Python

Presentación

Tienes doscientos archivos que renombrar.

Puedes abrirlos uno por uno.

Hacer clic.

Renombrar.

Volver a empezar.

Y reflexionar tranquilamente sobre las decisiones que te han llevado hasta aquí.

O escribir unas pocas líneas de Python.

A menudo es así como se conoce este lenguaje: no porque quisiéramos aprender un nuevo paradigma informático, sino porque un problema ligeramente molesto probablemente podía automatizarse.

Después, el pequeño script se convierte en una herramienta.

La herramienta recupera datos.

Los datos deben analizarse.

Aparece una API.

Luego una interfaz.

Y, sin haberlo planeado realmente, Python sigue ahí.

Un lenguaje que intenta no interponerse entre la idea y el código

Python es un lenguaje de programación generalista creado por Guido van Rossum a principios de los años 1990.

Su reputación se apoya en buena parte en algo muy visible desde las primeras líneas: su sintaxis prioriza la legibilidad.

for image in images:
    resize(image)

No hace falta una ceremonia de quince líneas para comprender aproximadamente lo que está ocurriendo.

Eso no significa que Python sea un lenguaje «simple» en todos sus usos.

Tiene clases, generadores, decoradores, context managers, programación asíncrona, metaclases, descriptors, anotaciones de tipos y suficiente profundidad como para ocupar unas cuantas noches largas.

Pero intenta mantener las operaciones habituales relativamente legibles.

Y esa diferencia importa.

Python no elimina la complejidad de los problemas. Sobre todo intenta no añadir demasiada complejidad antes incluso de empezar a resolverlos.

Un lenguaje, varios mundos

Python no está especializado en un único ámbito.

Precisamente por eso resulta tan difícil terminar la frase «Python sirve para…».

Se utiliza, entre otras cosas, para:

Esta versatilidad no procede únicamente del lenguaje.

Procede sobre todo de todo lo que se ha construido a su alrededor.

Django o FastAPI para la web.

NumPy, pandas o SciPy para los datos y la ciencia.

PyTorch, TensorFlow, scikit-learn o Transformers para la IA.

Pillow para imágenes.

Requests o HTTPX para red.

PySide, PyQt, Tkinter o Kivy para interfaces.

Jupyter para exploración interactiva.

El lenguaje está en el centro.

El ecosistema es lo que le permite ejercer tantos oficios diferentes.

Python y CPython no son exactamente sinónimos

Hay una distinción útil.

Python designa el lenguaje, su sintaxis, sus conceptos y sus especificaciones.

CPython es su implementación de referencia, escrita principalmente en C.

Es la que instala la mayoría de usuarios cuando descarga Python desde python.org.

Pero existen o han existido otras implementaciones con objetivos diferentes: PyPy para determinadas optimizaciones mediante compilación JIT, MicroPython para microcontroladores u otras integraciones destinadas a entornos específicos.

Esta diferencia empieza a importar cuando hablamos de rendimiento, GIL, extensiones nativas o compatibilidad.

Una característica de CPython no es necesariamente una propiedad fundamental del propio lenguaje Python.

Una comunidad en lugar de un propietario único

Python no pertenece a una empresa que decida por sí sola su hoja de ruta.

La Python Software Foundation — PSF es una organización sin ánimo de lucro que protege y apoya el ecosistema, mantiene infraestructuras como python.org y PyPI y acompaña a la comunidad.

La evolución técnica del lenguaje se apoya en los desarrolladores principales, los colaboradores y el proceso de PEP — Python Enhancement Proposals.

Desde el final del modelo histórico en el que Guido van Rossum ocupaba el papel de BDFL, la gobernanza del lenguaje se organiza alrededor de un Steering Council elegido.

Esto, evidentemente, no convierte cada decisión en algo sencillo.

Ninguna comunidad de desarrolladores ha encontrado todavía el patch capaz de eliminar los debates humanos.

Pero proporciona a Python una continuidad que no depende del producto trimestral de una empresa concreta.

