درس ۲۲: شی گرایی (OOP) در پایتون: Type Hinting و دیتا کلاس (Data Class)

شی گرایی (OOP) در پایتون: Type Hinting و دیتا کلاس (Data Class)

Photo by Stefan Widua

این درس به عنوان آخرین بخش از دروس آموزش شی‌گرایی در زبان برنامه‌نویسی پایتون به شرح یک ویژگی جدید در این زبان با نام دیتا کلاس (Data Class) می‌پردازد. البته پیش از شروع لازم است با یک سینتکس جدید نیز در پایتون آشنا شویم، در این سینتکس ما نوع داده‌های خود را نیز به صراحت ذکر می‌کنیم، شیوه‌ای که Type Hints [PEP 484] خوانده می‌شود. هنگام ایجاد دیتا کلاس (Data Class) به دانش این سینتکس نیاز خواهیم داشت.

توجه داشته باشید که تمام مطالب این درس تنها از نسخه‌های 3.5 به بعد پایتون پشتیبانی می‌گردد (هر جایی که به نسخه‌ای بالاتر نیاز باشد، به صراحت ذکر می‌گردد).

سطح: متوسط



Type Hinting

زبان برنامه‌نویسی پایتون همچنان یک زبان برنامه‌نویسی پویا (Dynamic) می‌باشد اما این زبان از نسخه 3.5 به بعد تلاش کرده در پاسخ به نیاز کامیونیتی و نیز کمک به توسعه و بهبود عملکرد ابزارهای شخص ثالث (3rd party) همچون Linterها، Type checkerها یا IDEها، استاندارد و نیز سینتکس امکان درج نوع را فراهم بیاورد. سینتکس این قابلیت در پایتون الهام گرفته از ابزار mypy [وب‌سایت] که یک Static type checker است، می‌باشد.

[مطالعه بیشتر:‌ پرسش و پاسخ مرتبط در StackOverflow]

کد نویسی با Type Hinting یک امر اختیاری بوده که در واقع چیزی مشابه مستندسازی می‌باشد ولی باعث افزایش خوانایی کد می‌گردد. همچنین به شرط استفاده از ابزارهای استاندارد و بررسی کامل کد پیش از اجرا، می‌تواند از بروز برخی خطاهای runtime جلوگیری نماید.

استفاده از mypy

نمونه کدهایی که در این بخش ارائه می‌شود، همگی قابلیت تست یا بررسی نوع را با ابزارهای شخص ثالث استاندارد همچون mypy را دارد. برای استفاده از این ابزار می‌بایست ابتدا آن را نصب نمایید:

$ pip3 install mypy

پس از نصب جهت بررسی کد، ابتدا لازم است کد خود را با استفاده از mypy کامپایل نمایید:

$ mypy program.py

این دستور خطاهای احتمالی از عدم رعایت نوع مناسب در برنامه را پیدا و گزارش می‌دهد. پس از بررسی، debugging و رفع خطاهای احتمالی اکنون می‌توانید برنامه خود را اجرا نمایید:

$ python3 program.py

Variable Annotations

سینتکس درج نوع برای متغییرها که در نسخه 3.6 پایتون ارائه گشته است [PEP 526]. بر اساس این سند، سینتکس تعریف یک متغیر به همراه نوع به صورت زیر خواهد بود:

var: annotation

که در آن var نام متغیر و annotation نوع مورد نظر خواهد بود. همچنین چنانچه بخواهیم همزمان با اعلان نوع، یک مقدار اولیه نیز به متغیر خود انتساب دهیم:

var: annotation = value
>>> a: int
>>> a
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
NameError: name 'a' is not defined
>>> a = 10
>>> a
10

توجه داشته باشید، تا قبل از عمل انتساب هنوز متغیری ایجاد نشده است، چرا که این نام نمی‌داند باید به چه مقداری در حافظه اشاره داشته باشد.

