回答。

@dataclass装饰器是Python 3.7引入的工具之一，用于在创建简单数据存储类时减少模板代码。借助类型注解，Python会自动生成__init__，__repr__，__eq__等方法。

问题背景：

在引入dataclass之前，开发人员手动编写模板类，实现构造函数、比较方法、repr，之后往往转向命名元组或attrs等库。引入@dataclass标准化并简化了这个过程。

问题：

模板代码（boilerplate）、构造函数和比较方法的重复代码常常导致错误，并使大型应用程序的维护变得复杂。

解决方案：

使用类型注解和特殊的@dataclass装饰器，可以自动生成类中的所有所需方法。

代码示例：

from dataclasses import dataclass

@dataclass
class Point:
    x: int
    y: int

p1 = Point(10, 20)
p2 = Point(10, 20)
print(p1 == p2)  # True，自动生成__eq__
print(p1)        # Point(x=10, y=20)，自动生成__repr__

关键特点：

根据描述符生成基本方法（init，repr，__eq__等）。
允许轻松添加不可变（frozen）和“受保护”字段，以及字段的默认值。
支持嵌套的dataclass和嵌套的数据结构。

有陷阱的问题。

@dataclass是否改变了继承的行为（继承时的特征）？

是的。在继承dataclass类时需特别注意：基类的字段在子类字段之前，构造函数/参数顺序发生冲突时可能出现错误。如果基类和子类的不同字段同名，则后者会覆盖前者。

在dataclass中可以为字段使用可变的默认值吗？

不可以，不能直接将这些对象（例如列表）作为默认值使用——必须使用field(default_factory=list)。否则，所有类实例将共享同一个集合。

示例：

from dataclasses import dataclass, field

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

@dataclass在任何场景下是否都很快？它适合优雅地存储大量数据吗？

不行。dataclass并不是内存优化的最佳选择。对于存储数百万个对象，最好使用__slots__、namedtuple或特殊结构——dataclass会增加附加字段，无法像插槽那样节省内存。可以组合使用，通过传递参数slots=True（Python 3.10+），或手动使用插槽。

常见错误和反模式

使用可变对象作为默认值（例如，values=[]），导致不同实例间意外“共享”集合。
在继承情况下破坏字段声明顺序。
使用dataclass为可变性，而真正需要的是不可变类型（必须设置frozen=True）。

实际示例

负面案例

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

c1 = Cart()
c2 = Cart()
c1.items.append("a")
print(c2.items)  # ['a'] — 所有Cart共享一个列表

优点：

代码简洁。

缺点：

行为不正确，对初学者来说令人意外（一个列表——对所有实例）。

正面案例

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)  # []