Python で構造体は使える？初心者向けにコード例付きでわかりやすく解説

プログラミング言語•
Python

はじめに

Pythonでは、構造体という明確な機能が用意されていないことをご存じでしょうか。
他のプログラミング言語には「struct」という構文があって、複数のデータを1つにまとめるために利用されることがよくあります。
一方で、PythonにはC言語などに見られるような構造体はありません。
では、Pythonの世界ではどのように複数のデータをまとめて扱うのでしょうか。

初心者の方がPythonで構造体のような仕組みを理解したいと思ったとき、まず思い浮かぶのは「辞書（dictionary）を使えばいいのではないか」という方法かもしれません。
もちろん、それも正解の一つです。
しかし実務で複雑なデータを扱う場合、辞書だけでは可読性や拡張性に課題が出ることがあります。

Pythonには、namedtupleやdataclass、そして一般的なクラスを利用することで、構造体と同じような感覚でデータを管理できる方法があります。
実務の現場でも、複雑なデータを管理する際にはこれらのアプローチがとても便利です。

本記事では、初心者の方向けにできるだけわかりやすく、Pythonにおける構造体的なデータの取り扱い方を解説していきます。
辞書から始めて、namedtuple、dataclass、クラスなど、いくつかの方法を具体的なコード例とともに紹介します。
さらに、どの方法をどのようなシーンで使うと役立つのか、実務での活用事例を交えて説明します。

ここを読めば、Pythonで複数のデータをまとめる方法を体系的に理解できるでしょう。
では、はじめていきましょう。

この記事を読むとわかること

  • Pythonで構造体のようなデータ管理をするための方法
  • 辞書、namedtuple、dataclass、クラスを活用した具体的なコード例
  • 実務のシーンで構造体的なデータ管理がどのように役立つか
  • コードを読みやすくし、保守性を高めるためのベストプラクティス
  • 他の言語の「struct」とPythonでのデータ構造の違い

Pythonにおける構造体の概要

なぜ構造体が必要なのか

Pythonは多機能で、データ構造の扱いも柔軟です。
たとえば、複数の値をひとまとめにして管理する方法として、リストやタプル、辞書などが標準で用意されています。
それらを使えば、ある程度のことは十分にこなすことが可能です。

しかし、開発が進むにつれて「役割の異なる複数の値を1つの固まりとして扱いつつ、その固まりが増えていく」状況になると、単なるリストやタプル、辞書だけではコードが見づらくなることがあります。
リストとタプルはインデックスで要素を指定しますが、何番目に何が入っているかを把握しにくいという弱点があるためです。
辞書であればキーに名前をつけられますが、型の定義やメソッドと紐付けた管理がしづらいといった面もあります。

他言語では構造体を使うことで、関連するデータをまとめた上で、誰が見ても何がどこに入っているかが明確になります。
Pythonでは構造体自体は用意されていませんが、構造体のように複数の項目を明確にまとめて管理するテクニックは存在します。
それが、namedtuple、dataclass、そしてクラスです。

Pythonで構造体を実現する方法

Pythonで構造体のようなデータ管理を実現する場合、大きく分けて4つの方法があります。

  1. 辞書 (dictionary)
  2. namedtuple
  3. dataclass
  4. クラス (class)

この4つは、それぞれコードの書き方や特性が異なります。
辞書は自由度が高くシンプルですが、型指定がなく管理が煩雑になる場合があります。
namedtupleは手軽に名前付きのデータを扱える一方、読み取り専用に近い性質があり、さらにメソッドを追加するのは少し工夫が必要です。
dataclassはクラスの書き方と似ていますが、宣言が簡潔で、初期化や比較など多くの手間を省けます。
クラスは柔軟性が高く、複雑な処理や継承構造を持たせる場合に向いています。

次の見出し以降で、これらを順番に見ていきましょう。
それぞれの方法を選ぶ際には、どのような規模や目的でコードを書くのかを考慮するとよいです。

辞書を使ったデータ構造

メリット

辞書を使ったデータ構造の最大の利点は、その手軽さにあります。
文字列をキーにして値を保存するので、dictリテラルを使って気軽に作成できます。
要素の増減も自由ですし、開発初期の段階では「フィールドを仮で追加しやすい」というメリットもあるでしょう。

