类与元编程

面试主线分三层：日常必用的 property 和 slots，提高效率的 dataclass，以及了解级的元类（能说出用途即可，不要求手写）。

property：属性即方法

class Circle:
    def __init__(self, radius):
        self._radius = radius

    @property
    def area(self):            # 读: 像属性一样访问
        return 3.14 * self._radius ** 2

    @property
    def radius(self):
        return self._radius

    @radius.setter
    def radius(self, value):   # 写: 校验入口
        if value <= 0:
            raise ValueError("半径必须为正")
        self._radius = value

• 把方法包装成属性访问，调用方无感知（c.area 不是 c.area()）
• setter 是校验和副作用的最佳位置：统一在赋值处拦截非法值
• 只定义 getter 不定义 setter 就是只读属性
• 本质是装饰器 + 描述符协议

slots：省内存

class Point:
    __slots__ = ("x", "y")     # 固定属性名
    def __init__(self, x, y):
        self.x, self.y = x, y

• 默认类有 __dict__（属性字典），每个实例都带一个字典，内存开销大
• __slots__ 声明固定属性，实例用紧凑的数组存属性，省内存（大量实例时明显，如数据对象）
• 代价：不能动态加属性（没有 dict）、多重继承有限制
• 适用：百万级实例的数据类。普通业务类不需要

dataclass：数据类

from dataclasses import dataclass, field

@dataclass
class User:
    id: int
    name: str
    tags: list[str] = field(default_factory=list)   # 可变默认值正确写法

• 自动生成 __init__、__repr__、__eq__，减少样板代码
• frozen=True 生成不可变数据类（可哈希，配 @dataclass(frozen=True, order=True) 更全）
• field(default_factory=...) 处理可变默认值（见函数篇的 None 陷阱同源问题）
• 数据建模首选 dataclass，需要校验和序列化时换 Pydantic

元类：了解级

元类（metaclass）是“创建类的类”。class 语句的执行流程：

1. 解释器调用元类（默认 type）
2. type.__new__ 创建类对象（名字、基类、命名空间）
3. type.__init__ 初始化类

class SingletonMeta(type):      # 元类示例: 拦截类创建
    _instances = {}
    def __call__(cls, *args, **kwargs):
        if cls not in cls._instances:
            cls._instances[cls] = super().__call__(*args, **kwargs)
        return cls._instances[cls]

知道什么场景用：在类创建时统一注入行为，如 ORM 的模型注册（SQLAlchemy Declarative）、框架的类级配置、注册表模式。业务代码几乎不用，面试答到“元类是类的类，用于类创建时拦截，典型如 ORM 注册机制”即可。

面试追问

1. property 解决什么？ 方法当属性访问，setter 统一校验。调用方无感知，接口稳定
2. slots 有什么用？ 省内存：去掉实例 dict，属性存紧凑数组。代价是不能动态加属性
3. dataclass 和普通类的区别？ 自动生成 init/repr/eq。frozen 不可变，default_factory 处理可变默认值
4. 元类是什么？ 创建类的类。class 语句由元类执行。用途：类创建时统一处理（ORM 注册、单例）
5. 什么时候用元类？ 框架开发。业务代码用装饰器和描述符更简单，元类是兜底手段