> В чем разница между обычным классом Python, dataclass и Pydantic (Python)

Основное различие - в уровне автоматизации и валидации данных.

Обычный класс - минимальный контроль. Всё пишется вручную: __init__, __repr__, методы сравнения. Нет встроенной валидации типов - можно передать строку туда, где ожидается число, и ошибка возникнет только при использовании.

PYTHON
class User:
    def __init__(self, name: str, age: int):
        self.name = name
        self.age = age

dataclass (из модуля dataclasses) - автоматически генерирует __init__, __repr__, __eq__ и другие методы на основе аннотаций типов. Упрощает код, но не проверяет типы во время выполнения - аннотации служат лишь подсказками.

PYTHON
from dataclasses import dataclass

@dataclass
class User:
    name: str
    age: int

Pydantic - надстройка с runtime-валидацией. На основе аннотаций типов автоматически проверяет и приводит данные (например, строку "25" к целому числу). Поддерживает сложные правила (кастомные валидаторы, конфигурации, JSON Schema). Идеален для работы с внешними данными (API, конфиги).

PYTHON
from pydantic import BaseModel

class User(BaseModel):
    name: str
    age: int

# user = User(name="Alice", age="30")  # age автоматически станет 30

Ключевые отличия:

• Валидация: Pydantic проверяет и приводит типы на лету, dataclass и обычный класс - нет.
• Производительность: Обычный класс и dataclass быстрее, Pydantic добавляет оверхед из-за валидации.
• Гибкость: Pydantic даёт богатые возможности (Field, validators, model_config), dataclass - базовый синтаксический сахар, обычный класс - полный контроль.
• Использование: Pydantic - для API, конфигураций, сериализации; dataclass - для внутренних структур данных; обычный класс - когда нужна максимальная кастомизация или наследование с нестандартной логикой.