>>> item: int
>>> for item in [1, 3, 9]:
...     print(item)
...
1
3
9
>>> a: int = 5
>>> a
5
>>> type(a)
<class 'int'>

اسکریپت زیر را در نظر بگیرید:

1# sample.py
2
3a: int
4
5a = 'python'
6
7print(type(a))
8print(a)

چنانچه اسکریپت فوق را با پایتون اجرا نماییم- اسکریپت فوق بدون هیچ خطایی اجرا می‌گردد:

$ python3 sample.py
<class 'str'>
python

ولی اگر اسکریپت فوق را با mypy تست نماییم:

$ mypy sample.py
sample.py:5: error: Incompatible types in assignment (expression has type "str", variable has type "int")
Found 1 error in 1 file (checked 1 source file)

یک خطا گزارش می‌گردد (بر روی سطر ۵)، چرا که نوع متغییر a برابر int مشخص شده است ولی با یک مقدار از نوع str مقداردهی شده است.

Function Annotations

سند [PEP 3107] به ارائه سینتکس مربوط به اعلام نوع در تعریف پارامترها و نیز نوع مقدار خروجی در پایتون می‌پردازد:

def func(arg: arg_type, optarg: arg_type = default) -> return_type:
    ...
>>> a: int = 7

>>> def square_area(x:int=2) -> int:
...     return x * x
...
>>> square_area()
4
>>> square_area(5)
25
>>> square_area.__annotations__
{'x': <class 'int'>, 'return': <class 'int'>}

>>> __annotations__
{'a': <class 'int'>}

با استفاده از یک attribute ویژه در پایتون به نام __annotations__ می‌توان در زمان runtime به مشخصات و نوع تعریف شده در یک شی تابع، کلاس یا ماژول دسترسی پیدا کرد.

توجه داشته باشید منظور annotations در پایتون عباراتی هستند که با سینتکس خاص معرفی شده توسط Variable Annotations و... ایجاد می‌شوند.

برای توابعی که فاقد دستور return هستند، نوع خروجی می‌بایست به صورت None <- تعریف گردد. چرا که حتی توابع فاقد return نیز به صورت ضمنی شامل دستور return None هستند:

>>> def print_item(x:str='') -> None:
...     print(x)

سینتکس annotation برای پارامترهایی kwargs** و args* به صورت زیر می‌باشد:

>>> def print_all(*args:str, **kwargs:str) -> None:
...     print('args:', args)
...     print('kwargs:', kwargs)
...
>>>
>>> print_all('s', ('a', 'e'))
args: ('s', ('a', 'e'))
kwargs: {}
>>> print_all('d', 'c', param='pppp')
args: ('d', 'c')
kwargs: {'param': 'pppp'}

در این مواقع نیز می‌بایست نوع با دقت مشخص گردد.

Class Annotations

بر اساس مطالب ارائه شده تا این لحظه می‌توان ساختار یک کلاس را به صورت زیر در نظر گرفت:

 1from typing import ClassVar
 2
 3class Sample:
 4
 5    a: str = 'a_data'
 6    b: ClassVar[str] = "b_data"
 7
 8    x: int
 9
10    def __init__(self, x: int, y:int=8) -> None:
11        self.x = x
12        self.y = y

کلاس Sample شامل دو Class Attribute با نام‌های a و b - همچنین دو Instance Attribute به نام‌های x و y می‌باشد. به دو شیوه تعریف هر کدام در مثال بالا توجه نمایید.

نوع ClassVar یک wrapper برای نوع متغیرهای داخل کلاس می‌باشد که وظیفه آن برچسب زدن یک متغیر به عنوان Class Attribute می‌باشد. این wrapper از داخل ماژول typing در دسترس خواهد بود [اسناد پایتون]. به منظور افزایش خوانایی بهتر است تمامی Class Attribute با استفاده از ClassVar نوع گذاری گردند.

