• Saltar al contenido principal
  • Skip to secondary menu
  • Saltar a la barra lateral principal
  • Saltar al pie de página
  • Inicio
  • Secciones
    • Ciencia de datos
    • Criptografía
    • Herramientas
    • Machine Learning
    • Noticias
    • Opinión
    • Productividad
    • Programación
      • JavaScript
      • Julia
      • Matlab
      • Python
      • R
  • Programación
    • JavaScript
    • Julia
    • Matlab
    • Python
    • R
  • Laboratorio
    • Estadística
      • Calculadora del Tamaño Muestral en Encuestas
      • Calculadora de estadísticos descriptivos
      • Test de normalidad
      • Calculadora de contrastes de hipotesis
      • Calculadora de tamano del efecto
      • Simulador de Regresión Lineal con Ruido
      • Visualizador de PCA
      • Visualizador de Series Temporales
      • Simulador de Regresión Logística
      • Simulador de K-Means
      • Simulador de DBSCAN
      • Detector de la Ley de Benford
      • Ajuste de Curvas
      • Calculadora de Matrices
    • Probabilidad
      • Calculadora de Probabilidad de Distribuciones
      • Calculadora de Probabilidades de Lotería
      • Simulador del Problema de Monty Hall
      • Simulador de la Estrategia Martingala
    • Finanzas
      • Calculadora de Préstamos e Hipotecas
      • Conversor TIN ↔ TAE
      • Calculadora DCA con ajuste por inflación
      • Calculadora XIRR con Flujos Irregulares
      • Simulador FIRE (Financial Independence, Retire Early)
    • Negocios
      • CLV
      • Scoring
    • Herramientas
      • Formateador / Minificador de JSON
      • Conversor CSV ↔ JSON
      • Comparador y Formateador de Texto y JSON
      • Formateador y Tester de Expresiones Regulares
      • Inspector de JWT
      • Generador y verificador de hashes
      • Codificador / Decodificador Base64 y URL
      • Conversor de bases numericas
      • Conversor de Timestamp Unix
      • Conversor de colores
      • Generador de UUIDs
    • Juegos
      • Tres en Raya
      • Nim con Q-Learning
    • Más
      • Método D’Hondt
      • Generador de Contraseñas Seguras
  • Noticias
  • Boletín
  • Contacto
  • Tienda
    • Libros
    • Equipamiento de oficina
    • Equipamiento en movilidad

Analytics Lane

Ciencia e ingeniería de datos aplicada

  • Ciencia de datos
  • Machine Learning
  • IA Generativa
  • Python
  • Pandas
  • NumPy
  • R
  • Excel

Mejora la legibilidad y calidad del código Python

Lint

octubre 24, 2022 Por Daniel Rodríguez Deja un comentario
Tiempo de lectura: 3 minutos

Escribir un código legible y de calidad debería ser una de nuestras preocupaciones. No solamente es necesario que el programa realice la tarea para la que se ha diseñado de una forma eficiente, sino que también debería ser fácil de leer y comprender para cualquiera que lo desee revisar. Incluidos nosotros en un futuro. Recordando que la teoría de las ventanas rotas nos dice que un código mal cuidado empeora con el tiempo. Anteriormente he presentado alguna herramienta para realizar auditorías de calidad de código y auditorías enfocadas en el rendimiento para Python. En esta ocasión veremos una librería con la que revisar y mejorar la legibilidad y calidad del código Python.

Tabla de contenidos

  • 1 Instalación de Refurb
  • 2 Ejemplo de uso de Refurb
    • 2.1 Usar una tupla en lugar de una lista
    • 2.2 Usar read_text() en lugar de read()
    • 2.3 Evitar código incensario
    • 2.4 No pasar información innecesaria a print()
  • 3 Conclusiones

Instalación de Refurb

Refurb es una librería con la que se puede modernizar el código Python. Ayudando a conseguir que un buen código sea aún mejor. Al igual que la mayoría de las librerías para Python, Refurb se puede instalar usando pip en la línea de comandos. En concreto se debe ejecutar el siguiente código.

pip install refurb

Nótese que la instalación de Refurb requiere tener instalado Python 3.10, si este trabajado con una versión anterior será necesario actualizar. Aunque la librería puede revisar el código anterior. Una vez hecho esto, para revisar el código, simplemente se debe ejecutar el comando

La vanidad del paisaje, o por qué un becario sale a contar grúas a Manhattan – El bestiario de los indicadores económicos absurdos (parte 2)
En Analytics Lane
La vanidad del paisaje, o por qué un becario sale a contar grúas a Manhattan – El bestiario de los indicadores económicos absurdos (parte 2)

refurb code.py

En donde code.py es el archivo que contiene el código que se desea revisar.

