python - Pydantic：数据类与 BaseModel

Question

使用 Pydantic 的数据类 vs 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？

Answer 1

Pydantic 的文档中回答了您的问题，特别是：

请记住，这pydantic.dataclasses.dataclass是dataclasses.dataclasswith validation 的替代品，而不是替代品pydantic.BaseModel（初始化挂钩的工作方式略有不同）。在某些情况下，子类pydantic.BaseModel化是更好的选择。

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实现行为相同。上述问题中引用的示例就是一个很好的示例：

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，然后简单地使用一些 Pydantic 验证功能来增强它，那么该pydantic.dataclasses.dataclass方法可能就是您想要的。否则，BaseModel可能就是你想要的。

Answer 2

BaseModel 的 init 函数的工作方式与数据类的 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