به حاصل دستورات زیر در رابطه با کلاس Sample مثال قبل توجه نمایید:

 1obj = Sample(5)
 2
 3print('\nSEC#01', '-' * 30)
 4print('Class  Atrr:', dir(Sample))
 5print('Object Atrr:', dir(obj))
 6
 7print('\nSEC#02', '-' * 30)
 8print(Sample.__annotations__)
 9print(obj.__annotations__)
10
11print('\nSEC#03', '-' * 30)
12print('Class  vars:', vars(Sample))
13print('Object vars:', vars(obj))
14
15print('\nSEC#04', '-' * 30)
16print('x:', obj.x)
17print('y:', obj.y)
18print('a:', Sample.a)
19print('b:', Sample.b)
20
21print('\nSEC#05', '-' * 30)
22
23obj.x = 10
24obj.y = 16
25Sample.a = "PYTHON"
26Sample.b = "LANGUAGE"
27print('x:', obj.x)
28print('y:', obj.y)
29print('a:', Sample.a)
30print('b:', Sample.b)
SEC#01 ------------------------------
Class  Atrr: ['__annotations__', '__class__', '__delattr__', '__dict__', '__dir__', '__doc__', '__eq__', '__format__', '__ge__', '__getattribute__', '__gt__', '__hash__', '__init__', '__init_subclass__', '__le__', '__lt__', '__module__', '__ne__', '__new__', '__reduce__', '__reduce_ex__', '__repr__', '__setattr__', '__sizeof__', '__str__', '__subclasshook__', '__weakref__', 'a', 'b']
Object Atrr: ['__annotations__', '__class__', '__delattr__', '__dict__', '__dir__', '__doc__', '__eq__', '__format__', '__ge__', '__getattribute__', '__gt__', '__hash__', '__init__', '__init_subclass__', '__le__', '__lt__', '__module__', '__ne__', '__new__', '__reduce__', '__reduce_ex__', '__repr__', '__setattr__', '__sizeof__', '__str__', '__subclasshook__', '__weakref__', 'a', 'b', 'x', 'y']

SEC#02 ------------------------------
{'a': <class 'str'>, 'b': typing.ClassVar[str], 'x': <class 'int'>}
{'a': <class 'str'>, 'b': typing.ClassVar[str], 'x': <class 'int'>}

SEC#03 ------------------------------
Class  vars: {'__module__': '__main__', '__annotations__': {'a': <class 'str'>, 'b': typing.ClassVar[str], 'x': <class 'int'>}, 'a': 'a_data', 'b': 'b_data', '__init__': <function Sample.__init__ at 0x7faae8f16bf8>, '__dict__': <attribute '__dict__' of 'Sample' objects>, '__weakref__': <attribute '__weakref__' of 'Sample' objects>, '__doc__': None}
Object vars: {'x': 5, 'y': 8}


SEC#04 ------------------------------
x: 5
y: 8
a: a_data
b: b_data

SEC#05 ------------------------------
x: 10
y: 16
a: PYTHON
b: LANGUAGE

تابع vars تمام attributeهای شی دریافتی را در قالب یک شی دیکشنری برمی‌گرداند [اسناد پایتون].

ماژول typing

این ماژول از نسخه 3.5 با هدف فراهم آوردن پشتیبانی از Type Hinting در Runtime پایتون، افزوده شده است [اسناد پایتون].

برخی از مواردی که این ماژول در پشتیبانی از قابلیت Type Hints فراهم آورده است به شرح زیر است. جهت آشنایی بیشتر می‌توانید به صفحه اصلی مستندات مراجعه نمایید.

-- معادل برخی از انواع --

تاکنون فقط به ذکر نوع از انواع ساده‌ای همچون int و str پرداخته‌ایم، با این حال ذکر نوع برای نوع داده دیکشنری که شامل اعضایی به صورت کلید:مقدار بوده و هر عضو نیز می‌تواند از دو نوع مختلف باشد چگونه باید انجام شود؟ در پاسخ باید گفت که ماژول typing یک سری انواع معادل فراهم آورده است.

