iba pang mga library, madaling maipatupad ang mga advanced na tampok tulad ng data validation at JSON conversion, kaya angkop ito para sa pag-develop ng malalaking aplikasyon. Batay sa mga benepisyong ito, subukan ninyong gamitin ang dataclass sa susunod ninyong proyekto.
侍エンジニア塾