"dataclasses" — Classes de Données
**********************************

**Code source :** Lib/dataclasses.py

======================================================================

Ce module fournit un décorateur et des fonctions pour générer
automatiquement les  *méthodes spéciales* comme "__init__()" et
"__repr__()" dans les *Classes de Données* définies par l’utilisateur.
Ces classes ont été décrites dans la **PEP 557**.

Les variables membres à utiliser dans ces méthodes générées sont
définies en utilisant les annotations de type **PEP 526**.  Par
exemple, ce code :

   from dataclasses import dataclass

   @dataclass
   class InventoryItem:
       """Class for keeping track of an item in inventory."""
       name: str
       unit_price: float
       quantity_on_hand: int = 0

       def total_cost(self) -> float:
           return self.unit_price * self.quantity_on_hand

Ajoute, entre autres choses, une méthode "__init__()" qui ressemble à
:

   def __init__(self, name: str, unit_price: float, quantity_on_hand: int = 0):
       self.name = name
       self.unit_price = unit_price
       self.quantity_on_hand = quantity_on_hand

Il est important de noter que cette méthode est ajoutée
automatiquement dans la classe : elle n’est pas à écrire dans la
définition de "InventoryItem" ci-dessus.

Nouveau dans la version 3.7.


Décorateurs, classes et fonctions au niveau du module
=====================================================

@dataclasses.dataclass(*, init=True, repr=True, eq=True, order=False, unsafe_hash=False, frozen=False)

   Cette fonction est un *décorateur* qui est utilisé pour ajouter les
   *méthodes spéciales* générées aux classes, comme décrit ci-dessous.

   Le décorateur "dataclass()" examine la classe pour trouver des
   "champs"s.  Un "champ" est défini comme une variable de classe qui
   possède une *annotation de type*.  À deux exceptions près décrites
   plus bas, il n’y a rien dans "dataclass()" qui examine le type
   spécifié dans l’annotation de variable.

   L’ordre des paramètres des méthodes générées est celui d’apparition
   des champs dans la définition de la classe.

   The "dataclass()" decorator will add various "dunder" methods to
   the class, described below.  If any of the added methods already
   exist on the class, the behavior depends on the parameter, as
   documented below. The decorator returns the same class that is
   called on; no new class is created.

   Si "dataclass()" est utilisé comme simple décorateur sans
   paramètres, il se comporte comme si on l’avait appelé avec les
   valeurs par défaut présentes en signature.  Ainsi, les trois usages
   suivants de "dataclass()" sont équivalents :

      @dataclass
      class C:
          ...

      @dataclass()
      class C:
          ...

      @dataclass(init=True, repr=True, eq=True, order=False, unsafe_hash=False, frozen=False)
      class C:
         ...

   Les paramètres de "dataclass()" sont :

   * "init": Si vrai (par défaut), une méthode "__init__()" est
     générée.

     Si la classe définit déjà une méthode "__init__()", ce paramètre
     est ignoré.

   * "repr": Si vrai (par défaut), une méthode "__repr__()" sera
     générée.  La chaîne de représentation comportera le nom de la
     classe et le nom ainsi que la représentation de chaque champ,
     suivant leur ordre de définition.  Les champs marqués comme
     exclus (voir "Field" ci-dessous) de la représentation ne sont pas
     inclus.  Par exemple : "InventoryItem(name='widget',
     unit_price=3.0, quantity_on_hand=10)".

     Si la classe définit déjà une méthode "__repr__()", ce paramètre
     est ignoré.

   * "eq": Si vrai (par défaut), une méthode "__eq__()" est générée.
     Cette méthode permet de comparer les instances de la classe comme
     s’il s’agissait d’un tuple de ses champs, dans l’ordre. Les deux
     instances dans la comparaison doivent être de même type.

     Si la classe définit déjà une méthode "__eq__()", ce paramètre
     est ignoré.

