Jak vylepšit zpracování dat pomocí datových tříd Pydantic

Syntax:

Jednoduchý, ale účinný způsob, jak zlepšit, jak jsou data spravována pomocí datových tříd Pydantic v Pythonu, je použití dekorátoru tříd, s jehož pomocí v podstatě vytváříme model, jak by naše data měla vypadat. Je to jako dát našim datům jasnou strukturu. Syntaxe pro definování datové třídy je tedy následující:

„model_name“ představuje název modelu, který chceme vytvořit, a „BaseModel“ od Pydantic funguje jako strážce, který zajišťuje, že data dodržují pravidla, která jsme nastavili a byla předána modelu jako jeho vstupní parametr. Uvnitř třídy definujeme, jaké informace by měla každá část dat obsahovat. Tento proces zajišťuje, že když vytváříme instanci datové třídy, informace, které poskytujeme, odpovídají tomu, co jsme definovali.

Metoda 1: Vylepšené zpracování dat pomocí datové třídy Pydantic

Představte si, že vyvíjíme jednoduchou aplikaci pro uspořádání informací o knihách v naší sbírce. Chceme zajistit, aby údaje, které pro tento účel shromažďujeme, byly přesné, konzistentní a dobře strukturované. Zde vstupují datové třídy Pydantic, aby proces zjednodušily a zlepšily.

Počínaje příkladem vyžaduje definování Pydantické datové třídy. Začneme tedy definováním datové třídy Pydantic s názvem „Knihy“, která představuje podrobnosti o Knihách. Abychom mohli definovat datovou třídu pro Pydantic, musíme se ujistit, že všechny balíčky Pydantic jsou nainstalovány dříve v projektu.

Pomocí dekorátoru třídy vytvoříme třídu „Kniha“ zděděnou z Pydantic’s BaseModel. Uvnitř třídy specifikujeme atributy, jako je název, autor a rok vydání, přičemž každý je spojen s příslušným datovým typem.

Po vytvoření modelu třídy využíváme datovou třídu Pydantic a využíváme sílu datové třídy „Kniha“ ke zpracování dat „filmu“:

V této sekci napodobujeme uživatele, který zadává podrobnosti o knize. Model datové třídy „kniha“ má atributy jako název, autor a rok vydání s jejich charakteristickými datovými typy. V této části, tedy „vstupu“, tedy specifikujeme jejich hodnoty.

Po specifikaci podrobností o atributech knižního modelu ve vstupu vytvoříme instanci „Kniha“ s poskytnutými daty pomocí těchto podrobností; to se provádí, aby bylo zajištěno, že Pydantic automaticky ověří vstup proti definované datové struktuře. Pokud dojde k nějaké nesrovnalosti nebo chybě, například neceločíselný rok vydání nebo chybějící název, Pydantic rychle vyvolá chybu spolu s uživatelsky přívětivým vysvětlením.

Pro zkušené vylepšené zpracování dat s datovými třídami Pydantic dostáváme vestavěný mechanismus pro ověřování a konzistenci dat. Můžeme začlenit volitelná pole, výchozí hodnoty a složité vnořené struktury, abychom pokryli různé datové scénáře. To zaručuje, že naše data zůstanou organizována a správně naformátována.

Tento krok zkoumá, jak datové třídy Pydantic nabízejí vylepšené možnosti zpracování dat prostřednictvím funkcí, jako jsou volitelná pole, výchozí hodnoty a vnořené struktury.

Zde je příklad, kde si ukážeme, jak přidat volitelná pole a výchozí hodnoty:

Předpokládejme, že chceme uživatelům umožnit zadávat další podrobnosti o knihách, jako je žánr a běh. Tyto podrobnosti však nemusí být vždy k dispozici. S datovými třídami Pydantic toho můžeme snadno dosáhnout tím, že pole učiníme volitelnými a dokonce nastavíme výchozí hodnoty.

V tomto příkladu datová třída „Movie“ obsahuje dvě nová pole: jazyk, ve kterém je kniha napsána, a počet stránek. Pole „jazyk“ má výchozí hodnotu „Neznámý“, což znamená, že pokud uživatel tento údaj neposkytne, bude výchozí hodnota „Neznámý“. Pole „počet stránek“ je volitelné a může zůstat prázdné (nastaveno na žádné).

Můžeme zkopírovat tyto řádky kódu a vložit je do kompilátoru, abychom viděli výsledky:

Zahrnutím těchto volitelných polí a výchozích hodnot Pydantic zajišťuje, že data zůstanou dobře strukturovaná a konzistentní, i když uživatelé neposkytnou určité podrobnosti.

Metoda 2: Zpracování dat pomocí Pydantic’s Dataclass pro registrační formulář studenta

Představte si, že vytváříme registrační formulář na školní akci. Lidé musí zadat své údaje a my se chceme vyvarovat chyb. V tom pomáhají datové třídy Pydantic. Zajišťují správnost údajů a snadno s nimi nakládají.

Po přenesení nezbytných balíčků do projektu Python definujeme datovou třídu Pydantic vytvořením datové třídy Pydantic s názvem „Student“ pro podrobnosti o účastnících.

Pomocí dekorátoru třídy nastavte třídu „Student“. Dědí z Pydantic’s BaseModel. Uvnitř pojmenováváme atributy, jako je jméno, e-mail, oddělení a telefon, každý se svým datovým typem.

S využitím datové třídy Pydantic nyní pracujte s datovou třídou „Student“ a spravujte data studentů:

V této části předstíráme, že se někdo přihlásí. Když vytvoříme instanci „Student“ pomocí jejich dat, Pydantic zkontroluje, zda se hodí do struktury. Pokud dojde k chybě, jako je e-mail bez „@“ nebo oddělení bez řetězce, Pydantic se zastaví a problém vysvětlí.

Vylepšené zpracování dat pomocí datových tříd Pydantic nám poskytuje data připravená k použití. Můžeme přidat další pole, nastavit výchozí hodnoty nebo pracovat se složitým nastavením dat. To vše zaručuje, že naše data zůstanou uspořádaná.

Kód a fragment výstupu jsou pro pozorování uvedeny níže:

Po pozorování výstupu můžeme v tomto jednoduchém příkladu shrnout, že datové třídy Pydantic umožňují bezproblémovou manipulaci s daty. Ujišťují se, že vstup odpovídá tomu, co chceme. To znamená méně chyb a šťastnější uživatele.

Závěr

Pydantické datové třídy integrují to, jak nakládáme s daty. Zaručují, že informace jsou přesné a odpovídají požadované struktuře. To znamená méně chyb a více bezchybných aplikací. S Pydantic mohou vývojáři věnovat své úsilí vytváření dobře fungujících aplikací, aniž by je rušily obavy z problémů s daty. Představte si to tak, že máte vyhrazeného správce úloh pouze pro správu dat, který zajišťuje, že vše běží hladce od začátku do konce.