また、タプルやリストと比べて「このキーに、どのような値が入っているか」が明確になりやすいのもポイントです。
たとえば、個人情報を表すときに、

person = {
    "name": "Alice",
    "age": 25,
    "email": "alice@example.com"
}

と書けば、直感的にデータの構造を理解できます。
そのため、非常に軽量なプロトタイプや、変更が多い段階では辞書を好んで使う方も多いです。

デメリット

一方、辞書にはいくつかのデメリットがあります。
たとえば、存在しないキーを参照しようとしてもエラーになるため、実行時まで気付かない不具合が生じやすいことが挙げられます。
IDEの補完機能や型チェックの恩恵を受けにくい点も、規模が大きくなると不便を感じるかもしれません。

また、辞書に入れる値の型がバラバラになりやすく、コードを読みやすく保つのが難しくなるケースがあります。
プロジェクトが大きくなると、定義や利用箇所の整合性を確認する手間が増えてしまうこともあるでしょう。

加えて、「辞書のままだとメソッドを付けにくい」点も挙げられます。
単純にフィールドを詰め込むだけなら十分ですが、関連する操作を一緒に管理したい場合は、後述するnamedtupleやクラスのほうが向いている場合があります。

サンプルコード

辞書を使って簡単にデータをまとめる例を示します。
個人情報の例と、あわせて2次元座標の例を挙げましょう。

# 個人情報を管理する辞書
person = {
    "name": "Alice",
    "age": 25,
    "email": "alice@example.com"
}

# 2次元座標を表す辞書
point = {
    "x": 10,
    "y": 20
}

# 使用例
print(person["name"])  # "Alice"
print(point["x"])      # 10

# 存在しないキーを参照してエラーを起こすケース
# print(person["address"])  # KeyError: 'address'

上記のように、辞書を使うと構造体風の書き方が簡単にできます。
ただし、キーの存在や型の整合性を自動で保証してくれるわけではないので、運用には注意が必要です。

namedtupleを使ったデータ構造

namedtupleの特徴

namedtupleは、標準ライブラリのcollectionsモジュールに含まれる機能です。
タプルの拡張版のようなイメージで、タプルと同じような軽量な性質を持ちながら、フィールド名で要素にアクセスできるのが大きな特徴です。
これにより、インデックスではなく名前でデータを扱えるので、可読性が高まります。

namedtupleは生成時に定義したフィールド以外の追加を基本的に受け付けません。
そのため、むやみにフィールドを増やすといったことができない代わりに、データの構造が一貫して保たれます。
辞書よりも厳格な管理が可能なので、データの用途がはっきりしている場合などには便利です。

また、インスタンスはタプルとしての性質を持つため、イミュータブルに近い存在として扱えます。
フィールドを後から変更するには少しトリッキーな手順が必要ですが、逆に「簡単に変わってほしくないデータを扱う」ような場合には安心感があるといえるでしょう。

サンプルコード

実際にnamedtupleを使ったコード例を見てみましょう。
同じく個人情報と座標の例で考えます。

from collections import namedtuple

# Personというnamedtupleを定義
Person = namedtuple("Person", ["name", "age", "email"])
# Coordinatesというnamedtupleを定義
Coordinates = namedtuple("Coordinates", ["x", "y"])

# インスタンス化
alice = Person(name="Alice", age=25, email="alice@example.com")
point = Coordinates(x=10, y=20)

print(alice.name)    # "Alice"
print(alice.age)     # 25
print(point.x)       # 10
print(point.y)       # 20

# namedtupleは基本的にイミュータブルなので以下の操作は直接できない
# alice.age = 26  # エラーになる

namedtupleの最大の魅力は、フィールド名を使ってデータを参照できる点と、定義された型が明確である点です。
辞書と比べると拡張性は低いですが、データ構造をしっかり固定したい場合には有力な選択肢となります。

実務での活用シーン

実務でnamedtupleを使うのは、次のようなシーンが考えられます。

  • シンプルなデータの集合を多数扱うが、後からフィールドを頻繁に変更しないケース
  • イミュータブルな性質を生かして、ログの取り扱いやイベント集計でのデータを記録
  • 関数から返したい値の集合が明確で、呼び出し側にわかりやすくデータを渡したい場合