   * "order": Si vrai ("False" par défaut), les méthodes "__lt__()",
     "__le__()", "__gt__()", et "__ge__()" sont générées.  Elles
     permettent de comparer les instances de la classe en les
     considérant comme des tuples, dans l’ordre de définition des
     champs.  Chaque instance dans la comparaison doit être de même
     type.  Si "order" est vrai mais que "eq" est faux, une
     "ValueError" est levée.

     If the class already defines any of "__lt__()", "__le__()",
     "__gt__()", or "__ge__()", then "TypeError" is raised.

   * "unsafe_hash": Si "False" (par défaut), une méthode "__hash__()"
     est générée et son comportement dépend des valeurs de "eq" et
     "frozen".

     "__hash__()" est utilisée par la fonction native "hash()", ainsi
     que lorsqu’un objet est inséré dans une collection utilisant du
     hachage, tel qu’un dictionnaire ou un ensemble.  Avoir une
     méthode "__hash__()" implique que les instances de la classe sont
     immuables. La muabilité est une propriété complexe qui dépends
     des intentions du programmeur, de l’existence et du comportement
     de la méthode "__eq__()", et des valeurs des options "eq" et
     "frozen" dans l’appel au décorateur "dataclass()".

     Par défaut, "dataclass()" n’ajoute pas de méthode implicite
     "__hash__()", sauf s’il n’existe aucun risque sous-jacent.  Il
     n’ajoute ou ne modifie pas non plus la méthode "__hash__()" si
     elle a est définie explicitement.  Définir l’attribut de classe
     "__hash__ = None" a une signification particulière en Python,
     comme précisé dans la documentation de "__hash__()".

     Si "__hash__()" n’est pas défini explicitement, ou s’il a pour
     valeur "None", alors "dataclass()" *peut* ajouter une méthode
     "__hash__()" implicite. Bien que ce ne soit pas recommandé, vous
     pouvez forcer "dataclass()" à créer une méthode "__hash__()" en
     utilisant "unsafe_hash=True". Cela pourrait être nécessaire si
     votre classe est logiquement immuable mais qu’une mutation est
     tout de même possible. Il s'agit là d'un cas particulier qui doit
     être considéré avec la plus grande prudence.

     Ce sont les règles autour de la création implicite de la méthode
     "__hash__()".  Il faut noter que vous ne pouvez pas avoir à la
     fois une méthode "__hash__()" explicite dans votre *dataclass* et
     définir "unsafe_hash=True"; cela lèvera une "TypeError".

     Si "eq" et "frozen" sont tous deux vrais, "dataclass()" génère
     par défaut une méthode "__hash__()" pour vous.  Si "eq" est vrai
     mais que "frozen" est faux, "__hash__()" prend la valeur "None",
     marquant la classe comme non-hachable (et c’est le cas,
     puisqu’elle est modifiable).  Si "eq" est faux, la méthode
     "__hash__()" est laissée intacte, ce qui veut dire que la méthode
     "__hash__()" de la classe parente sera utilisée (si la classe
     parente est "object", le comportement est un hachage basé sur les
     id).

   * *frozen* : si vrai (faux par défaut), assigner une valeur à un
     champ lève une exception.  Cela simule le comportement des
     instances figées en lecture seule.  Si la méthode "__setattr__()"
     ou "__delattr__()" est définie sur la classe, alors une
     "TypeError" est levée.  Voir la discussion ci-dessous.

