Formateador de código Black

Formateador de código Black

Formateador de código Blacklink image 0

Si llevas un tiempo programando en Python supongo que conocerás el PEP8, que es una guía de estilo para la escritura de código en Python, Black

Pues hoy traigo un formateador de código Python que sigue el PEP8 de manera que tus códigos sean más legibles y mantenibles tanto por otros como por tu yo del futuro

Instalaciónlink image 1

Para instalarlo podemos instalarlo con conda

conda install conda-forge::black
      

o con pip

pip install black
      

Código de ejemplolink image 2

Voy a crear un archivo llamado sample_code.py con el siguiente código

class myClass:
      def display_info(self, name, subname, age, description, address, city, zip_code, country, phone, email, license, departament):
      return f"Name : {name}, Subname : {subname}, Age : {age}, Description : {description}, Address : {address}, City : {city}, Zip Code : {zip_code}, Country : {country}, Phone : {phone}, Email : {email}, License : {license}, Departament : {departament}"
      
          def add_numbers(num1,
                          num2):
              return num1 + num2
      
          text = "This is some text"
      
          letters = (
              "alpha",
              "beta",
              "gamma",
              "delta",
              "epsilon",
              "zeta",
              "eta",
              "theta",
              "iota",
              "kappa",
          )
      

Como vemos tiene las dos primeras líneas muy largas, la declaración del segundo método en varias líneas, etc

eyes

Formatear el códigolink image 3

Para formatear el código tenemos dos opciones, hacer

black {source_file_or_directory}
      

o hacer

python -m black {source_file_or_directory}
      

Así que vamos a formatearlo

	
< > Input
Python
!black sample_code.py
Copied
>_ Output
			
reformatted sample_code.py
All done! ✨ 🍰 ✨
1 file reformatted.

Después de formatearlo el código ha quedado así

class myClass:
          def display_info(
              self,
      name,
      subname,
              age,
      description,
              address,
      city,
      zip_code,
      country,
      phone,
      email,
      license,
      departament,
          ):
      return f"Name : {name}, Subname : {subname}, Age : {age}, Description : {description}, Address : {address}, City : {city}, Zip Code : {zip_code}, Country : {country}, Phone : {phone}, Email : {email}, License : {license}, Departament : {departament}"
      
          def add_numbers(num1, num2):
              return num1 + num2
      
          text = "This is some text"
      
          letters = (
              "alpha",
              "beta",
              "gamma",
              "delta",
      epsilon
              "zeta",
      "eta",
              "theta",
              "iota",
              "kappa",
          )
      

Mucho mejor, ¿verdad?

Preguntas frecuentes

¿Cuál es la diferencia entre ejecutar black archivo.py y python -m black archivo.py?

Ambos comandos son equivalentes: black {source_file_or_directory} invoca directamente el binario instalado, mientras que python -m black {source_file_or_directory} lo ejecuta como módulo de tu entorno Python activo. Usar python -m black es útil cuando tienes varios entornos/virtualenvs y quieres asegurarte de que se usa el Black instalado en el entorno actual y no el que esté primero en el PATH.

¿Por qué Black separa los argumentos de una función larga en varias líneas con una coma final tras el último parámetro?

Cuando la firma de una función supera el límite de longitud de línea de Black (88 caracteres por defecto), la reformatea colocando cada argumento en su propia línea dentro de los paréntesis y añade una coma final tras el último parámetro, como en el ejemplo reformateado def display_info(self, name, subname, ..., departament,):. Esa coma final no es solo estética: hace que futuros diffs de git al añadir o quitar un parámetro solo toquen una línea.

Seguir leyendo

Últimos posts -->

¿Has visto estos proyectos?

Gymnasia

Gymnasia Gymnasia
Expo
React Native
TypeScript
OpenAI
Anthropic

App de fitness con dos agentes que se ejecutan íntegramente en el dispositivo, sin backend, de forma que los datos del usuario nunca salen del móvil. Un coach conversacional BYOK con tools locales y system prompt remoto con fallback offline, y un estimador de comidas que saca los macronutrientes de una foto del plato, con lectura de códigos de barras contra OpenFoodFacts.

LangGraph Deep Researcher

LangGraph Deep Researcher LangGraph Deep Researcher
Python
LangGraph
FastAPI
React
TypeScript
Docker

Sistema multiagente de investigación construido con LangGraph. Un supervisor descompone tu pregunta en temas y lanza subagentes de búsqueda en paralelo; cada uno comprime sus hallazgos antes de pasarlos a un agente redactor que escribe el informe final en markdown con sus fuentes. Streaming en vivo por WebSockets, modelo configurable por rol y claves de API propias que nunca se guardan en el servidor.

Tau

Tau Tau
Python
LangChain

Sistema multiagente de tutoría para estudiantes de secundaria, con un agente por asignatura y material de curso elaborado y validado por un equipo de profesores. Llegó a usarse con alumnos reales en un colegio privado en España y en un instituto en Colombia.

Ver todos los proyectos -->
>_ Disponible para proyectos

¿Tienes un proyecto con IA?

Hablemos.

maximofn@gmail.com

Especialista en Machine Learning e Inteligencia Artificial. Desarrollo soluciones con IA generativa, agentes inteligentes y modelos personalizados.

¿Quieres ver alguna charla?

Últimas charlas -->

¿Quieres mejorar con estos tips?

Últimos tips -->

Usa esto en local

Los espacios de Hugging Face nos permite ejecutar modelos con demos muy sencillas, pero ¿qué pasa si la demo se rompe? O si el usuario la elimina? Por ello he creado contenedores docker con algunos espacios interesantes, para poder usarlos de manera local, pase lo que pase. De hecho, es posible que si pinchas en alún botón de ver proyecto te lleve a un espacio que no funciona.

Flow edit

Flow edit Flow edit

Edita imágenes con este modelo de Flow. Basándose en SD3 o FLUX puedes editar cualquier imagen y generar nuevas

FLUX.1-RealismLora

FLUX.1-RealismLora FLUX.1-RealismLora
Ver todos los contenedores -->
>_ Disponible para proyectos

¿Tienes un proyecto con IA?

Hablemos.

maximofn@gmail.com

Especialista en Machine Learning e Inteligencia Artificial. Desarrollo soluciones con IA generativa, agentes inteligentes y modelos personalizados.

¿Quieres entrenar tu modelo con estos datasets?

short-jokes-dataset

HuggingFace

Dataset de chistes en inglés

Uso: Fine-tuning de modelos de generación de texto humorístico

231K filas 2 columnas 45 MB
Ver en HuggingFace →

opus100

HuggingFace

Dataset con traducciones de inglés a español

Uso: Entrenamiento de modelos de traducción inglés-español

1M filas 2 columnas 210 MB
Ver en HuggingFace →

netflix_titles

HuggingFace

Dataset con películas y series de Netflix

Uso: Análisis de catálogo de Netflix y sistemas de recomendación

8.8K filas 12 columnas 3.5 MB
Ver en HuggingFace →
Ver más datasets -->