たとえば、ある分析ツールでイベントの記録をタプルにまとめる場面があるとします。
同じフォーマットで一定のデータをやり取りする際にはnamedtupleが便利です。
さらに、フィールドの名前を確認すれば、ログの中身をすぐに把握できます。

一方で、メソッドを持たせたい場合にはクラスやdataclassのほうが適していることがあります。
namedtupleはあくまでタプルがベースなので、あまり複雑な振る舞いを持たせたくない場合に向いているといえます。

dataclassを活用したデータ構造

dataclassの特徴

dataclassは、Pythonの機能として比較的新しく登場した手法で、クラスの定義を簡素化して、さまざまな処理を自動的に行ってくれます。
例えば、クラスにおいて__init__メソッドや__repr__メソッドなどを一々書かなくても、自動で定義してくれるのが特徴です。
さらに、型ヒントを併用することで、「どのフィールドがどの型を想定しているか」をより明確に示せます。

dataclassを使うことで、クラスのような拡張性とnamedtuple並みのシンプルな記述の両方を得ることができます。
可変・不変を切り替えるためのオプションもあったり、比較演算子の自動実装など、使い勝手の良い機能が多数備わっています。

また、dataclassを使うと「同じデータを保持するオブジェクト同士を簡単に比較できる」といったメリットもあります。
例えば==演算子でフィールドの内容を比べられるので、「2つのオブジェクトが論理的に同じか」を手軽に確認可能です。

サンプルコード

以下では、dataclassを使って個人情報と座標を扱うクラスを定義してみましょう。

from dataclasses import dataclass

@dataclass
class Person:
    name: str
    age: int
    email: str

@dataclass
class Coordinates:
    x: int
    y: int

alice = Person(name="Alice", age=25, email="alice@example.com")
point = Coordinates(x=10, y=20)

print(alice.name)   # "Alice"
print(alice.age)    # 25
print(point.x)      # 10
print(point.y)      # 20

# 比較演算子も自動実装される
another_alice = Person(name="Alice", age=25, email="alice@example.com")
print(alice == another_alice)  # True

このように、クラスの定義が非常にシンプルで読みやすいのがdataclassの魅力です。
後からメソッドを追加することも自由にできるので、クラスとしての拡張性も確保できます。

実務での活用シーン

dataclassは名前からもわかるように「データ主体のクラス」を定義するのに最適です。
実務において、次のようなシーンでよく利用されます。

  • 設定ファイルの読込結果などをまとめてオブジェクトとして扱いたい場合
  • APIのレスポンスなど、複数のプロパティをもったデータを整理してアプリケーション内で流用したいとき
  • 永続化（データベースなど）とのやり取りで一貫した構造を定義したい場合

特に、複雑なデータを扱い始めると「どの変数に何が入っているか」を明確にしておかないと混乱が生じます。
dataclassなら宣言の段階で型を示せるため、IDEの補完や型チェックを活用しやすくなり、チーム開発でも役立つでしょう。

クラスを使ったデータ構造

クラスでの構造体もどき

Pythonで構造体のような役割を実現する一番オーソドックスな手段は、クラスを定義することです。
クラスであれば、メソッドを自由に追加できますし、複数のクラスを組み合わせて階層構造を作ることもできます。

クラスの定義は、例えば以下のようになります。

class Person:
    def __init__(self, name, age, email):
        self.name = name
        self.age = age
        self.email = email

# 使用例
alice = Person("Alice", 25, "alice@example.com")
print(alice.name)

ここでは簡単に書いていますが、実務ではバリデーションを行ったり、さまざまなメソッドを持たせたりすることで、より複雑な処理に対応できます。
ただし、dataclassと比べると__init__や__repr__などを明示的に書かなければならないので、コードがやや冗長になるかもしれません。

継承やカプセル化

クラスの大きな強みは、オブジェクト指向の機能をフルに活用できることです。
継承によって共通の属性やメソッドを親クラスにまとめたり、カプセル化によって外部からのアクセスを制御したりすることもできます。

例えば、Personクラスを継承して、StaffやCustomerなどのクラスを作るといった方法が考えられます。
これにより、共通の属性（例：name, age, email）を継承しつつ、サブクラス固有のメソッドを追加するといった使い方が可能です。

