• 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
      • Descenso de gradiente
      • Visualizador de PCA
      • Visualizador de Series Temporales
      • Simulador de Regresión Logística
      • Matriz de confusión e informe de clasificación
      • Visualizador de fronteras de decisión
      • Simulador de K-Means
      • Número Óptimo de Clusters
      • Simulador de DBSCAN
      • Detector de la Ley de Benford
      • Ajuste de Curvas
      • Calculadora de Matrices
    • Probabilidad
      • Calculadora de Probabilidad de Distribuciones
      • Problema del cumpleaños
      • Calculadora de Probabilidades de Lotería
      • Simulador del Problema de Monty Hall
      • La aguja de Buffon
      • Simulador de la Estrategia Martingala
      • Simulador de Cadenas de Markov
    • Finanzas
      • Calculadora de Préstamos e Hipotecas
      • Conversor TIN ↔ TAE
      • Calculadora DCA con ajuste por inflación
      • Comparador de tarifas de luz 2.0TD
      • Calculadora XIRR con Flujos Irregulares
      • Simulador FIRE (Financial Independence, Retire Early)
      • Frontera Eficiente
    • Negocios
      • CLV
      • Scoring
    • Herramientas
      • Formateador / Minificador de JSON
      • Conversor CSV ↔ JSON
      • Consultar CSV con SQL en el navegador
      • Extractor de tickets (OCR)
      • Comparador y Formateador de Texto y JSON
      • Formateador y Tester de Expresiones Regulares
      • Inspector de JWT
      • Generador y verificador de hashes
      • Calculadora HMAC
      • Codificador / Decodificador Base64 y URL
      • Conversor de bases numericas
      • Conversor de Timestamp Unix
      • Conversor de colores
      • Generador de UUIDs
      • Editor de expresiones cron
      • Conversor de unidades
    • 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

Mejorando la calidad del código Python con comas finales: Un detalle que marca la diferencia

mayo 8, 2024 Por Daniel Rodríguez Deja un comentario
Tiempo de lectura: 3 minutos

A la hora de escribir código los detalles importan, incluso los aparentemente insignificantes. Uno de estos detalles, el cual suele ser completamente ignorado habitualmente, son las comas finales, conocidas en inglés como “Trailing Commas”. Estas comas son las que se sitúan al final de la última línea en las estructuras como listas, tuplas y diccionarios. Aunque puede parecer un recurso meramente estético, su utilidad va mucho más allá. En esta entrada vamos a ver por qué estás comas finales son un detalle tan importante y por qué puede mejorar la legibilidad y mantenibilidad del código.

¿Qué son las comas finales (“Trailing Commas”)?

Las comas finales, o como se conoce en inglés, “Trailing Commas”, son las comas adicionales que se colocan en la última línea de las estructuras de datos. Esto es, en las listas, tuplas y diccionarios. Aunque su uso es una opción, y no tiene ningún efecto ni en la funcionalidad ni el rendimiento del código, ofrecen importantes ventajas en cuanto a la legibilidad y mantenibilidad. Haciendo que el código sea más limpio y fácil de mantener.

Las ventajas se usar comas finales en Python, u otros lenguajes de programación, se pueden enumerar en el siguiente listado:

  1. Facilita los cambios en el código: Las comas finales hacen que sea más fácil agregar, eliminar o reorganizar elementos en las estructuras como listas sin afectar al código circundante. Esto simplifica los cambios en el código y reduce la posibilidad de introducir errores.
  2. Mejora la legibilidad: Al incluir comas finales, se hace más evidente dónde termina la estructura, lo que mejora la legibilidad del código. Un aspecto importante y altamente infravalorado. Lo que resulta especialmente útil en estructuras con varias líneas, donde las comas finales ayudan a identificar claramente el final de la estructura.
  3. Formato más adecuado para los sistemas de control de versiones: Al utilizar comas finales, el código se formatea de manera más consistente, lo que facilita el seguimiento de los cambios en sistemas de control de versiones como Git. Registrando como cambio únicamente los valores modificados, no el código circundante. Esto hace que sea más fácil la revisión de los cambios introducidos en cada versión y la colaboración con otros desarrolladores.
  4. Reducción de errores de sintaxis: Las comas finales pueden ayudar a prevenir los errores de sintaxis cuando se trabaja con estructuras de datos de varias líneas, como las listas o diccionarios. Al ser una sintaxis clara, homogénea y consistente, las comas finales hacen que sea menos probable cometer errores al escribir o modificar el código.

Ejemplos del uso de comas finales en Python

A continuación, se muestran algunos ejemplos en los que se ilustra la diferencia que existe en el uso o no de comas finales en las estructuras de datos y argumentos de funciones en Python.

