Réponse.

Le décorateur @dataclass est l'un des outils introduits dans Python 3.7 pour réduire le code standard lors de la création de classes de stockage de données simples. Grâce aux annotations de types, Python génère automatiquement les méthodes __init__, __repr__, __eq__ et d'autres.

Historique de la question :

Avant l'apparition de dataclass, les développeurs écrivaient manuellement des classes standard, implémentant des constructeurs, des méthodes de comparaison, repr, et souvent, ils passaient à des tuples nommés ou à des bibliothèques comme attrs. L'introduction de @dataclass a standardisé et simplifié ce processus.

Problème :

Le code standard (boilerplate), la duplication de code des constructeurs et des méthodes de comparaison entraînaient souvent des erreurs et compliquaient la maintenance des grandes applications.

Solution :

L'utilisation des annotations de types et du décorateur spécial @dataclass permet de générer automatiquement toutes les méthodes nécessaires dans la classe.

Exemple de code :

from dataclasses import dataclass

@dataclass
class Point:
    x: int
    y: int

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

Caractéristiques clés :

Génération des méthodes principales (init, repr, eq et autres) par descripteur.
Permet d'ajouter facilement des champs immuables (frozen) et des valeurs par défaut.
Prise en charge des dataclass imbriqués et des structures de données imbriquées.

Questions pièges.

Est-ce que @dataclass modifie le comportement de l'héritage (particularités lors de l'héritage) ?

Oui. Lors de l'héritage des classes dataclass, une attention particulière est requise : les champs de la classe parent viennent avant ceux de la classe enfant, et des erreurs peuvent survenir en cas de conflit entre les constructeurs/ordre des arguments. Si la classe parent et la classe enfant ont des champs avec les mêmes noms, le dernier écrasera le précédent.

Peut-on utiliser des valeurs mutables par défaut pour les champs dans dataclass ?

Non, on ne peut pas utiliser directement de tels objets (par exemple, une liste) comme valeur par défaut – il faut utiliser field(default_factory=list). Sinon, tous les instances de la classe partageront la même collection.

Exemple :

from dataclasses import dataclass, field

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

Le décorateur @dataclass est-il rapide pour tous les scénarios ? Est-il adapté pour le stockage optimal de grands ensembles de données ?

Non. La dataclass n'est pas la solution la plus efficace pour l'optimisation de la mémoire. Pour stocker des millions d'objets, il est préférable d'utiliser __slots__, namedtuple ou des structures spécialisées — dataclass ajoute des champs d'état et n'économise pas de mémoire comme les slots. Il est possible de combiner en passant le paramètre slots=True (Python 3.10+), ou en utilisant manuellement des slots.

Erreurs typiques et anti-patterns

Utilisation d'objets mutables comme valeur par défaut (par exemple, values=[]), ce qui entraîne un "partage" inattendu de la collection entre les instances.
Violation de l'ordre de déclaration des champs en cas d'héritage.
Utilisation de dataclass pour la mutabilité, alors qu'un type vraiment immuable est nécessaire (il faut mettre frozen=True).

Exemple pratique

Cas négatif

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

c1 = Cart()
c2 = Cart()
c1.items.append("a")
print(c2.items)  # ['a'] — tous les Cart partagent la même liste

Avantages :

Code concis.

Inconvénients :

Comportement incorrect, inattendu pour les débutants (une liste pour toutes les instances).

Cas positif

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)  # []