  • Dict [اسناد پایتون] معادل dict

    >>> from typing import Dict
    
    >>> d: Dict[str, int] = {'a': 97, 'b': 98, 'c': 99, 'd': 100}
    
    >>> d
    {'a': 97, 'b': 98, 'c': 99, 'd': 100}
    >>> type(d)
    <class 'dict'>
    >>> isinstance(d, dict)
    True
    
    >>> d = {'a': 97, 'b': 98, 'c': 99, 'd': 100}
    
  • List [اسناد پایتون] معادل list

    >>> from typing import List
    
    >>> L: List[int] = [97, 98, 99, 100]
    
    >>> L
    [97, 98, 99, 100]
    >>> type(L)
    <class 'list'>
    >>> isinstance(L, list)
    True
    
    >>> L = [97, 98, 99, 100]
    
  • Set [اسناد پایتون] معادل set

    >>> from typing import Set
    
    >>> s: Set[str] = {'a', 'b', 'c', 'd'}
    
    >>> s
    {'d', 'c', 'a', 'b'}
    >>> type(s)
    <class 'set'>
    >>> isinstance(s, set)
    True
    
    >>> s = {'a', 'b', 'c', 'd'}
    

-- NewType --

با استفاده از این تابع می‌توان یک نوع جدید یا در واقع یک Wrapper شخصی برای انواع موجود ایجاد نماییم [اسناد پایتون].

سینتکس NewType('UserId', int) یک نوع جدید با نام UserId بر اساس نوع اصلی int ایجاد می‌کند. توجه داشته باشید که نوع جدید تنها از نظر ظاهر برای ابزارهای type checker متفاوت بوده ولی در پایتون همان ماهیت نوع اصلی را خواهد داشت:

>>> from typing import NewType

>>> UserId = NewType('UserId', int)

>>> some_id = UserId(524313)

>>> some_id
524313
>>> type(some_id)
<class 'int'>
>>> isinstance(some_id, int)
True
>>> def get_user_name(user_id: UserId) -> str:
...      if user_id == 1633:
...          return 'saeid'
...      else:
...          return ''
...
>>> saeid_id = UserId(1633)
>>> get_user_name(saeid_id)
'saeid'

-- Any --

یک نوع خاص که به معنی هر نوعی می‌باشد، در واقع Any هر نوعی می‌تواند باشد [اسناد پایتون]. دو قطعه کد زیر از نظر ابزارهای type checker کاملا مشابه یکدیگر هستند:

>>> def func(param):
...     return param
...
>>>
>>> from typing import Any
>>> def func(param: Any) -> Any:
...     return param
...
>>> func(4)
4
>>> func('py')
'py'
>>> func([0, 1, 2])
[0, 1, 2]

-- Callable --

یک نوع خاص دیگر برای شرح نوع یک شی Callable (درس هفدهم) به مانند توابع می‌باشد [اسناد پایتون]. ساختار این نوع به صورت زیر است:

Callable[[Arg1Type, Arg2Type,...], ReturnType]

به مثال زیر توجه نمایید:

 1from typing import Any, Callable
 2
 3class Response:
 4
 5    def __init__(self, code:int, message:str, result:Any) -> None:
 6        self.code = code
 7        self.message = message
 8        self.result = result
 9
10
11def success_handler(result:Any) -> None:
12    pass
13
14
15def error_handler(code:int, message:str) -> None:
16    pass
17
18
19def async_query(on_success: Callable[[Any], None],
20                on_error: Callable[[int, str], None]) -> Response:
21    pass
22
23
24async_query(success_handler, error_handler)

Data Classes

از نسخه 3.7 پایتون یک ویژگی جالب به پایتون اضافه گردید. دیتا کلاس (Data Class) [PEP 557]، در واقع سینتکسی ساده‌سازی شده برای ایجاد کلاس‌هایی می‌باشد که معمولا تنها حاوی Instance Attribute هستند. این نوع کلاس با استفاده از دکوراتور dataclass@ از ماژول dataclasses ایجاد می‌گردد [اسناد پایتون]. برای مثال کلاس زیر را در نظر بگیرید:

 1from dataclasses import dataclass
 2
 3@dataclass
 4class Student:
 5    name: str
 6    score: int
 7
 8student = Student('Saeid', 70)
 9print(student)
10print('-' * 30)
11print(student.name)
12print(student.score)
13print('-' * 30)
14print(Student('Saeid', 70) == Student('Saeid', 70))
Student(name='Saeid', score=70)
------------------------------
Saeid
70
------------------------------
True

در این نوع کلاس برای تعریف Attributeها از سینتکس Variable Annotations [PEP 526] استفاده می‌شود.