Ejemplo de uso de Refurb

En la documentación de Refurb se puede ver un código de ejemplo con el que se puede ver el tipo de consejos que puede ofrecer a un programador de Python. Si escribimos el siguiente código en un archivo code-py

for filename in ["file1.txt", "file2.txt"]:
    with open(filename) as f:
        contents = f.read()

    lines = contents.splitlines()

    for line in lines:
        if not line or line.startswith("# ") or line.startswith("// "):
            continue

        for word in line.split():
            print(f"[{word}]", end="")

        print("")

Y se ejecuta el comando

refurb code.py

aparecerán por pantalla los siguientes mensajes

code.py:1:17 [FURB109]: Replace `in [x, y, z]` with `in (x, y, z)`
code.py:2:5 [FURB101]: Use `y = Path(x).read_text()` instead of `with open(x) as f: y = f.read()`
code.py:8:40 [FURB102]: Replace `x.startswith(y) or x.startswith(z)` with `x.startswith((y, z))`
code.py:14:9 [FURB105]: Use `print() instead of `print("")`

Ahora se pueden analizar los resultados obtenidos

Publicidad


Usar una tupla en lugar de una lista

El primer mensaje Replace `in [x, y, z]` with `in (x, y, z)` indica que debemos reemplazar la lista por una tupla. Esto será más eficiente ya que el objeto no va a cambiar y por eso no es necesario usar una lista que es mutable.

Usar read_text() en lugar de read()

El segundo mensaje Use `y = Path(x).read_text()` instead of `with open(x) as f: y = f.read()` indica que es más eficiente leer todos los archivos usando el comando read_text()en lugar de read().

Evitar código incensario

La tercera línea Replace `x.startswith(y) or x.startswith(z)` with `x.startswith((y, z))` que en lugar de usar el método startswith() dos veces para comprobar si la línea comienza "# " o "// " es mejor comprobar ambas opciones a la vez. Algo que se traduce en un código Python más eficiente.

Publicidad


No pasar información innecesaria a print()

Finalmente, el cuarto consejo Use `print() instead of `print("")` indica que cuando no se imprime nada no es necesario ni recomendable pasar una cadena vacía a print().

Conclusiones

En esta ocasión se ha visto Refurb, una nueva librería con la que se puede revisar los programas para conseguir una mayor legibilidad y calidad del código Python. Esta es una herramienta con la que podemos hacer que nuestro código sea aún más elegante y eficiente.

Imagen de Aaron Olson en Pixabay

¿Te ha parecido de utilidad el contenido?

¡Puntúalo entre una y cinco estrellas!

Puntuación promedio 5 / 5. Votos emitidos: 1

Ya que has encontrado útil este contenido...

¡Síguenos en redes sociales!

¡Siento que este contenido no te haya sido útil!

¡Déjame mejorar este contenido!

Dime, ¿cómo puedo mejorar este contenido?

Publicaciones relacionadas

  • La vanidad del paisaje, o por qué un becario sale a contar grúas a Manhattan – El bestiario de los indicadores económicos absurdos (parte 2)
  • Augurios deportivos y portadas malditas, o cuando The Economist predice mejor al revés – El bestiario de los indicadores económicos absurdos (parte 3)
  • Lanzamos el video de ScoreFlow: crea scorecards de crédito de forma ágil y sin IT
  • El bestiario de los indicadores económicos absurdos: El zoo patrio
  • El Binning en Credit Scoring: El Arte de Discretizar Variables
  • Las fórmulas con DNI, o cómo dividir cualquier cosa entre cualquier otra cosa puede acabar publicado en un titular serio – El bestiario de los indicadores económicos absurdos (parte 5)
  • Analytics Lane lanza la versión 1.2 del laboratorio con nuevas herramientas de ajuste de curvas y cálculo matricial
  • Data Leakage en Credit Scoring: El Error que Invalida tu Modelo
  • Analytics Lane lanza la versión 1.3 del laboratorio con nuevas herramientas de evaluación de modelos y utilidades prácticas

