#آموزش #پایتون
‌
⚡️ می‌دونستین برای یک کلاس که فقط داده نگه می‌داره، لازم نیست __init__ و __repr__ و __eq__ رو دستی بنویسید؟
‌
دکوراتور @dataclass از ماژول استاندارد dataclasses (بدون نصب) این متدها رو از روی فیلدهایی که با نوعشون تعریف کردین خودش می‌سازه:
‌

from dataclasses import dataclass

@dataclass
class User:
    name: str
    age: int = 18

u = User("Sara", 25)
print(u)
print(u == User("Sara", 25))
print(User("Ali"))

‌
خروجی:
‌

User(name='Sara', age=25)
True
User(name='Ali', age=18)

‌
یعنی سازنده با مقدار پیش‌فرض، نمایش خوانا موقع print و مقایسه با == بر اساس مقدار فیلدها، همه بدون یک خط کد اضافه آماده‌ست.
‌
✔️ لیست به‌عنوان مقدار پیش‌فرض
اگه برای یک فیلد مستقیم لیست خالی [] بذارید، پایتون همون موقع تعریف کلاس خطا می‌ده:
‌

ValueError: mutable default <class 'list'> for field items is not allowed: use default_factory

‌
راه درست field(default_factory=list) هست تا هر شیء لیست جدای خودش رو بگیره:
‌

from dataclasses import dataclass, field

@dataclass
class Cart:
    items: list = field(default_factory=list)

a = Cart()
b = Cart()
a.items.append("book")
print(a, b)

‌
خروجی:
‌

Cart(items=['book']) Cart(items=[])

‌
💎 شیء فقط‌خواندنی با frozen
با frozen=True بعد از ساختن شیء دیگه نمی‌شه فیلدهاش رو عوض کرد:
‌

from dataclasses import dataclass

@dataclass(frozen=True)
class Point:
    x: int
    y: int

p = Point(1, 2)
p.x = 5

‌
خروجی (خط آخر خطا):
‌

dataclasses.FrozenInstanceError: cannot assign to field 'x'

‌
یک مزیت دیگه‌ش اینه که شیء frozen رو می‌شه توی set یا به‌عنوان کلید دیکشنری استفاده کرد.
‌
⚠️ نوع فیلدها چک نمی‌شه
نوعی که جلوی هر فیلد می‌نویسید فقط برای خوانایی و ابزارهایی مثل mypy هست؛ خود dataclass مقدار اشتباه رو رد نمی‌کنه:
‌

from dataclasses import dataclass

@dataclass
class User:
    name: str
    age: int = 18

print(User("Sara", "twenty"))

‌
خروجی:
‌

User(name='Sara', age='twenty')

‌
اگه اعتبارسنجی ورودی لازم دارین، سراغ کتابخونهٔ Pydantic برید.
‌
▫️ با تابع asdict شیء رو به dict تبدیل کنید (مثلاً برای ساختن JSON):
‌

from dataclasses import dataclass, asdict

@dataclass
class User:
    name: str
    age: int = 18

print(asdict(User("Sara", 25)))

‌
خروجی:
‌

{'name': 'Sara', 'age': 25}

‌
▫️ فیلدی که مقدار پیش‌فرض نداره نباید بعد از فیلدی بیاد که پیش‌فرض داره؛ وگرنه موقع تعریف کلاس TypeError می‌گیرید.
▫️ با order=True مقایسه‌هایی مثل < هم ساخته می‌شه و فیلدها به ترتیب تعریف مقایسه می‌شن.
‌
آموزش هوش مصنوعی و برنامه نویسی 👇
@codingyar
وبسایت آموزشی:
www.codingyar.com

#آموزش #پایتون
‌
⚡️ می‌دونستین با یک دکوراتور می‌شه کاری کرد که پایتون جواب یک تابع رو یادش بمونه و برای ورودی تکراری دوباره حسابش نکنه؟
‌
دکوراتور @cache از ماژول استاندارد functools (بدون نصب) نتیجهٔ هر ورودی رو نگه می‌داره؛ دفعهٔ بعد با همون ورودی، بدنهٔ تابع اصلاً اجرا نمی‌شه:
‌

from functools import cache

@cache
def square(n):
    print("computing", n)
    return n * n

print(square(4))
print(square(4))
print(square.cache_info())