باید توجه داشت که طبق سند PEP 484 پیروی از اصول Type Hints در پایتون اجباری نبوده، نیست و نخواهد شد. ولی Data Class یک استثناست و در آن حتما می‌بایست Attributeها به شیوه شرح داده شده، تعریف گردند و به آن‌ها فیلدهای (field) دیتا کلاس گفته می‌شود.

از آنجا که این نوع کلاس برای ایجاد یک کاربرد عمومی از کلاس‌ها توسعه یافته (نگهداری اطلاعات)، بنابراین بسیاری از عملیات‌ها در آن خودکارسازی شده تا پیاده‌سازی این کلاس ساده‌تر از هر کلاس دیگری باشد. برای مثال نیازی به پیاده‌سازی متد __init__ نیست و این متد به صورت خودکار برای کلاس ما ایجاد می‌گردد (به لطف Type Hinting!). اکنون اگر بخواهیم دیتاکلاس مثال قبل را به صورت عادی پیاده‌سازی کنیم:

 1class Student:
 2
 3    def __init__(self, name, score):
 4        self.name = name
 5        self.score = score
 6
 7
 8student = Student('Saeid', 70)
 9print(student)
10print('-' * 30)
11print(student.name)
12print(student.score)
13print('-' * 30)
14print(Student('Saeid', 70) == Student('Saeid', 70))
<__main__.Student object at 0x7f922a311518>
------------------------------
Saeid
70
------------------------------
False

با مقایسه این دو خروجی، مشاهده می‌شود که مقدار چاپ شی (سطر ۹) و نیز حاصل مقایسه دو شی (سطر ۱۴) با مقادیر یکسان، متفاوت است. دلیل نیز پیشتر بیان شد،‌ تعدادی متد خاص همانند __init__ برای دیتا کلاس‌ها به صورت خودکار تولید می‌شوند که با پیاده‌سازی پیش‌فرض متفاوت‌ بوده و بر نوع کاربرد این کلاس‌ها و راحتی استفاده تمرکز شده است. این پیاده‌سازی را می‌توان به صورت زیر نمایش داد:

 1class Student:
 2
 3    def __init__(self, name, score):
 4        self.name = name
 5        self.score = score
 6
 7    def __str__(self):
 8        return (f'{self.__class__.__name__}'
 9                f'(name={self.name!r}, score={self.score!r})')
10
11    def __eq__(self, other):
12        return (self.name, self.score) == (other.name, other.score)
13
14
15student = Student('Saeid', 70)
16print(student)
17print('-' * 30)
18print(student.name)
19print(student.score)
20print('-' * 30)
21print(Student('Saeid', 70) == Student('Saeid', 70))
Student(name='Saeid', score=70)
------------------------------
Saeid
70
------------------------------
True

از دروس پیش با متد __eq__ آشنا هستیم، متد __str__ [اسناد پایتون] نیز یکی دیگر از متدهای خاص پایتون می‌باشد و هنگامی که یک شی می‌خواهد به نوع str تبدیل گردد، به صورت خودکار فراخوانی می‌گردد (تبدیل به نوع رشته - درس هفتم)، به صورت مشابه متد __repr__ [اسناد پایتون] نیز قابل پیاده سازی است.

بهتر است مقداردهی اولیه اشیای دیتاکلاس‌ها را به روش نام=مقدار انجام دهید (هنگام نمونه‌سازی)، در غیر این صورت اگر ترتیب تعریف فیلدها در کلاس را از بالا به پایین در نظر بگیریم، آنگاه ترتیب قرار گرفتن پارامترها در متد __init__ که قرار است تولید شود، با حفظ ترتیب، از چپ به راست خواهند بود.