   Les "field"s peuvent éventuellement spécifier une valeur par
   défaut, en utilisant la syntaxe Python normale :

      @dataclass
      class C:
          a: int       # 'a' has no default value
          b: int = 0   # assign a default value for 'b'

   Dans cet exemple, "a" et "b" sont tous deux inclus dans la
   signature de la méthode générée "__init__()", qui est définie comme
   suit :

      def __init__(self, a: int, b: int = 0):

   Une "TypeError" est levée si un champ sans valeur par défaut est
   défini après un champ avec une valeur par défaut.  C’est le cas que
   ce soit dans une seule classe, mais également si c’est le résultat
   d’un héritage de classes.

dataclasses.field(*, default=MISSING, default_factory=MISSING, repr=True, hash=None, init=True, compare=True, metadata=None)

   Dans les cas les plus simples et courants, ce qui a été décrit
   jusqu'ici suffit. Cependant, les classes de données possèdent des
   fonctionnalités supplémentaires fondées sur des métadonnées propres
   à chaque champ. Pour remplir ces métadonnées, il suffit de mettre
   un appel à la fonction "field()" à la place de la valeur par
   défaut, comme dans cet exemple :

      @dataclass
      class C:
          mylist: List[int] = field(default_factory=list)

      c = C()
      c.mylist += [1, 2, 3]

   As shown above, the "MISSING" value is a sentinel object used to
   detect if the "default" and "default_factory" parameters are
   provided.  This sentinel is used because "None" is a valid value
   for "default".  No code should directly use the "MISSING" value.

   Les paramètres de "field()" sont :

   * *default* : s'il est fourni, il devient la valeur par défaut du
     champ. L'appel à "field()" est mis à la place normale de la
     valeur par défaut, d'où la nécessité de ce paramètre.

   * *default_factory* : s'il est fourni, ce doit être un objet
     appelable sans argument. Il est alors appelé à chaque fois qu'il
     faut une valeur par défaut pour le champ. Ceci permet, entre
     autres choses, de définir des champs dont les valeurs par défaut
     sont muables. Une erreur se produit si *default* et
     *default_factory* sont donnés tous les deux.

   * *init* : si vrai (par défaut), la méthode "__init__()" générée
     possède un paramètre correspondant à ce champ.

   * *repr* : si vrai (par défaut), le champ est inclus dans les
     chaînes construites par la méthode "__repr__()" générée.

   * *compare* : si vrai (par défaut), le champ est considéré dans les
     comparaisons d'égalité et d'inégalité dans les méthodes générées
     "__eq__()", "__gt__()", etc.

   * *hash* : ce paramètre est un booléen ou "None". La valeur "False"
     force la prise en compte du champ dans la méthode "__hash__()"
     générée, alors que "False" force son exclusion. "None" revient à
     mettre la même valeur que *compare*, ce qui est en général
     correct : il faut inclure dans le hachage les champs employés
     pour les comparaisons. Il est déconseillé de mettre ce paramètre
     à autre chose que "None".

     Cependant, une raison légitime de mettre *hash* à "False" alors
     que *compare* est à "True" est la concourance de trois facteurs :
     le champ est coûteux à hacher ; il est nécessaire pour les
     comparaisons d'égalité ; et il y a déjà d'autres champs qui
     participent au hachage des instances. À ce moment, on peut alors
     se passer du champ dans le hachage tout en le faisant participer
     aux comparaisons.

   * *metadata* : ce paramètre est un tableau associatif (*mapping* en
     anglais). La valeur par défaut de "None" est prise comme un
     dictionnaire vide. Le tableau associatif devient accessible sur
     l'objet "Field", sous la forme d'un "MappingProxyType()" afin
     qu'il soit en lecture seule.

   Si la valeur par défaut d'un champ est donnée dans un appel à
   "field()" (et pas directement), l'attribut correspondant de la
   classe est remplacé par cette valeur. Si le paramètre *default*
   n'est pas passé, l'attribut est simplement supprimé. De cette
   manière, après le passage du décorateur "dataclass()", les
   attributs de la classe contiennent les valeurs par défaut des
   champs exactement comme si elles avaient été définies directement.
   Par exemple :

      @dataclass
      class C:
          x: int
          y: int = field(repr=False)
          z: int = field(repr=False, default=10)
          t: int = 20

