Cara Meningkatkan Penanganan Data dengan Kelas Data Pydantic

Sintaksis:

Cara sederhana namun efektif untuk meningkatkan cara data dikelola menggunakan kelas data Pydantic dengan Python adalah dengan memanfaatkan dekorator kelas yang dengannya kita dapat membuat model tentang tampilan data kita. Ini seperti memberi data kita struktur yang jelas. Jadi, sintaks untuk mendefinisikan kelas data adalah sebagai berikut:

“Model_name” menyajikan nama model yang ingin kita buat dan “BaseModel” dari Pydantic bertindak seperti penjaga yang memastikan bahwa data mengikuti aturan yang kita tetapkan dan diteruskan ke model sebagai parameter masukannya. Di dalam kelas, kita menentukan jenis informasi apa yang harus dimiliki setiap bagian data. Proses ini memastikan bahwa ketika kita membuat instance kelas data, informasi yang kita berikan cocok dengan apa yang kita definisikan.

Metode 1: Penanganan Data yang Ditingkatkan dengan Kelas Data Pydantic

Bayangkan kita sedang mengembangkan aplikasi sederhana untuk mengatur informasi tentang buku-buku koleksi kita. Kami ingin memastikan bahwa data yang kami kumpulkan untuk tujuan ini akurat, konsisten, dan terstruktur dengan baik. Di sinilah kelas data Pydantic berperan untuk menyederhanakan dan meningkatkan prosesnya.

Memulai dengan contoh memerlukan pendefinisian Kelas Data Pydantic. Jadi, kita mulai dengan mendefinisikan kelas data Pydantic bernama “Books” yang mewakili detail Buku. Untuk menentukan kelas data Pydantic, kita perlu memastikan bahwa semua paket Pydantic telah diinstal sebelumnya dalam proyek.

Dengan menggunakan dekorator kelas, kami membuat kelas 'Buku' yang diwarisi dari BaseModel Pydantic. Di dalam kelas, kita menentukan atribut seperti judul, penulis, dan tahun_rilis, masing-masing terkait dengan tipe datanya masing-masing.

Setelah membuat model kelas, kami menggunakan kelas data Pydantic, mengambil kekuatan kelas data “Buku” untuk menangani data “film”:

Di bagian ini, kami meniru pengguna yang memasukkan detail mengenai buku tersebut. Model kelas data “buku” memiliki atribut seperti judul, penulis, dan tahun rilis dengan tipe datanya yang khas. Jadi, di bagian ini, yaitu “input”, kami menentukan nilainya.

Setelah spesifikasi detail tentang atribut model buku dimasukkan, kami membuat instance “Buku” dengan data yang disediakan menggunakan detail ini; ini dilakukan untuk memastikan bahwa Pydantic secara otomatis memvalidasi masukan terhadap struktur data yang ditentukan. Jika ada ketidakkonsistenan atau kesalahan, seperti tahun rilis yang tidak bilangan bulat atau judul yang hilang, Pydantic dengan cepat memunculkan kesalahan beserta penjelasan yang mudah digunakan.

Untuk penanganan data yang ditingkatkan dan berpengalaman dengan kelas data Pydantic, kami menerima mekanisme bawaan untuk validasi dan konsistensi data. Kita dapat menggabungkan bidang opsional, nilai default, dan struktur bertingkat yang kompleks untuk mencakup berbagai skenario data. Ini menjamin bahwa data kami tetap teratur dan diformat dengan benar.

Langkah ini mengeksplorasi bagaimana kelas data Pydantic menawarkan peningkatan kemampuan penanganan data melalui fitur seperti bidang opsional, nilai default, dan struktur bertumpuk.

Berikut ini contoh di mana kami menunjukkan cara menambahkan bidang opsional dan nilai default:

Misalkan kita ingin mengizinkan pengguna memasukkan detail tambahan tentang buku seperti genre dan runtime. Namun, rincian ini mungkin tidak selalu tersedia. Dengan kelas data Pydantic, kita dapat dengan mudah mencapainya dengan menjadikan bidang opsional dan bahkan menetapkan nilai default.

Dalam contoh ini, kelas data “Film” mencakup dua bidang baru: bahasa penulisan buku dan jumlah halaman. Bidang “bahasa” memiliki nilai default “Tidak Diketahui” yang menunjukkan bahwa jika pengguna tidak memberikan detail ini, nilai defaultnya adalah “Tidak Diketahui”. Bidang “jumlah halaman” bersifat opsional dan dapat dikosongkan (disetel ke tidak ada).

Kami dapat menyalin baris kode ini dan menempelkannya ke kompiler untuk mengamati hasilnya:

Dengan menyertakan bidang opsional dan nilai default ini, Pydantic memastikan bahwa data tetap terstruktur dengan baik dan konsisten meskipun pengguna tidak memberikan detail tertentu.

Metode 2: Penanganan Data dengan Dataclass Pydantic untuk Formulir Pendaftaran Siswa

Bayangkan kita sedang membuat formulir pendaftaran acara sekolah. Orang-orang perlu memasukkan informasi mereka, dan kami ingin menghindari kesalahan. Di sinilah kelas data Pydantic membantu. Mereka memastikan bahwa datanya benar dan menanganinya dengan mudah.

Setelah membawa paket yang diperlukan ke proyek Python, kami mendefinisikan kelas data Pydantic dengan membuat kelas data Pydantic yang disebut “Student” untuk detail peserta.

Gunakan dekorator kelas untuk menyiapkan kelas “Siswa”. Ini mewarisi dari BaseModel Pydantic. Di dalamnya, kami memberi nama atribut seperti nama, email, departemen, dan telepon, masing-masing dengan tipe datanya.

Dengan menggunakan kelas data Pydantic sekarang, bekerjalah dengan kelas data “Siswa” untuk mengelola data siswa:

Di bagian ini, kami berpura-pura ada seseorang yang mendaftar. Saat kita membuat instance 'Siswa' menggunakan datanya, Pydantic memeriksa apakah cocok dengan strukturnya. Jika ada kesalahan, seperti email tanpa “@” atau departemen non-string, Pydantic berhenti dan menjelaskan masalahnya.

Penanganan data yang ditingkatkan menggunakan kelas data Pydantic memberi kita data yang siap digunakan. Kita dapat menambahkan lebih banyak bidang, menetapkan default, atau bekerja dengan pengaturan data yang kompleks. Semua ini menjamin data kami tetap teratur.

Kode dan cuplikan keluaran disebutkan berikut ini untuk observasi:

Setelah mengamati keluarannya, kita dapat menyimpulkan bahwa kelas data Pydantic membuat penanganan data menjadi lancar dalam contoh sederhana ini. Mereka memastikan bahwa masukannya sesuai dengan yang kita inginkan. Ini berarti lebih sedikit kesalahan dan pengguna lebih bahagia.

Kesimpulan

Kelas data Pydantic mengintegrasikan cara kita menangani data. Mereka menjamin bahwa informasi tersebut akurat dan sesuai dengan struktur yang dibutuhkan. Hal ini berarti lebih sedikit kesalahan dan aplikasi yang lebih sempurna. Dengan Pydantic, para pengembang dapat mendedikasikan upaya mereka untuk membuat aplikasi yang berfungsi dengan baik tanpa terganggu oleh kekhawatiran tentang masalah data. Anggap saja memiliki pengelola tugas khusus hanya untuk mengelola data, memastikan semuanya berjalan lancar dari awal hingga akhir.