‌
خروجی:
‌

computing 4
16
16
CacheInfo(hits=1, misses=1, maxsize=None, currsize=1)

‌
عبارت «computing» فقط یک بار چاپ شد و صدا زدن دوم مستقیم از کش جواب گرفت. متد cache_info هم نشون می‌ده چند بار از کش جواب داده (hits) و چند بار واقعاً حساب کرده (misses).
‌
✔️ جادوی کش توی تابع بازگشتی
فیبوناچی بازگشتیِ معمولی برای محاسبهٔ fib(30) خودش رو ۲٬۶۹۲٬۵۳۷ بار صدا می‌زنه (با گذاشتن یک شمارنده توی تابع شمرده شده). با @cache هر n فقط یک بار حساب می‌شه:
‌

from functools import cache

@cache
def fib(n):
    if n < 2:
        return n
    return fib(n - 1) + fib(n - 2)

print(fib(30))
print(fib.cache_info())

‌
خروجی:
‌

832040
CacheInfo(hits=28, misses=31, maxsize=None, currsize=31)

‌
یعنی بدنهٔ تابع به‌جای چند میلیون بار، فقط ۳۱ بار اجرا شد.
‌
💎 کش با سقف حافظه: lru_cache
کش @cache سقف نداره و با ورودی‌های جدید مدام بزرگ‌تر می‌شه. برای برنامه‌هایی که مدت طولانی روشن می‌مونن (مثل سرور)، @lru_cache با maxsize بهتره: وقتی پر شد، نتیجه‌ای رو که از همه دیرتر استفاده شده بیرون می‌ندازه:
‌

from functools import lru_cache

@lru_cache(maxsize=2)
def double(n):
    print("computing", n)
    return n * 2

double(1)
double(2)
double(3)
double(1)
print(double.cache_info())

‌
خروجی:
‌

computing 1
computing 2
computing 3
computing 1
CacheInfo(hits=0, misses=4, maxsize=2, currsize=2)

‌
با سقف ۲، وقتی نتیجهٔ 3 اضافه شد، نتیجهٔ 1 از کش بیرون رفت؛ برای همین 1 دوباره حساب شد. اگه سقف رو مشخص نکنید، پیش‌فرضش ۱۲۸ هست.
‌
⚠️ ورودی‌ها باید hashable باشن
کش پشت صحنه یک دیکشنریه، پس آرگومان‌ها باید hashable باشن؛ تاپل مشکلی نداره ولی لیست خطا می‌ده:
‌

from functools import cache

@cache
def total(items):
    return sum(items)

print(total((1, 2, 3)))
print(total([1, 2, 3]))

‌
خروجی (خط آخر خطا):
‌

6
TypeError: unhashable type: 'list'

‌
▫️ فقط تابعی رو کش کنید که با ورودی یکسان همیشه همون خروجی رو می‌ده. تابعی که به زمان، عدد تصادفی یا داده‌ای که عوض می‌شه (مثلاً دیتابیس) وابسته‌ست، با کش جواب قدیمی برمی‌گردونه.
‌
▫️ برای خالی کردن کش، متد cache_clear رو صدا بزنید:
‌

from functools import cache

@cache
def square(n):
    return n * n

square(4)
square.cache_clear()
print(square.cache_info())

‌
خروجی:
‌

CacheInfo(hits=0, misses=0, maxsize=None, currsize=0)

‌
▫️ برای ویژگی‌ای از کلاس که محاسبه‌ش سنگینه و فقط یک بار لازمه، cached_property از همین ماژول هست.
‌
آموزش هوش مصنوعی و برنامه نویسی 👇
@codingyar
وبسایت آموزشی:
www.codingyar.com