   Après l'exécution de ce code, l'attribut de classe "C.z" vaut "10"
   et l'attribut "C.t" vaut "20", alors que les attributs "C.x" et
   "C.y" n'existent pas.

class dataclasses.Field

   Les objets "Field" contiennent des informations sur les champs. Ils
   sont créés en interne, et on y accède à l'aide de la méthode au
   niveau du module "fields()" (voir plus bas). Les utilisateurs ne
   doivent jamais instancier un objet "Field" eux-mêmes. Les attributs
   documentés sont les suivants :

      * *name* : le nom du champ ;

      * *type* : le type associé au champ par l'annotation ;

      * "default", "default_factory", "init", "repr", "hash",
        "compare", and "metadata" have the identical meaning and
        values as they do in the "field()" declaration.

   D'autres attributs peuvent exister, mais ils sont privés et ne sont
   pas censés être inspectés. Le code ne doit jamais reposer sur eux.

dataclasses.fields(class_or_instance)

   Renvoie un *n*-uplet d'objets "Field" correspondant aux champs de
   l'argument, à l'exclusion des pseudo-champs "ClassVar" ou
   "InitVar". L'argument peut être soit une classe de données, soit
   une instance d'une telle classe ; si ce n'est pas le cas, une
   exception "TypeError" est levée.

dataclasses.asdict(instance, *, dict_factory=dict)

   Converts the dataclass "instance" to a dict (by using the factory
   function "dict_factory").  Each dataclass is converted to a dict of
   its fields, as "name: value" pairs.  dataclasses, dicts, lists, and
   tuples are recursed into.  For example:

      @dataclass
      class Point:
           x: int
           y: int

      @dataclass
      class C:
           mylist: List[Point]

      p = Point(10, 20)
      assert asdict(p) == {'x': 10, 'y': 20}

      c = C([Point(0, 0), Point(10, 4)])
      assert asdict(c) == {'mylist': [{'x': 0, 'y': 0}, {'x': 10, 'y': 4}]}

   Raises "TypeError" if "instance" is not a dataclass instance.

dataclasses.astuple(instance, *, tuple_factory=tuple)

   Converts the dataclass "instance" to a tuple (by using the factory
   function "tuple_factory").  Each dataclass is converted to a tuple
   of its field values.  dataclasses, dicts, lists, and tuples are
   recursed into.

   Pour continuer l'exemple précédent :

      assert astuple(p) == (10, 20)
      assert astuple(c) == ([(0, 0), (10, 4)],)

   Raises "TypeError" if "instance" is not a dataclass instance.

dataclasses.make_dataclass(cls_name, fields, *, bases=(), namespace=None, init=True, repr=True, eq=True, order=False, unsafe_hash=False, frozen=False)

   Creates a new dataclass with name "cls_name", fields as defined in
   "fields", base classes as given in "bases", and initialized with a
   namespace as given in "namespace".  "fields" is an iterable whose
   elements are each either "name", "(name, type)", or "(name, type,
   Field)".  If just "name" is supplied, "typing.Any" is used for
   "type".  The values of "init", "repr", "eq", "order",
   "unsafe_hash", and "frozen" have the same meaning as they do in
   "dataclass()".

   Cette fonction est pratique mais pas absolument nécessaire,
   puisqu'il suffit de créer par un moyen quelconque une classe avec
   l'attribut "__annotation__" et de lui appliquer la fonction
   "dataclass()", qui la convertit en une classe de données. Par
   exemple, ceci :

      C = make_dataclass('C',
                         [('x', int),
                           'y',
                          ('z', int, field(default=5))],
                         namespace={'add_one': lambda self: self.x + 1})

   est équivalent à :

      @dataclass
      class C:
          x: int
          y: 'typing.Any'
          z: int = 5

          def add_one(self):
              return self.x + 1

dataclasses.replace(instance, **changes)

   Creates a new object of the same type of "instance", replacing
   fields with values from "changes".  If "instance" is not a Data
   Class, raises "TypeError".  If values in "changes" do not specify
   fields, raises "TypeError".