実務では、データ構造の段階で「将来的に拡張やカスタマイズが必要かどうか」が重要な判断材料になります。
namedtupleやdataclassだけでは対応しきれないような、複雑な振る舞いが求められる場面では、やはり通常のクラスが力を発揮するでしょう。

構造体が必要な実務シーン

Webアプリ開発

Webアプリの開発では、様々なデータがやり取りされます。
たとえば、ユーザー情報、記事やコメントなどのコンテンツ情報、決済情報など、多岐にわたるデータを1カ所にまとめて管理することが必要になります。
こうしたデータをしっかりと構造化しておかないと、あとから機能を追加するときにコードが混乱しがちです。

具体的には、サーバーサイドで受け取ったJSONデータをPythonで変換し、その後、namedtupleやdataclass、またはクラスでラップする手法があります。
こうすることで、データを扱う部分とビジネスロジックを分けやすくなり、エラーの発生箇所を特定しやすくなるメリットがあります。

Webフレームワークの中には、フォームやリクエスト情報を自然にクラスやdataclassへマッピングして扱える仕組みを提供しているものもあります。
このように、Webアプリ開発で複数の値をまとめて扱う構造が必要になるとき、構造体的なアプローチが重宝します。

データ処理

データサイエンスやデータ分析においても、構造体のような考え方が意外と役立ちます。
大量の行列データや数値データを扱う場合、pandasなどのライブラリを使う場面が多いですが、途中で扱う中間結果を人間がわかりやすい形に整理しておきたいことがあります。

例えば、ある処理ステップごとに「平均値」「最大値」「最小値」をまとめて保存し、それを横断的に参照するといったケースです。
このとき、単なるリストやタプルだと「どれが平均値でどれが最大値か」を混同しがちです。
そこにnamedtupleやdataclassを導入することで、キーを明示してデータを取り扱いやすくする、というわけです。

また、学習モデル用のハイパーパラメータをまとめて管理する際にも、クラスやdataclassがよく使われます。
「学習率」「エポック数」「バッチサイズ」などを一つの固まりとして取り扱えるので、後から調整するときもわかりやすいでしょう。

エラー処理と例外活用

構造体でのエラー処理

構造体のようにデータをまとめるときには、エラー処理の方法も考えておくとよいです。
たとえば、namedtupleで必要なフィールドが欠けているケースなどは、実行時エラーになり得ます。
dataclassやクラスの場合も、__init__で引数が足りない、型が想定外といった状況が発生することがあるでしょう。

そういった場合、あえて例外を送出してプログラムの途中で止めるのか、それともデフォルト値を入れて継続するのか、方針を明確に決めておく必要があります。
もしデータが外部から入ってくる場合は、バリデーションの段階でチェックを行い、欠損や不正な型を見つけたらエラーにするなどの対策が考えられます。

例外活用

Pythonでは例外をうまく使うと、コードの可読性や保守性を高められます。
例えば、以下のようにValueErrorや独自の例外クラスを作って、データが不正な場合に例外を送出してみるやり方があります。

@dataclass
class Person:
    name: str
    age: int
    email: str

    def __post_init__(self):
        if self.age < 0:
            raise ValueError("年齢(age)は0以上である必要があります。")

こんなふうに、初期化直後にデータチェックを行って、問題があれば例外で処理を中断させることが可能です。
この手法はデータの信頼性を高める手段となります。
例外を発生させた結果、呼び出し元で対処（再入力を促す、ログを残すなど）を行うことができるので、バグの早期発見にもつながるでしょう。

データを安全に扱うためには、入力される値の範囲や型をこまめにチェックし、想定外の値が入った場合のハンドリングを明確にしておくと安心です。

ベストプラクティス

コードの可読性向上

複数の要素をまとめる方法は何通りもありますが、最も大切なのは可読性です。
「このデータ構造を見れば、何が入っているのかすぐにわかる」ようにしておくことが、開発効率とチームコミュニケーションの円滑化につながります。

  • フィールド名をわかりやすくつける
  • 過度に省略しない
  • コメントやドキュメンテーション文字列でデータの意味を説明する

このあたりを意識するだけでも、後からコードを読み返すときのストレスが大きく減るでしょう。
特に、namedtupleやdataclassにはフィールド一覧がはっきり定義されるので、その名前付けには気を遣うことをおすすめします。

