Timothy estaba depurando un comportamiento extraño cuando llamó a Margaret. Señaló su terminal y mostró que dos comparaciones aparentemente iguales se comportaban distinto. Este caso es la puerta de entrada a un aspecto fascinante de Python que explica la diferencia entre identidad y igualdad y por qué algunos números pequeños comparten el mismo objeto en memoria.
En Python existen dos formas de comparar valores: igualdad con == que pregunta si los contenidos son iguales y identidad con is que pregunta si dos referencias apuntan al mismo objeto en memoria. Esa diferencia es clave para comprender el llamado caché de enteros.
CPython mantiene un caché de enteros precreados que cubre el rango de -5 a 256. Eso significa que cuando en tu programa aparece un 42 no se crea un nuevo objeto entero, sino que se devuelve la referencia a la única instancia de 42 que ya existe. Esta optimización reduce el uso de memoria y acelera operaciones comunes porque muchos programas usan contadores, índices y códigos que caen en ese rango.
Fuera de ese rango Python suele crear nuevos objetos enteros por cada literal o resultado de cálculo, aunque el compilador puede aplicar optimizaciones como constant folding que reúnen literales idénticos dentro de la misma expresión, provocando resultados aparentemente inconsistentes entre diferentes contextos como el REPL, expresiones únicas o asignaciones separadas.
El hecho de que algunos enteros sean singletons no es una garantía para todo el rango de valores, es un detalle de implementación documentado en CPython. Por eso nunca se debe usar is para comparar valores numéricos. is es apropiado para comprobar identidad, por ejemplo para verificar None con if x is None. Para comparar valores siempre use ==, así evita errores intermitentes que aparecen solo con enteros grandes o cuando los valores vienen de parsing o de librerías externas.
Un ejemplo clásico de bug real es un comprobador de códigos de estado que usa is para comparar integers en una lista de códigos de éxito. Con 200 ese bug pasa desapercibido porque 200 está en el caché, pero con códigos generados dinámicamente como 307 el comportamiento puede ser errático y muy difícil de reproducir en pruebas.
La seguridad de compartir instancias de enteros viene de la inmutabilidad de los números en Python. Como los enteros no cambian, varias referencias apuntando al mismo objeto no pueden producir efectos secundarios por mutación. Si los enteros fueran mutables, el caché sería peligroso. Esta propiedad hace posible optimizaciones seguras que reducen memoria y ganan algo de velocidad en comparaciones de identidad frente a igualdad.
Desde la perspectiva del rendimiento y la memoria la diferencia es real: listas grandes llenas de un mismo entero cached como 0 o 42 consumen mucho menos memoria porque contienen muchas referencias al mismo objeto. En pruebas microbenchmark la creación de enteros fuera del caché y la comparación por igualdad suelen ser ligeramente más lentas que la comparación por identidad, pero la recomendación sigue siendo semántica, no microoptimización, usar == para valores.
Otras plataformas y lenguajes adoptan patrones similares, por ejemplo Java con su caché de Integer de -128 a 127, o mecanismos de interning para strings. No es un bug sino una técnica común en entornos gestionados para ahorrar recursos.
En la práctica, estas son pautas útiles: use == para comparar valores numéricos, use is solo cuando necesite comprobar identidad como None, no escriba código que dependa de que dos enteros iguales sean el mismo objeto y entienda que el caché oficial de CPython abarca -5 a 256 y el resto es impredecible según contexto y optimizaciones del compilador.
En Q2BSTUDIO aplicamos este tipo de buenas prácticas en el desarrollo de software a medida y aplicaciones a medida, cuidando que el código sea robusto y libre de trampas sutiles que provoquen bugs intermitentes en producción. Si te interesa una solución personalizada podemos ayudarte a diseñar y desarrollar tu proyecto con enfoque en calidad y seguridad, por ejemplo revisando lógicas críticas en la aplicación o creando APIs escalables y mantenibles como parte de nuestros servicios de desarrollo de aplicaciones y software a medida.
Además, en Q2BSTUDIO combinamos experiencia en inteligencia artificial y en soluciones empresariales para aportar valor añadido, desde IA para empresas y agentes IA hasta servicios avanzados de integración con plataformas cloud. Si tu proyecto requiere modelos de machine learning, automatización o implantación en la nube, trabajamos con servicios cloud aws y azure para desplegar soluciones seguras y escalables. Conoce nuestras propuestas en inteligencia artificial para empresas y cómo podemos integrar IA y analítica en tus procesos.
También prestamos atención a la ciberseguridad y al pentesting para que los servicios que ofrecemos sean resistentes frente a amenazas, y a soluciones de inteligencia de negocio y Power BI para transformar datos en decisiones. Palabras clave que guían nuestro trabajo incluyen aplicaciones a medida, software a medida, inteligencia artificial, ciberseguridad, servicios cloud aws y azure, servicios inteligencia de negocio, ia para empresas, agentes IA y power bi.
En resumen, el caché de enteros de Python es una optimización inteligente que no debe condicionar el diseño lógico del código. Comprender la diferencia entre identidad y igualdad, la inmutabilidad y las fronteras de la optimización ayuda a evitar bugs y a escribir software más confiable. En Q2BSTUDIO aplicamos estos principios técnicos al construir soluciones a medida, garantizando calidad, seguridad y escalabilidad en proyectos que incorporan desde automatización hasta inteligencia artificial y servicios cloud.
Autoría Aaron Rose, adaptado e ilustrado para Q2BSTUDIO
.jpg)