به همین دلیل می‌بایست در ترتیب قرارگرفتن فیلدهایی که دارای مقدار پیش‌فرض هستند دقت کرد و آن‌ها را جزو فیلد‌های انتهایی درنظر گرفت. چرا که تعریف متد __init__ با خطا مواجه می‌گردد. از تعریف توابع به یاد داریم، پارامتر با مقدار پیش‌فرض نمی‌تواند پیش از پارامتر بدون مقدار پیش‌فرض قرار بگیرد! برای مثال سینتکس تعریف تابع زیر اشتباه می‌باشد:

    def func (a, b, name='s', d):
             ^
SyntaxError: non-default argument follows default argument

Type Hinting

تنها این Attributeهای یک دیتا کلاس است که می‌بایست بر اساس قوانین سینتکس Type Hinting نوشته شوند. در این بین برای درج Class Attributeها نیز می‌بایست حتما از ClassVar استفاده گردد، در غیر این صورت آن Attribute در حکم Instance Attribute خواهد بود.

متد __post_init__

دیتا کلاس‌ها همچنین می‌توانند شامل متد نیز باشند، چگونگی تعریف متد در دیتا کلاس تفاوتی با دیگر کلاس‌ها ندارد.

از طرفی می‌دانیم که متد __init__ یک دیتا کلاس به صورت خودکار ایجاد می‌گردد و مرحله initialize شی از دستان ما خارج شده است. با این حال چنانچه اگر کلاس شامل متدی با نام __post_init__ باشد، این متد پس از __init__ به صورت خودکار فراخوانی می‌گردد:

 1from dataclasses import dataclass
 2
 3@dataclass
 4class Student:
 5    name: str
 6    score: int
 7
 8    def __post_init__(self):
 9        print("__post_init__ got called:", self)
10        if self.name == 'Saeed':
11            self.name =  'Saeid'
12
13
14student = Student('Saeed', 70)
15print(student)
__post_init__ got called: Student(name='Saeed', score=70)
Student(name='Saeid', score=70)

از طریق ماژول dataclasses یک annotation type جدید با نام InitVar در دسترس است. چنانچه در تعریف هر یک از Attributeها کلاس از این نوع استفاده کنیم، آن Attribute به عنوان پارامتر به متد __post_init__ ارسال می‌گردد. باید توجه داشت که این نوع Attributeها به عنوان Init-only variables شناخته می‌شوند [اسناد پایتون] و مفسر پایتون آن‌ها را صرفا به __post_init__ ارسال می‌کند و جزو فیلدهای دیتا کلاس قرار نمی‌دهد:

 1from dataclasses import dataclass, InitVar
 2
 3@dataclass
 4class Student:
 5    name: InitVar[str]
 6    score: int
 7
 8    def __post_init__(self, name):
 9        if name == 'Saeid':
10            self.score =  100
11
12
13student = Student('Saeid', 70)
14print(student)
15print('-' * 30)
16print(student.name)
Student(score=100)
------------------------------
Traceback (most recent call last):
  File "sample.py", line 16, in <module>
    print(student.name)
AttributeError: 'Student' object has no attribute 'name'

تابع field و fields

تابع fields از ماژول dataclasses یک شی از دیتا کلاس یا خود دیتا کلاس را از ورودی دریافت و یک توپِل حاوی تمام فیلد‌های آن بر می‌گرداند [اسناد پایتون]:

 1from dataclasses import dataclass, InitVar, fields
 2
 3@dataclass
 4class Student:
 5    name: str
 6    score: int = 70
 7    age: InitVar[int] = 18
 8
 9
10obj = Student('saeid', 90, 20)
11print(obj)
12print(fields(obj))
Student(name='saeid', score=90)
(Field(name='name',type=<class 'str'>,default=<dataclasses._MISSING_TYPE object at 0x7f7e5c68cd68>,default_factory=<dataclasses._MISSING_TYPE object at 0x7f7e5c68cd68>,init=True,repr=True,hash=None,compare=True,metadata=mappingproxy({}),_field_type=_FIELD), Field(name='score',type=<class 'int'>,default=70,default_factory=<dataclasses._MISSING_TYPE object at 0x7f7e5c68cd68>,init=True,repr=True,hash=None,compare=True,metadata=mappingproxy({}),_field_type=_FIELD))

