Respuesta.

El decorador @dataclass es una de las herramientas introducidas en Python 3.7 para reducir el código boilerplate al crear clases simples de almacenamiento de datos. Gracias a las anotaciones de tipos, Python genera automáticamente los métodos __init__, __repr__, __eq__ y otros.

Historia del tema:

Antes de la llegada de dataclass, los desarrolladores escribían clases de plantilla manualmente, implementando constructores, métodos de comparación, repr, y después a menudo cambiaban a tuplas nombradas o bibliotecas como attrs. La introducción de @dataclass estandarizó y simplificó este proceso.

Problema:

El código boilerplate, la duplicación de código de constructores y métodos de comparación a menudo conducían a errores y complicaban el mantenimiento de aplicaciones grandes.

Solución:

El uso de anotaciones de tipos y el decorador especial @dataclass permite generar automáticamente todos los métodos necesarios en la clase.

Ejemplo de código:

from dataclasses import dataclass

@dataclass
class Point:
    x: int
    y: int

p1 = Point(10, 20)
p2 = Point(10, 20)
print(p1 == p2)  # True, __eq__ generado automáticamente
print(p1)        # Point(x=10, y=20), __repr__ generado automáticamente

Características clave:

Generación de métodos básicos (init, repr, eq, etc.) a través del descriptor.
Permite agregar fácilmente campos inmutables (frozen) y «protegidos», así como valores predeterminados para los campos.
Soporte para dataclass anidados y estructuras de datos anidadas.

Preguntas capciosas.

¿Modifica @dataclass el comportamiento de la herencia (particularidades en la herencia)?

Sí. En la herencia de clases dataclass, hay que prestar atención especial: los campos de la clase base vienen antes que los campos de la clase hija, y también pueden surgir errores en conflictos de constructores/orden de argumentos. Si la clase base y la hija tienen campos con los mismos nombres, el último eclipsará al anterior.

¿Se pueden usar valores mutables por defecto para los campos en dataclass?

No, no se pueden usar directamente esos objetos (por ejemplo, listas) como predeterminados; se debe utilizar field(default_factory=list). De lo contrario, todas las instancias de la clase compartirán la misma colección.

Ejemplo:

from dataclasses import dataclass, field

@dataclass
class User:
    values: list = field(default_factory=list)

¿Es @dataclass rápido para cualquier escenario? ¿Es adecuado para almacenar de manera óptima grandes volúmenes de datos?

No. dataclass no es la opción más eficiente para optimización de memoria. Para almacenar millones de objetos, es mejor usar __slots__, namedtuple o estructuras especiales; dataclass añade campos de servicio y no ahorra memoria como lo hacen los slots. Se puede combinar pasando el parámetro slots=True (Python 3.10+), o usar slots manualmente.

Errores comunes y anti-patrones

Usar objetos mutables como predeterminados (por ejemplo, values=[]), lo que lleva a un inesperado «compartido» de la colección entre instancias.
Romper el orden de declaración de campos en caso de herencia.
Usar dataclass para mutabilidad cuando realmente se necesita un tipo inmutable (debe establecerse frozen=True).

Ejemplo de vida

Caso negativo

@dataclass
class Cart:
    items: list = []  # ¡error!

c1 = Cart()
c2 = Cart()
c1.items.append("a")
print(c2.items)  # ['a'] — todos los Cart comparten una lista

Ventajas:

Código conciso.

Desventajas:

Comportamiento incorrecto, inesperado para los principiantes (una lista — para todas las instancias).

Caso positivo

from dataclasses import dataclass, field
@dataclass
class Cart:
    items: list = field(default_factory=list)

c1 = Cart()
c2 = Cart()
c1.items.append("a")
print(c2.items)  # []