   L'objet renvoyé est créé à l'aide de la méthode "__init__()" de la
   classe de données, ce qui garantit que "__post_init__()" est
   appelée (si elle existe).

   Si un champ d'initialisation (voir plus bas) n'a pas de valeur par
   défaut, il faut l'inclure dans l'appel à "replace()" afin qu'il
   soit passé à "__init__()" et "__post_init__()".

   Si une clé de *changes* correspond à un champ défini avec
   "init=False", "ValueError" est levée.

   Prenez garde aux champs définis avec "init=False" dans un appel à
   "replace()". Ils ne sont pas copiés automatiquement de l'instance
   source. C'est le rôle de "__post_init__()" de les initialiser — ou
   pas. Les champs avec "init=False" doivent rarement être utilisés et
   seulement à bon escient. Si vous en avez, il peut être sage de
   traiter la copie des instances par des constructeurs de classe
   alternatifs, ou bien une méthode personnalisée "replace()" (ou un
   nom similaire).

dataclasses.is_dataclass(class_or_instance)

   Renvoie "True" si l'argument est soit une classe de données, soit
   une instance d'une telle classe. Sinon, renvoie "False".

   Pour vérifier qu'un objet *obj* est une instance d'une classe de
   données, et non pas lui-même une classe de données, ajoutez le test
   "not isinstance(obj, type)" :

      def is_dataclass_instance(obj):
          return is_dataclass(obj) and not isinstance(obj, type)


Post-initialisation
===================

Après avoir initialisé l'objet, la méthode "__init__()" générée
appelle la méthode "__post_init__()", si elle est définie.
"__post_init__()" est habituellement appelée avec un simple
"self.__post_init__()". Cependant, si la classe comporte des champs
d'initialisation (voir plus bas), leurs valeurs sont aussi passées à
"__post_init__()" telles qu'elles ont été fournies à "__init__()". Si
la classe est créée avec "init=False", "__post_init__()" n'est jamais
appelée automatiquement.

Cette méthode permet, entre autres, d'initialiser des champs qui
dépendent d'autres champs. Par exemple :

   @dataclass
   class C:
       a: float
       b: float
       c: float = field(init=False)

       def __post_init__(self):
           self.c = self.a + self.b

Voir la section plus bas à propos des variables d'initialisation pour
les moyens de passer des paramètres à "__post_init__()". Voir
également l'avertissement sur le traitement par "replace()" des champs
définis avec "init=False".


Variables de classe
===================

One of two places where "dataclass()" actually inspects the type of a
field is to determine if a field is a class variable as defined in
**PEP 526**.  It does this by checking if the type of the field is
"typing.ClassVar".  If a field is a "ClassVar", it is excluded from
consideration as a field and is ignored by the dataclass mechanisms.
Such "ClassVar" pseudo-fields are not returned by the module-level
"fields()" function.


Variables d'initialisation
==========================

The other place where "dataclass()" inspects a type annotation is to
determine if a field is an init-only variable.  It does this by seeing
if the type of a field is of type "dataclasses.InitVar".  If a field
is an "InitVar", it is considered a pseudo-field called an init-only
field.  As it is not a true field, it is not returned by the module-
level "fields()" function.  Init-only fields are added as parameters
to the generated "__init__()" method, and are passed to the optional
"__post_init__()" method.  They are not otherwise used by dataclasses.

On peut par exemple imaginer un champ initialisé à partir d'une base
de données s'il n'a pas reçu de valeur explicite :

   @dataclass
   class C:
       i: int
       j: int = None
       database: InitVar[DatabaseType] = None

       def __post_init__(self, database):
           if self.j is None and database is not None:
               self.j = database.lookup('j')

   c = C(10, database=my_database)

Ici, "fields()" renvoie des objets "Field" correspondant à "i" et à
"j", mais pas à "database".


