- Automātiska būtisku dunder metožu, piemēram, __init__, __repr__ un __eq__, ģenerēšana, lai samazinātu standarta veidnes.
- Paplašināta objektu uzvedības kontrole, izmantojot tādus parametrus kā iesaldēšana nemaināmībai un secība kārtošanai.
- Atsevišķu lauku pielāgošana, izmantojot funkciju field() un pēcinstanciācijas loģiku ar __post_init__.
- Nemanāma integrācija ar tipu mājieniem un klases mantošanas atbalstu sarežģītu datu hierarhiju veidošanai.
Vai jums kādreiz ir bijusi sajūta, ka vairāk laika pavadāt, rakstot atkārtotas konstruktora metodes, nekā faktiski kodējot sava projekta loģiku? Ja kādreiz esat veidojis klasi tikai tāpēc, lai turētu virkni vērtību, jūs zināt, cik grūti ir manuāli kartēt katru atsevišķu argumentu uz self.attribute . Tas ir nogurdinoši, pakļauti drukas kļūdām un, godīgi sakot, nedaudz apgrūtinoši jebkuram izstrādātājam, kurš cenšas uzturēt tīru savu koda bāzi.
Iepazīstieties ar Python datu klasēm — revolucionāru ieviešanu 3.7 versijā, izmantojot dataclasses moduli . Tās nav pavisam jauns klases veids, bet gan gudrs veids, kā izmantot dekoratoru, lai automatizētu objektorientētas programmēšanas garlaicīgās daļas. Izmantojot PEP 557 un PEP 526 , tās ļauj definēt datu struktūru, izmantojot tipu anotācijas, ļaujot Python tikt galā ar smago darbu, kas saistīts ar pamatā esošo mehānismu ģenerēšanu.
@dataclass dekoratora maģija
Pēc būtības @dataclass dekorators skenē jūsu klases definīciju, meklējot mainīgos ar tipa mājieniem. Kad tas tos atrod, tas automātiski ievada jūsu klasē vairākas “dunder” (dubultās pasvītrojuma) metodes . Tiešākā priekšrocība ir __init__() metode , kas nozīmē, ka varat izveidot objekta instanci, nerakstot nevienu piešķiršanas loģikas rindiņu. Bet tas ar to nebeidzas; jūs iegūstat arī __repr__() metodi , kas nodrošina tīru, lasāmu objekta virknes attēlojumu, padarot atkļūdošanu par nieku, salīdzinot ar šifrētajām atmiņas adresēm, ko iegūstat ar vanilla klasēm.
Papildus pamatiem, dekorators nodrošina vienādības pārbaudes, izmantojot __eq__()Standarta klasē divu objektu salīdzināšana ar vienādiem datiem, izmantojot == atgrieztu “False”, jo Python pārbauda, vai tie ir viens un tas pats eksemplārs atmiņā. Datu klases to maina, salīdzinot faktiskās vērtības laukus, apstrādājot objektu kā tā datu kortežu. Varat pat iespējot šķirošanas iespējas iestatot secība=Patiess, kas ģenerē tādas metodes kā __lt__ un __gt__, kas ļauj kārtot objektu sarakstus pēc to atribūtiem.
Precīza uzvedība ar parametriem
@dataclass dekorators ir ļoti konfigurējams. Piemēram, ja vēlaties emulēt tikai lasāmus objektus, varat iestatīt iesaldēts=PatiessTas novērš jebkura atribūta modificēšanu pēc objekta izveides, izmetot kļūdu Saldētas instances kļūda ja kāds mēģina mainīt vērtību. Lai gan tas nedaudz samazina veiktspēju instances izveides laikā, tas ir lielisks veids, kā nodrošināt datu ticamība visā jūsu lietojumprogrammā. Ja jūs uztrauc atmiņas apjoms vai ātrums, iestatiet slots=True var padarīt jūsu nodarbības vienkāršākas un ātrāk izveidojamas, novēršot noklusējuma izveidi __dict__.
Citi noderīgi parametri ir kw_only=True , kas piespiež visus konstruktora argumentus tikt nodoti kā atslēgvārdu argumenti, samazinot vērtību nodošanas nepareizā secībā risku. Ir arī match_args , kas palīdz klasei vienmērīgi darboties ar Python strukturālo modeļu saskaņošanu. Ja konstatējat, ka jums nav nepieciešama konkrēta metode, piemēram, konstruktors vai attēlojuma virkne, varat vienkārši iestatīt init=False vai repr=False, lai norādītu Python tos izlaist.
