dataclass更适合需字段修改、默认值（尤其可变默认值）及初始化校验的场景；namedtuple更轻量、可哈希，适合纯不可变数据容器。
字段需要修改时，dataclass是唯一可行选择
遇到 AttributeError: can't set attribute 就该警觉了——这是 namedtuple 在告诉你它不接受赋值。比如 p = Point(1, 2); p.x = 3 必然失败。你只能用 p._replace(x=3) 构造新实例，但语义上不是“改”，而是“换”，逻辑绕、内存多、调试难。
dataclass 默认就支持直接赋值：cfg.port = 3000 是合法且直观的。如果真要不可变，加 frozen=True 即可，还能保留 __post_init__ 做初始化校验，这点 namedtuple 根本做不到。
要默认值（尤其是可变默认值）必须用dataclass
namedtuple 不支持字段级默认值语法，连写都写不了。想让 tags 字段默认为空列表？namedtuple 只能让你在外部手动补，还容易踩共享可变对象的坑。
dataclass 提供明确机制：
-
active: bool = True—— 简单默认值 -
tags: list[str] = field(default_factory=list)—— 每个实例独享新列表 - 漏写
default_factory直接写tags: list = []？所有实例共用一个[]，这是经典陷阱
用作字典 key 或函数返回值时，namedtuple 更轻量安全
namedtuple 实例天然可哈希，能直接当 dict 的 key、set 的元素，因为它的不可变性是语言级保证。而 dataclass 默认带 __dict__，不可哈希；即使加 eq=True, frozen=True，也不自动支持哈希，得手动加 unsafe_hash=True，还可能出错。
常见场景包括：
- HTTP 状态码常量：
HTTPStatus = namedtuple("HTTPStatus", ["code", "phrase"]) - 函数多返回值容器：
def parse(): return User("a", 25), Config("dev")，解包清晰安全 - 做缓存 key：
cache[(user_id, timestamp)] = result，要求 key 稳定不可变
百万级实例或启动敏感场景，namedtuple 内存和创建速度优势明显
在几何计算、日志解析等高频构造场景下，namedtuple 实例比 dataclass（哪怕开了 slots=True）更省内存、创建更快。这不是微优化——实测百万 Point 实例，namedtuple 内存占用常低 30%～50%，初始化快 1.5～2 倍。
但这个优势只在「纯数据容器 + 几乎不修改」时成立。一旦你要频繁调用 _replace() 或拼装新实例，开销反而可能更高；而 dataclass 的字段更新是原地操作，更稳。
真正容易被忽略的是：字段名以 underscore 开头会被 namedtuple 静默忽略，比如 ["_id", "name"] 定义后，_id 根本不进实例——没报错，但数据丢了。这个坑不会出现在 dataclass 里。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
