Si alguna vez has escrito una función sencilla en Python para añadir un elemento a una lista con una lista por defecto vacía y te has llevado la sorpresa de que los elementos persisten entre llamadas, no estás solo. El ejemplo típico es definir una función como def add_to_list(item, target=[]): target.append(item) return target y observar que la segunda llamada recuerda lo que añadió la primera. Esto no es un error en tu lógica sino un comportamiento del lenguaje que merece una explicación.
Raíz del problema: tiempo de definición frente a tiempo de ejecución. Python evalúa los argumentos por defecto solo una vez, cuando se define la función, no cada vez que se llama. Esa lista vacía target=[] se crea en el momento en que se ejecuta la sentencia def y queda ligada al objeto función. Por eso cada llamada sin pasar explicitamente target reutiliza la misma lista.
Visualización paso a paso: cuando se define la función se crea una lista por defecto en memoria, imaginemos que tiene la identidad 12345. Primera llamada utiliza la lista 12345 y añade el elemento, dejando la lista en [a]. Segunda llamada vuelve a usar la lista 12345 y añade otro elemento, dejando [a, b]. Tanto list_1 como list_2 referencian el mismo objeto, por eso list_1 is list_2 es True.
Por qué ocurre esto: la decisión de evaluar los valores por defecto en el momento de definición responde a razones de rendimiento. Evaluar esos valores en cada llamada sería más costoso. El efecto adverso se aprecia únicamente con objetos mutables como listas, diccionarios o conjuntos. Con objetos inmutables como enteros, cadenas o tuplas no hay problema porque no se pueden modificar en memoria.
La solución pythonica es usar None como centinela y crear el objeto mutable dentro del cuerpo de la función. Por ejemplo def add_to_list_fixed(item, target=None): if target is None: target = [] target.append(item) return target De este modo cada llamada sin target crea una nueva lista en tiempo de ejecución y los resultados no se mezclan.
Uso intencionado: aunque suele ser una trampa, este comportamiento puede aprovecharse conscientemente para patrones como caché o memoizacion donde se desea mantener estado entre llamadas locales. En ese caso debe documentarse claramente para no confundir a otros desarrolladores.
Encontrar y comprender este detalle es un hito en tu aprendizaje de Python que muestra que ya entiendes aspectos del modelo de ejecución del lenguaje. Si quieres evitar errores comunes en proyectos profesionales o necesitas apoyo para desarrollar soluciones robustas, en Q2BSTUDIO somos especialistas en desarrollo de software y aplicaciones a medida. Podemos ayudarte a diseñar código limpio y escalable, y a integrar prácticas de calidad en tus proyectos.
En Q2BSTUDIO ofrecemos servicios completos que incluyen aplicaciones a medida y software a medida, experiencia en inteligencia artificial para empresas y agentes IA, así como ciberseguridad y pentesting para proteger tus sistemas. También trabajamos con servicios cloud aws y azure y ofrecemos servicios inteligencia de negocio y soluciones con power bi para convertir datos en valor.
Si te interesa explorar cómo una buena arquitectura y buenas prácticas evitan trampas como la del argumento por defecto mutable, o quieres aplicar inteligencia artificial y automatización en tu organización, ponte en contacto con nuestro equipo de Q2BSTUDIO y te contamos cómo podemos ayudar.
Palabras clave: aplicaciones a medida, software a medida, inteligencia artificial, ciberseguridad, servicios cloud aws y azure, servicios inteligencia de negocio, ia para empresas, agentes IA, power bi.