Instances figées
================

Bien qu'il ne soit pas possible de créer des objets Python strictement
immuables, on peut rendre les instances d'une classe de données quasi
immuables en passant "frozen=True" au décorateur "dataclass()", ce qui
lui fait générer des méthodes "__setattr__()" et "__delattr__()".
Celles-ci lèvent systématiquement l'exception "FrozenInstanceError".

Les performances sont légèrement moins bonnes avec "frozen=True" car
"__init__()" doit passer par "object.__setattr__()" au lieu de simples
affectations pour initialiser les champs.


Héritage
========

Au moment de la création d'une classe de données, le décorateur
"dataclass()" parcourt toutes les classes mères dans l'ordre inverse
de résolution des méthodes (donc en commençant par "object"). À chaque
fois qu'une classe de données est rencontrée, ses champs sont insérés
dans un tableau associatif ordonné. Pour finir, les champs de la
classe elle-même sont rajoutés. Toutes les méthodes générées utilisent
en interne ce même tableau associatif. Puisqu'il est ordonné, les
champs des classes filles écrasent ceux des classes mères. Voici un
exemple :

   @dataclass
   class Base:
       x: Any = 15.0
       y: int = 0

   @dataclass
   class C(Base):
       z: int = 10
       x: int = 15

La liste finale des champs contient, dans l'ordre, "x", "y", "z". Le
type de "x" est "int", comme déclaré dans "C".

La méthode "__init__()" générée pour "C" ressemble à :

   def __init__(self, x: int = 15, y: int = 0, z: int = 10):


Fabriques de valeurs par défaut
===============================

   Le paramètre facultatif *default_factory* de "field()" est une
   fonction qui est appelée sans argument pour fournir des valeurs par
   défaut. Par exemple, voici comment donner la valeur par défaut
   d'une liste vide :

      mylist: list = field(default_factory=list)

   Si un champ avec fabrique est exclu de "__init__()" (par
   "init=False"), alors la fabrique est appelée par "__init__()" pour
   chaque nouvelle instance, puisque c'est le seul moyen d'obtenir une
   valeur à laquelle initialiser le champ.


Valeurs par défaut muables
==========================

   En Python, les valeurs par défaut des attributs sont stockées dans
   des attributs de la classe. Observez cet exemple, sans classe de
   données :

      class C:
          x = []
          def add(self, element):
              self.x.append(element)

      o1 = C()
      o2 = C()
      o1.add(1)
      o2.add(2)
      assert o1.x == [1, 2]
      assert o1.x is o2.x

   Comme attendu, les deux instances de "C" partagent le même objet
   pour l'attribut "x".

   Avec les classes de données, si ce code était valide :

      @dataclass
      class D:
          x: List = []
          def add(self, element):
              self.x += element

   il générerait un code équivalent à :

      class D:
          x = []
          def __init__(self, x=x):
              self.x = x
          def add(self, element):
              self.x += element

      assert D().x is D().x

   This has the same issue as the original example using class "C".
   That is, two instances of class "D" that do not specify a value for
   "x" when creating a class instance will share the same copy of "x".
   Because dataclasses just use normal Python class creation they also
   share this behavior.  There is no general way for Data Classes to
   detect this condition.  Instead, dataclasses will raise a
   "TypeError" if it detects a default parameter of type "list",
   "dict", or "set".  This is a partial solution, but it does protect
   against many common errors.

   Pour qu'un champ d'un type muable soit par défaut initialisé à un
   nouvel objet pour chaque instance, utilisez une fonction de
   fabrique :

      @dataclass
      class D:
          x: list = field(default_factory=list)

      assert D().x is not D().x


Exceptions
==========

exception dataclasses.FrozenInstanceError

   Sous-classe de "AttributeError", levée lorsqu'une méthode
   "__setattr__()" ou "__delattr__()" définie implicitement est
   appelée dans une classe de données définie avec "frozen=True".