پیش‌تر گفتیم، Attributeهای داخل یک دیتا کلاس فیلد (Field) خوانده می‌شوند. خروجی بالا نمایش ساختار یک شی Field از دیتا کلاس می‌باشد [اسناد پایتون]. در واقع متغیرهایی که داخل دیتا کلاس با سنتکس Variable Annotations تعریف می‌شوند، به صورت خودکار به فیلد (Field) تبدیل می‌شوند. فیلدها می‌توانند حاوی مقدار پیش‌فرض باشند (همانند فیلد score). برای کاستن از حجم functionality داخل یک دیتا کلاس، ماژول dataclasses پایتون شامل تابعی است با نام field که توانایی و انعطاف زیادی در فراهم آوردن مقدار پیش‌فرض برای فیلدهای تعریف شده ایجاد می‌کند.

یک شی فیلد شامل پارامترهایی است که از طریق تابع field قابل تنظیم هستند، البته به جز دو پارامتر زیر که از تعریف Variable Annotations استنباط می‌شوند:

  • name: نام فیلد

  • type: نوع (type) فیلد

تعریف مقدار پیش‌فرض برای یک فیلد با استفاده از تابع field:

field(*, default=MISSING, default_factory=MISSING, repr=True, hash=None, init=True, compare=True, metadata=None)
  • توجه:‌ همانطور که از مبحث Keyword-Only Arguments از درس دوازدهم به یاد داریم، فراخوانی این تابع تنها با استفاده از ارسال آرگومان به صورت نام=مقدار مجاز خواهید بود.

  • default: مقدار پیش‌فرض فیلد، در صورت عدم نیاز می‌بایست با مقدار ویژه MISSING مقداردهی گردد.

  • default_factory: یک موجودیت callable بدون آرگومان را دریافت می‌کند و در زمانی که به مقدار پیش‌فرض برای فیلد نیاز باشد، فراخوانی می‌گردد. در صورت عدم نیاز می‌بایست با مقدار ویژه MISSING مقداردهی گردد. به بیانی دیگر می‌توان با استفاده از این پارامتر،‌ یک تابع به فیلد اختصاص داد که مقدار یا مقادیر پیش‌فرضی را برای فیلد مورد نظر تولید نماید.

  • توجه: در هر فیلد تنها یکی از دو پارامتر default یا default_factory می‌تواند حاوی مقداری غیر از MISSING باشد.

  • repr, init, compare, hash: در صورتی که هر کدام از این پارامتر‌ها برابر با مقدار True (پیش‌فرض) تنظیم گردند، فیلد مربوطه به متدهای ایجاد شده متناظر با هر پارامتر ارسال خواهد شد:

    repr    -->> __repr__ __str__
    init    -->> __init__
    compare -->> __eq__ __ne__ __lt__ __le__ __gt__ __ge__
    hash    -->> __hash__
    
  • توجه چنانچه مقدار compare برابر True تنظیم گردد (حالت پیش‌فرض)،‌ مقدار hash می‌بایست None (و نه False) باشد، چرا که عملیات مقایسه دو شی دیگر به مقدار hash وابسته نبوده و از طریق متدهای تولید شده (__eq__ و غیره) انجام خواهد شد.

  • metadata: می‌توان اطلاعات اضافی و دلخواه پیرامون فیلد را در قالب یک شی دیکشنری به این پارامتر ارسال کرد.

به نمونه کد زیر توجه نمایید:

