Pydantic：数据类与 BaseModel答案

【问题标题】：Pydantic: dataclass vs BaseModelPydantic：数据类与 BaseModel
【发布时间】：2020-09-12 15:24:47
【问题描述】：

使用 Pydantic 的 dataclass 与 BaseModel 的优缺点是什么？是否存在任何性能问题或者 Pydantic 的数据类在其他 python 模块中是否更容易？

【问题讨论】：

我已经实现了纯数据类的验证：github.com/EvgeniyBurdin/validated_dc

【解决方案1】：

您的问题已在 Pydantic 的documentation 中得到解答，具体如下：

请记住，pydantic.dataclasses.dataclass 是带有验证功能的 dataclasses.dataclass 的直接替代品，不是替代 pydantic.BaseModel 的替代品（初始化挂钩的工作方式略有不同）。在某些情况下，子类化 pydantic.BaseModel 是更好的选择。

有关更多信息和讨论，请参阅samuelcolvin/pydantic#710。

讨论链接将为您提供一些您正在寻找的上下文。一般来说，Pydantic 的 BaseModel 实现不一定与 Python 的 dataclass 实现相同。上一期引用的例子就是一个很好的例子：

from pydantic import BaseModel
from pydantic.dataclasses import dataclass
from typing import List

@dataclass
class A:
    x: List[int] = []

# Above definition with a default of `[]` will result in:
#   ValueError: mutable default <class 'list'> for field x is not allowed: use default_factory
# If you resolve this, the output will read as in the comments below.

class B(BaseModel):
    x: List[int] = []

print(A(x=[1, 2]), A(x=[3, 4])) # Output: A(x=[1, 2]) A(x=[3, 4])
print(B(x=[1, 2]), B(x=[3, 4])) # Output: x=[1, 2] x=[3, 4]

如果您首先想要的是 dataclass 行为，然后简单地用一些 Pydantic 验证功能来增强它，那么 pydantic.dataclasses.dataclass 方法可能就是您想要的。否则，BaseModel 可能就是你想要的。

【讨论】：

【解决方案2】：

BaseModel 的 init 函数的工作方式与 dataclass 的 init 不同

@dataclass()
class Foo:
    number: int

class Bar(BaseModel):
    number: int

f = Foo(number = 1.4)
b = Bar(number = 1.4)
print(f)
print(b)

输出：

Foo(number=1.4)
number=1

【讨论】：