Publicado en: Python Etiquetado como: Lint

Interacciones con los lectores

Deja una respuesta Cancelar la respuesta

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *

I accept the Terms and Conditions and the Privacy Policy

Este sitio usa Akismet para reducir el spam. Aprende cómo se procesan los datos de tus comentarios.

Barra lateral principal

Suscríbete a nuestro boletín

Suscríbete al boletín semanal para estar al día de todas las publicaciones.

Política de Privacidad

Analytics Lane en redes sociales

  • Amazon
  • Bluesky
  • Facebook
  • GitHub
  • Instagram
  • Mastodon
  • Pinterest
  • RSS
  • Telegram
  • Tumblr
  • Twitter
  • YouTube

Publicidad

Entradas recientes

Noticias

Analytics Lane lanza la versión 1.4 del laboratorio con nuevas herramientas de conversión y modelos avanzados de CLV

julio 10, 2026 Por Daniel Rodríguez

La liga internacional, o cuando Harvard y Johns Hopkins suman peras con manzanas – El bestiario de los indicadores económicos absurdos (parte 6)

julio 9, 2026 Por Daniel Rodríguez

Lanzamos el video de ScoreFlow: crea scorecards de crédito de forma ágil y sin IT

julio 8, 2026 Por Daniel Rodríguez

Publicidad

Es tendencia

  • pandas Pandas: Cómo iterar sobre las filas de un DataFrame en Pandas publicado el septiembre 13, 2021 | en Python
  • WOE e IV: La Base Matemática del Credit Scoring publicado el mayo 5, 2026 | en Ciencia de datos
  • Visualización de árboles de decisión en Python con PyDotPlus publicado el noviembre 9, 2018 | en Python
  • La distancia de Mahalanobis publicado el abril 19, 2024 | en Ciencia de datos
  • Web del proyecto HeidiSQL HeidiSQL: administrador de base de datos publicado el diciembre 20, 2019 | en Herramientas

Publicidad

Lo mejor valorado

4.9 (24)

Seleccionar filas y columnas en Pandas con iloc y loc

4.6 (16)

Archivos JSON con Python: lectura y escritura

4.4 (14)

Ordenación de diccionarios en Python mediante clave o valor

4.7 (13)

Operaciones de filtrado de DataFrame con Pandas en base a los valores de las columnas

4.1 (11)

Aplicar el método D’Hondt en Excel

Comentarios recientes

  • bif en JSON en bases de datos: cuándo es buena idea y cuándo no
  • bif en Cómo desinstalar Oracle Database 19c en Windows
  • M. Pilar en Cómo eliminar las noticias en Windows 11 y recuperar tu concentración
  • Daniel Rodríguez en Probabilidad básica: cómo entender el azar en nuestra vida diaria
  • Pepe en Probabilidad básica: cómo entender el azar en nuestra vida diaria

Publicidad


Footer

Analytics Lane

  • Acerca de Analytics Lane
  • Boletín de noticias
  • Contacto
  • Libros
  • Lo más popular
  • Noticias
  • Tienda
  • Tiendas afiliadas

Secciones

  • Ciencia de datos
  • Criptografía
  • Herramientas
  • Machine Learning
  • Opinión
  • Productividad
  • Programación
  • Reseñas

Sobre de Analytics Lane

En Analytics Lane tratamos de explicar los principales conceptos de la ciencia e ingeniería de datos con un enfoque práctico. Los principales temas tratados son ciencia de datos, ingeniería de datos, inteligencia artificial, machine learning, deep learning y criptografía. Además, también se habla de los principales lenguajes de programación y herramientas utilizadas por los científicos e ingenieros de datos.

Copyright © 2018-2026 Analytics Lane ·Términos y condiciones ·Política de Cookies ·Política de Privacidad ·Herramientas de privacidad ·Contacto