 1from dataclasses import dataclass, field, fields
 2from typing import List
 3
 4
 5def get_default_books():
 6    return []
 7
 8
 9@dataclass
10class Book:
11    id: int
12    name: str = field(compare=False)
13
14
15@dataclass
16class Author:
17    id: int
18    name: str = field(compare=False, metadata={'coding': 'UTF-8'})
19    books: List[Book] = field(default_factory=get_default_books, compare=False)
20
21
22
23author = Author(id=1, name='Saeid')
24print(author)
25print(fields(author))
Author(id=1, name='Saeid', books=[])
(Field(name='id',type=<class 'int'>,default=<dataclasses._MISSING_TYPE object at 0x7f5e66a58e48>,default_factory=<dataclasses._MISSING_TYPE object at 0x7f5e66a58e48>,init=True,repr=True,hash=None,compare=True,metadata=mappingproxy({}),_field_type=_FIELD), Field(name='name',type=<class 'str'>,default=<dataclasses._MISSING_TYPE object at 0x7f5e66a58e48>,default_factory=<dataclasses._MISSING_TYPE object at 0x7f5e66a58e48>,init=True,repr=True,hash=None,compare=False,metadata=mappingproxy({'coding': 'UTF-8'}),_field_type=_FIELD), Field(name='books',type=typing.List[__main__.Book],default=<dataclasses._MISSING_TYPE object at 0x7f5e66a58e48>,default_factory=<function get_default_books at 0x7f5e66bcb1e0>,init=True,repr=True,hash=None,compare=False,metadata=mappingproxy({}),_field_type=_FIELD))

Immutable Data Classes

دکوراتور dataclass@ چندین پارامتر با مقدار پیش‌فرض دارد که به شرح زیر می‌باشند [اسناد پایتون]:

@dataclass(init=True, repr=True, eq=True, order=False, unsafe_hash=False, frozen=False)
class Sample:
   ...
  • init: اگر True باشد، متد __init__ تولید می‌شود.

  • repr: اگر True باشد، متد __repr__ تولید می‌شود.

  • order: اگر True باشد، متدهای __gt__ ،__le__ ،__lt__ و __ge__ تولید می‌شوند.

  • unsafe_hash: اگر False باشد، آنگاه بر اساس مقادیر eq ،init و frozen و شرایط موجود یک متد __hash__ مناسب تولید می‌شود.

frozen

چنانچه این پارامتر برابر True تنظیم گردد، دیتا کلاس Immutable (غیرقابل تغییر) خواهد شد و دیگر نمی‌توان مقدار هیچکدام از فیلدهای اشیای آن را پس از نمونه‌سازی تغییر داد، این رفتار در موارد بسیاری می‌تواند مفید باشد:

 1from dataclasses import dataclass
 2
 3@dataclass(frozen=True)
 4class Position:
 5    name: str
 6    lon: float = 0.0
 7    lat: float = 0.0
 8
 9pos = Position('Tehran', 35.6, 51.5)
10
11print(pos.name)
12print('-' * 30)
13pos.name = 'Qazvin'
Tehran
------------------------------
Traceback (most recent call last):
  File "sample.py", line 13, in <module>
    pos.name = 'Qazvin'
  File "<string>", line 3, in __setattr__
dataclasses.FrozenInstanceError: cannot assign to field 'name'

وراثت (Inheritance)

دیتا کلاس‌ها می‌توانند از یکدیگر ارث‌بری داشته باشند:

 1from dataclasses import dataclass
 2
 3
 4@dataclass
 5class Person:
 6    name: str
 7
 8
 9@dataclass
10class Friend(Person):
11    city: str
12
13    def say_hi(self):
14        print(f'Hi {self.name}')
15
16
17f = Friend(city='Tehran', name='Armin')
18f.say_hi()
19
20f = Friend('Tehran', 'Armin')
21f.say_hi()
Hi Armin
Hi Tehran

بهتر است مقداردهی اولیه اشیای دیتاکلاس‌ها را به روش نام=مقدار انجام دهید، در غیر این صورت باید بدانید در هنگام ارث‌بری ابتدا فیلدهای supperclass مقداردهی می‌شوند! در نتیجه می‌توان تعریف متد __init__ برای کلاس Friend را برابر با تعریف زیر فرض کرد:

def __init__(self, name, city):

به همین دلیل نیز اگر یکی از فیلدهای supperclass دارای مقدار پیش‌فرض باشد، می‌بایست فیلدهای subclass نیز دارای مقدار پیش‌فرض باشند. چرا که تعریف متد __init__ با خطا مواجه می‌گردد. از تعریف توابع به یاد داریم، پارامتر با مقدار پیش‌فرض نمی‌تواند پیش از پارامتر بدون مقدار پیش‌فرض قرار بگیرد!



😊 امیدوارم مفید بوده باشه