Modelos de Datos con Dataclasses

Al programar en Python orientado a objetos, con frecuencia creamos clases cuyo propósito principal es almacenar datos. En el enfoque tradicional, esto requiere escribir código repetitivo (boilerplate) para implementar __init__, __repr__, __eq__, etc.

Introducido en Python 3.7 (PEP 557), el decorador @dataclass del módulo estándar dataclasses automatiza la generación de estos métodos especiales a partir de las anotaciones de tipo de los atributos.

1. Comparación: Clase Tradicional vs @dataclass #

Clase tradicional (mucho código repetitivo): #

1class UsuarioTradicional:
2    def __init__(self, id_usuario: int, nombre: str, email: str):
3        self.id_usuario = id_usuario
4        self.nombre = nombre
5        self.email = email
6
7    def __repr__(self) -> str:
8        return f"UsuarioTradicional(id={self.id_usuario}, nombre='{self.nombre}', email='{self.email}')"
9
10    def __eq__(self, other: object) -> bool:
11        if not isinstance(other, UsuarioTradicional):
12            return False
13        return (self.id_usuario, self.nombre, self.email) == (other.id_usuario, other.nombre, other.email)

Con @dataclass (conciso, legible y declarativo): #

 
1from dataclasses import dataclass
2
3@dataclass
4class Usuario:
5    id_usuario: int
6    nombre: str
7    email: str
8    activo: bool = True  # Valor por defecto
9
10user1 = Usuario(1, "Ana López", "ana@example.com")
11user2 = Usuario(1, "Ana López", "ana@example.com")
12
13print(user1)            # __repr__ automático
14print(user1 == user2)   # __eq__ automático por valor
Salida de consola
Usuario(id_usuario=1, nombre='Ana López', email='ana@example.com', activo=True)
True

2. Atributos mutables por defecto con field(default_factory=...) #

En Python no se deben asignar estructuras mutables (como [] o {}) directamente como valor por defecto en clases. Con dataclasses se utiliza la función field:

 
1from dataclasses import dataclass, field
2
3@dataclass
4class Curso:
5    titulo: str
6    lecciones: list[str] = field(default_factory=list)
7    tags: set[str] = field(default_factory=set)
8
9curso_python = Curso("Python Avanzado")
10curso_python.lecciones.append("Dataclasses")
11print(curso_python)
Salida de consola
Curso(titulo='Python Avanzado', lecciones=['Dataclasses'], tags=set())

3. Inmutabilidad y Clases Hashables (frozen=True) #

Al configurar frozen=True, la dataclass se vuelve de solo lectura (inmutable), lo que permite usar sus instancias de forma segura como claves de diccionarios o elementos de conjuntos (sets):

 
1@dataclass(frozen=True)
2class Coordenada:
3    latitud: float
4    longitud: float
5
6coord = Coordenada(40.4168, -3.7038)
7# coord.latitud = 41.0  -> Lanzará FrozenInstanceError
8puntos_interes = {coord: "Madrid Centro"}
9print(puntos_interes[coord])
Salida de consola
Madrid Centro

4. Comparación y Ordenación (order=True) #

Podemos habilitar métodos de comparación como <, <=, >, >= automáticamente:

 
1@dataclass(order=True)
2class Tarea:
3    prioridad: int
4    descripcion: str = field(compare=False) # Se excluye de la comparación
5
6t1 = Tarea(1, "Revisar logs")
7t2 = Tarea(5, "Planificar sprint")
8
9print(t1 < t2)
Salida de consola
True

5. Post-inicialización con __post_init__ #

Si necesitas calcular atributos derivados o validar datos al instanciar la clase:

 
1@dataclass
2class Producto:
3    nombre: str
4    precio_base: float
5    descuento_porcentaje: float = 0.0
6    precio_final: float = field(init=False)
7
8    def __post_init__(self):
9        if self.precio_base < 0:
10            raise ValueError("El precio base no puede ser negativo")
11        self.precio_final = self.precio_base * (1 - self.descuento_porcentaje / 100)
12
13prod = Producto("Teclado Mecánico", 100.0, 15.0)
14print(f"Precio final con descuento: {prod.precio_final} €")
Salida de consola
Precio final con descuento: 85.0 €