Registros
Un registro es un dato con campos fijos: una fila, un punto, un evento. Python ofrece cinco formas de representarlo y cada una es la correcta en un contexto distinto. La elección se decide con dos números que casi nunca coinciden: cuánto ocupa y cuánto tarda en construirse.
En una línea
Sección titulada «En una línea»La tupla es la más rápida de construir, el dataclass con slots la más densa, y NamedTuple no gana en ninguna de las dos.
Los cinco candidatos
Sección titulada «Los cinco candidatos»Memoria pico con tracemalloc. El diccionario, que es lo que devuelve `csv.DictReader`, cuesta un 67 % más que una tupla.
| Representación | Tiempo | Memoria por fila |
|---|---|---|
tuple |
21.7 ms | 188 B |
dataclass |
32.0 ms | 220 B |
dict |
32.6 ms | 300 B |
dataclass(slots=True) |
34.0 ms | 180 B |
NamedTuple |
44.9 ms | 196 B |
python mediciones/02-08-10-heap-registros-collections.py
La tabla merece leerse dos veces, porque deshace dos intuiciones:
NamedTuple es el más lento de construir (44.9 ms, más del doble que una tupla). Cada instancia pasa por tuple.__new__ con validación de argumentos. A cambio da nombres y sigue siendo una tupla —hashable, desempaquetable— pero paga por ello.
dataclass es más rápido de construir que un dict y pesa menos. La fama de «dataclass es cómodo pero caro» no se sostiene en 3.13.
Cuándo cada uno
Sección titulada «Cuándo cada uno»| Necesitas | Usa |
|---|---|
| Máxima velocidad de construcción, sin nombres | tuple |
| Nombres, inmutabilidad, compatibilidad con tuplas | NamedTuple |
Nombres, valores por defecto, métodos, frozen |
dataclass |
| Todo lo anterior con la mínima memoria | dataclass(slots=True) |
| Esquema que cambia en ejecución | dict |
El dataclass es la opción por defecto razonable: se lee bien, tiene __repr__, __eq__ y documenta los tipos. slots=True se añade cuando hay millones de instancias, no antes.
Las opciones que importan
Sección titulada «Las opciones que importan»from dataclasses import dataclass, field
@dataclass(frozen=True, slots=True, kw_only=True)class Evento: id: int tipo: str etiquetas: tuple[str, ...] = ()frozen=Truebloquea la mutación y genera__hash__: el objeto pasa a ser clave válida.slots=Trueelimina el__dict__por instancia y ahorra unos 40 bytes por fila.kw_only=Trueobliga a nombrar los argumentos:Evento(id=1, tipo="x"). Evita el error de pasar dos enteros en el orden equivocado.field(default_factory=list)para valores por defecto mutables.
La trampa
Sección titulada «La trampa»Cuándo NO usar una clase de datos
Sección titulada «Cuándo NO usar una clase de datos»- Registro de un solo uso. Si el valor se usa en una función y muere, una tupla local basta y no añade una clase al módulo.
- Esquema cambiante. Si los campos dependen de la entrada, un
dictes la representación honesta; una dataclass obliga a inventar campos vacíos. - Frontera de datos externos. Para validar JSON de una API,
pydantichace validación en runtime, que una dataclass no hace. Son problemas distintos.
Ejercicio
Sección titulada «Ejercicio»Un pipeline lee 5 millones de filas de un CSV con csv.DictReader y las procesa en memoria. El proceso muere por memoria. Propón dos cambios concretos y estima el ahorro con los números de este capítulo.
Solución
Cambio 1 — dejar de usar diccionarios. DictReader crea un dict por fila: 300 B. Cambiar a csv.reader y una dataclass(slots=True) baja a 180 B, un 40 % menos. En 5 millones de filas: de 1,5 GB a 0,9 GB.
Cambio 2 — no materializar. Si el pipeline procesa fila a fila, no hace falta la lista completa: un generador mantiene una fila en memoria en lugar de cinco millones.
def filas(ruta): with open(ruta, encoding="utf-8", newline="") as f: for r in csv.reader(f): yield Fila(int(r[0]), r[1], int(r[2]), float(r[3]))Con las dos, el consumo pasa de gigabytes a unos kilobytes, a cambio de no poder recorrer dos veces. Si hace falta más de una pasada, el cambio 1 solo ya resuelve el problema de memoria.
La tercera opción, si el dato es numérico y homogéneo: array o numpy, capítulo 04.
Referencias
Sección titulada «Referencias»- Ramalho, L. Fluent Python, 2ª ed. Capítulo 5: Data Class Builders.
- Lott, S. F. Modern Python Cookbook, 3ª ed. Capítulo 7: clases y objetos.
- Mediciones:
mediciones/02-08-10-heap-registros-collections.pyymediciones/02-11-coste.py.
Capítulos relacionados
Sección titulada «Capítulos relacionados»- 03 ·
tuple: la base de la que salenNamedTuple. - 11 · Elección por coste: la misma tabla, con el análisis completo.
- 05 ·
dictpor dentro: por qué la representación por diccionario es la más cara.