運用上の注意点

Pythonで構造体のようなデータ管理をする際、以下の点に注意することでトラブルを回避しやすくなります。

  • 型ヒントをできるだけ記載しておく
  • mutability (変更可能性)の扱いを明確にしておく
  • 同じ名前のクラスや変数を複数の場所に作らない

特にmutabilityに関しては、namedtupleが基本的にイミュータブルであるのに対し、dataclassやクラスはデフォルトで可変なので混同しないようにしましょう。
予期せぬ変更が起こらないようにしたいのか、それとも手軽に編集できることを重視したいのかで、アプローチが変わってきます。

また、型ヒントをつけておくとIDEや静的解析ツールがミスを発見してくれるケースが増えます。
特に複数の人が触るプロジェクトでは、コードレビューがスムーズになり、保守性が高まるでしょう。

構造体にまつわる誤解

他言語の概念との違い

構造体と聞くとC言語やGo言語などのイメージから「軽量」「メモリ効率が良い」という印象を持つ方がいるかもしれません。
しかし、Pythonの世界で同様の最適化を期待するのはあまり現実的ではありません。
Pythonは動的言語であり、オブジェクト指向寄りの設計がなされているため、データをまとめる際には柔軟性と可読性を重視することが多いです。

namedtupleやdataclassを使ったとしても、必ずしもC言語の構造体のようなメモリレイアウトを実現しているわけではありません。
「構造体」という言葉自体が誤解を招く部分もあるため、「Pythonでのデータ構造」として考えたほうが適切でしょう。

ポイント

Pythonにおける構造体的な扱いは、以下のポイントを押さえておくとスムーズです。

  • C言語のstructをそのまま期待しない
  • 辞書、namedtuple、dataclass、クラスなど用途に応じて使い分ける
  • コードの可読性と保守性を最優先に考える

また、拡張性やメソッドの有無などの点も考慮すると、最終的には「クラスかdataclass」に落ち着くケースが多いです。
一方、ちょっとしたスクリプトやプロトタイプであれば辞書やnamedtupleの手軽さが魅力です。

PythonにはC言語のような厳密な構造体はないものの、複数の値をまとめてわかりやすく扱う選択肢は豊富です。
状況に応じて最適な方法を選びましょう。

まとめ

Pythonには構造体という機能はありませんが、辞書、namedtuple、dataclass、そして通常のクラスという方法で複数のデータをまとめて管理することができます。
それぞれのアプローチに一長一短があり、どれを選ぶかはプロジェクトの規模や目的次第です。

  • 辞書はシンプルで柔軟だが、型やキーの存在を保証しにくい
  • namedtupleはイミュータブルなデータを簡潔に扱えるが、メソッドを多用する用途には向かない
  • dataclassはクラスの書き方を簡潔にしながら、型ヒントや比較演算子などを自動実装してくれる
  • クラスは最も柔軟だが、継承やカプセル化など大規模開発でその力を発揮する

実務の現場では、プロジェクトの特徴や将来の拡張性などを考慮しながら、これらの手法を使い分けるとよいでしょう。
特に初心者の方には、まずは辞書やnamedtupleでシンプルにデータをまとめる方法を試してみるのがおすすめです。
その後、必要に応じてdataclassやクラスを使えば、より複雑なデータの管理や保守がしやすくなるはずです。

Pythonで構造体的なデータを扱うときは、単にメモリ効率だけを追い求めるのではなく、可読性や拡張性を大切にすると、実務でも応用しやすくなるでしょう。
ぜひ、この記事で紹介した方法を参考に、プロジェクトに合った構造体ライクなデータ管理を実現してみてください。

Pythonをマスターしよう

この記事で学んだPythonの知識をさらに伸ばしませんか？
Udemyには、現場ですぐ使えるスキルを身につけられる実践的な講座が揃っています。

Pythonの人気講座ランキングを見る筆者おすすめ No.1 講座！「現役シリコンバレーエンジニアが教えるPython 3 入門 + 応用 +アメリカのシリコンバレー流コードスタイル」
プログラミング言語の新着記事をチェック

【PHP】implodeとは？配列を文字列に結合する方法を初心者向けにわかりやすく解説