Shallow copy vs Deep copy en Python: la mutación inesperada
En Analytics Lane
Shallow copy vs Deep copy en Python: la mutación inesperada

#########
# Listas
#########

# Sin comas finales
numeros = [1, 2, 3]
colores = ['rojo', 'verde', 'azul']

# Con comas finales
numeros = [
    1,
    2,
    3,
]
colores = [
    'rojo',
    'verde',
    'azul',
]


#########
# Tuplas
#########

# Sin comas finales
punto = (10, 20)
coordenadas = ((30, 40), (50, 60))

# Con comas finales
punto = (
    10,
    20,
)
coordenadas = (
    (30, 40),
    (50, 60),
)


##########################
# Argumentos de funciones 
##########################

# Sin comas finales
def obtener_precio_descuento(precio, descuento=0):
    return precio * (1 - descuento)

# Con comas finales
def obtener_precio_descuento(
    precio,
    descuento=0,
):
    return precio * (1 - descuento)


##################################################
# Argumentos de funciones con valores por defecto
##################################################

# Sin comas finales
def saludar(nombre='Mundo', saludo='Hola'):
    return f'{saludo}, {nombre}!'

# Con comas finales
def saludar(
    nombre='Mundo',
    saludo='Hola',
):
    return f'{saludo}, {nombre}!'

En estos ejemplos se pueden ver cómo las comas finales se pueden emplear en múltiples contextos en Python, tanto en las estructuras de datos, como las listas o tuplas, como en la definición de los argumentos de las funciones. Mejorando claramente la legibilidad del código cuando se incorporan. Por lo que, al agregar comas finales al código ayuda a que este sea más consistente y fácil de leer, lo que contribuye que este sea más limpio y mantenible.

Conclusiones

Aunque puede parecer algo intrascendente, las comas finales son un detalle importante que puede mejorar la calidad del código. Marcando una diferencia importante en cuanto a su mantenibilidad. Por lo tanto, al prestar el detalle que se merece las comas finales se puede conseguir que el código sea más limpio, claro y fácil de mantener. Mejorando por el camino la eficiencia y efectividad de la tarea de programación.

Imagen de Gundula Vogel en Pixabay

¿Te ha parecido de utilidad el contenido?

¡Puntúalo entre una y cinco estrellas!

Puntuación promedio 0 / 5. Votos emitidos: 0

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

  • Shallow copy vs Deep copy en Python: la mutación inesperada
  • Cómo Proyectar Cuándo Alcanzarás la Independencia Financiera
  • Analytics Lane lanza la versión 1.5 del laboratorio con un extractor de tickets por OCR y consultas SQL sobre CSV en el navegador
  • Cómo Saber si una Diferencia Significativa es Importante
  • Curiosidad: “Wi-Fi” no significa “Wireless Fidelity”
  • Cómo Explorar un Dataset antes de Modelar
  • Cómo Elegir el Test de Hipótesis Correcto para tus Datos
  • Tuplas vs Listas en Python: parecen lo mismo, pero no
  • == vs is en Python: la diferencia que causa bugs misteriosos

Publicidad

Publicado en: Opinión, Python

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 1.5 del laboratorio con un extractor de tickets por OCR y consultas SQL sobre CSV en el navegador

noviembre 18, 2026 Por Daniel Rodríguez

Cómo Explorar un Dataset antes de Modelar

noviembre 17, 2026 Por Daniel Rodríguez

Curiosidad: “Wi-Fi” no significa “Wireless Fidelity”

noviembre 12, 2026 Por Daniel Rodríguez

Publicidad

Es tendencia

  • Gráficos de barras en Matplotlib publicado el julio 5, 2022 | en Python
  • Hoja de cálculo para repartir los escaños en base al método D’Hont Aplicar el método D’Hondt en Excel publicado el abril 14, 2021 | en Herramientas
  • pandas Pandas: Cómo iterar sobre las filas de un DataFrame en Pandas publicado el septiembre 13, 2021 | en Python
  • Exactitud, precisión, recall… qué mide realmente cada métrica (y qué no) publicado el marzo 3, 2026 | en Ciencia de datos
  • Operaciones de filtrado de DataFrame con Pandas en base a los valores de las columnas publicado el mayo 10, 2019 | en Python

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

  • Daniel Rodríguez en Curiosidad: La Paradoja de Simpson, o por qué no siempre debes fiarte de los promedios
  • Hatepi en Curiosidad: La Paradoja de Simpson, o por qué no siempre debes fiarte de los promedios
  • Daniel Rodríguez en Los récords con asterisco, o la épica del titular sin contexto – El bestiario de los indicadores económicos absurdos (parte 8 y final)
  • Juan en Los récords con asterisco, o la épica del titular sin contexto – El bestiario de los indicadores económicos absurdos (parte 8 y final)
  • bif en JSON en bases de datos: cuándo es buena idea y cuándo no

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