Après cette leçon, tu seras capable de :

• Choisir des opérations de collection pythoniques claires sans remplacer chaque boucle par une compréhension.
• Combiner le nettoyage de chaînes, les compréhensions et le tri tout en laissant les collections d'entrée inchangées.
• Préserver les relations entre enregistrements associés en filtrant après les avoir appariés.
• Construire des rapports multi-étapes fiables avec des règles explicites pour les entrées vides et un ordre stable.

Un code pythonique n'est pas le code comportant le moins de caractères possible. C'est un code qui communique clairement l'intention en utilisant les outils de Python.

Utilise une compréhension pour construire une nouvelle collection. Utilise une boucle for normale lorsque ton objectif est un effet de bord visible, tel que l'affichage de chaque ligne, ou lorsque plusieurs éléments d'état changent au cours d'une itération. Utilise zip() pour des séquences véritablement alignées, enumerate() lorsque le numéro compte, et sorted() pour renvoyer une nouvelle liste ordonnée sans muter la source.

Un bug courant apparaît lorsque tu filtres deux listes alignées séparément : leurs positions restantes peuvent cesser de correspondre. Apparie d'abord les valeurs liées, puis filtre les enregistrements combinés.

Un rapport fiable s'assemble généralement selon des étapes claires : normaliser → sélectionner → transformer → ordonner → rapporter. Matérialise une collection intermédiaire lorsque tu dois l'inspecter deux fois ; sinon, utilise une expression génératrice pour un agrégat ou une vérification à passage unique.

Pour un résultat d'aptitude, all() seul ne suffit pas si un ensemble vide de vérifications doit compter comme bloqué. Déclare la règle métier explicitement : exige des vérifications non vides et que chaque vérification réussisse.

1. Transformer une collection sans la muter

raw_regions = ["  US  ", "eu", " APAC "]
regions = [region.strip().lower() for region in raw_regions]
print(regions)
print(raw_regions[0])

Sortie :

['us', 'eu', 'apac']
  US  

L'entrée reste intacte ; la nouvelle liste contient les valeurs normalisées.

2. Apparier avant de filtrer

jobs = ["api", "queue", "mail"]
owners = ["Maya", "Omar", "Lina"]

active_pairs = [(job, owner) for job, owner in zip(jobs, owners) if job != "queue"]
print(active_pairs)

Sortie :

[('api', 'Maya'), ('mail', 'Lina')]

Filtrer les paires ensemble préserve quel propriétaire appartient à quelle tâche.

3. Conserver les effets de bord d'affichage dans une boucle lisible

services = ["api", "db"]
for position, service in enumerate(services, start=1):
    print(f"{position}. {service}")

Sortie :

1. api
2. db

Une boucle normale est plus claire qu'une compréhension utilisée uniquement pour l'affichage.

4. Rendre explicite l'état de préparation pour les entrées vides

checks = ["PASS", "pass"]
normalized = [item.strip().lower() for item in checks]
ready = bool(normalized) and all(item == "pass" for item in normalized)
print(f"Ready: {ready}")

Sortie :

Ready: True

Si la liste des vérifications était vide, la garde bool(normalized) empêcherait un résultat prêt accidentel.

1. N'utilise pas de compréhensions uniquement pour leurs effets de bord.
2. Ne filtre pas des séquences alignées séparément avant zip().
3. Ne mute pas les données sources lorsqu'une nouvelle collection propre est requise.
4. Ne suppose pas que all([]) signifie qu'un vrai lot a été vérifié.
5. Ne sacrifie pas la lisibilité simplement pour faire tenir un workflow entier dans une seule expression.