Padziļināti iedziļinieties field() funkcijā
Dažreiz vienkārša tipa anotācija nav pietiekama. Šeit ir lauka() funkcija stājas spēkā. Tas ļauj sniegt detalizētus norādījumus katram atribūtam. Piemēram, ja jums ir lauks, kuram nevajadzētu būt daļai no __init__ metode bet joprojām jāpastāv objektā, varat iestatīt init=FalseLīdzīgi varat paslēpt sensitīvus datus no __repr__ izvade iestatot repr=False.
Viens no kritiskākajiem lietojumiem field() apstrādā maināmas noklusējuma vērtībasPython valodā saraksta vai vārdnīcas izmantošana kā noklusējuma arguments ir katastrofas recepte, jo noklusējuma vērtība tiek koplietota visās instancēs. Lai to labotu, izmantojiet noklusējuma_rūpnīcaNododot izsaucamo (piemēram, list or dict), Python nodrošina, ka jauns maināmā objekta eksemplārs tiek izveidots katru reizi, kad tiek izveidota jauna datu klase, tādējādi izvairoties no baisās koplietotā stāvokļa kļūdas.
Paplašinātā loģika un mantošana
Ja aprēķini vai validācija ir jāveic tūlīt pēc objekta izveides, __post_init__() metode ir tavs labākais draugs. Kopš ģenerētā @dataclass __init__ tiek galā ar pamata uzdevumiem, __post_init__ ļauj iegūt jaunas vērtības no esošajiem laukiem. To bieži izmanto kopā ar SākumaVar, kas definē mainīgos, kas tiek nodoti konstruktoram, un __post_init__ bet tie netiek saglabāti kā faktiski atribūti instancē.
Mantošana intuitīvi darbojas ar datu klasēm, taču pastāv viens āķis attiecībā uz noklusējuma vērtībām . Mantojot no datu klases, Python secīgi apvieno laukus no bāzes klases un atvasinātās klases. Tā kā Python apstrādā funkciju argumentus, aiz lauka ar noklusējuma vērtību nevar sekot lauks bez tās . Tādēļ, ja jūsu bāzes klasei ir atribūti ar noklusējuma vērtībām, katram atribūtam bērnu klasē ir jābūt arī noklusējuma vērtībai, lai izvairītos no TypeError.
Datu konteineri pret uzvedības klasēm
Ir svarīgi atcerēties, ka datu klases galvenokārt ir stāvokļa, nevis uzvedības konteineri . Lai gan tām var pievienot metodes, sarežģītas, stāvokli mutējošas loģikas pievienošana var radīt neskaidrības arhitektūras iecerē. Ja jūsu klase kļūst par sarežģītu entītiju ar daudzām metodēm, kas maina tās iekšējo stāvokli, iespējams, ir pienācis laiks atgriezties pie standarta OO klases . Datu klases vislabāk izpaužas, ja tās tiek izmantotas domēna modelēšanai , informācijas nodošanai starp sistēmas slāņiem vai vienkāršu API atbilžu izveidei.
Lai vēl vairāk racionalizētu jūsu darbplūsmu, modulis nodrošina tādas utilitātes funkcijas kā asdict() un astuple() , kas rekursīvi konvertē jūsu ligzdotās datu klases standarta Python vārdnīcās vai tuple. Ir arī replace() , kas izveido seklu objekta kopiju, vienlaikus ļaujot mainīt noteiktus laukus, padarot to ideāli piemērotu darbam ar iesaldētām instancēm , kur tieša mutācija ir aizliegta.
Automatizējot konstruktoru, reprezentāciju un vienādības pārbaužu standarta shēmu, šie rīki ļauj izstrādātājiem koncentrēties uz faktisko datu struktūru, nevis klases izveides mehāniku. Neatkarīgi no tā, vai veidojat vienkāršu konstantu kolekciju vai sarežģītu ligzdotu datu hierarhiju, šo dekoratoru izmantošana nodrošina, ka jūsu kods paliek kodolīgs, lasāms un uzturējams, vienlaikus izmantojot Python tipu sistēmas pilno jaudu.