Python 3.14 hoy, Python 3.15 ya a la vista

A 7 de agosto de 2026, la rama estable actual es Python 3.14, con Python 3.14.7 publicado el 5 de agosto.

Python 3.14 ha marcado especialmente una etapa importante para free-threaded Python, ahora oficialmente soportado, además de los intérpretes múltiples, las anotaciones diferidas y varias mejoras en las herramientas y el runtime.

Python 3.15 ya está muy cerca.

La primera release candidate, Python 3.15.0rc1, salió el 4 de agosto de 2026.

Pero «release candidate» sigue conteniendo la palabra importante: candidate.

La versión final está prevista para octubre de 2026.

Para un proyecto de producción, Python 3.14 sigue siendo por tanto la referencia estable en el momento de esta ficha.

Funcionalidades

Una sintaxis que prioriza la lectura

Python utiliza, entre otras cosas, la indentación para estructurar los bloques de código.

No hay llaves alrededor de cada condición o función.

Tampoco hace falta declarar explícitamente el tipo de una variable antes de asignarle un valor.

name = "Ambre"
age = 28

if age >= 18:
    print(f"{name} es mayor de edad.")

Esta legibilidad contribuye enormemente a su accesibilidad.

También permite leer con relativa rapidez código escrito por otra persona — algo que, en un proyecto real, ocurre ligeramente más a menudo que escribir eternamente un programa nuevo en una playa de arena blanca.

Python sigue siendo, sin embargo, un lenguaje de tipado dinámico.

El tipo de los objetos se determina en tiempo de ejecución.

Esta flexibilidad acelera muchos desarrollos, pero también puede retrasar ciertos errores hasta el momento en que el programa ejecuta realmente el camino afectado.

Varios paradigmas sin demasiada ceremonia

Python no impone una sola manera de organizar el código.

Permite programación:

• imperativa;
• procedimental;
• orientada a objetos;
• funcional en determinados usos;
• asíncrona.

Una pequeña automatización puede quedarse en un script de veinte líneas.

Una aplicación más grande puede organizarse alrededor de módulos, clases, servicios y packages.

Se pueden utilizar funciones como valores, construir generadores, escribir decoradores o definir objetos mucho más sofisticados.

Esta progresividad importa muchísimo.

Tu primer programa Python no tiene por qué parecerse al último.

Una biblioteca estándar sorprendentemente amplia

Python ya llega con muchas herramientas.

La biblioteca estándar cubre, entre otras cosas:

archivos y rutas, JSON, CSV, SQLite, expresiones regulares, fechas, compresión, logging, tests, red, procesos, concurrencia, criptografía básica, argumentos de línea de comandos, serialización y numerosos protocolos.

La expresión histórica «batteries included» resume bastante bien esta filosofía.

Se pueden hacer muchísimas cosas antes incluso de instalar una dependencia externa.

Por ejemplo:

from pathlib import Path

for file in Path(".").glob("*.txt"):
    print(file.name)

No hace falta buscar inmediatamente un package para recorrer unos cuantos archivos.

Y cuando la biblioteca estándar deja de ser suficiente, se abre otro mundo.

PyPI: unas pocas líneas de lenguaje y después cientos de miles de proyectos

El Python Package Index — PyPI es el repositorio principal de packages del ecosistema Python.

En el momento de esta verificación, reúne más de 850.000 proyectos.

Es vertiginoso.

Y cambia por completo la manera de desarrollar.

¿Necesitas leer un archivo Excel?

¿Comunicarte con una API?

¿Crear un modelo de machine learning?

¿Manipular una imagen?

¿Construir una CLI?

Probablemente ya exista una biblioteca que resuelva una parte del problema.

El gestor de packages de referencia, pip, permite instalar estas distribuciones:

python -m pip install requests

El verdadero superpoder de Python suele encontrarse aquí.

No en una instrucción mágica del lenguaje.

En la probabilidad extremadamente alta de que alguien ya haya construido una buena parte de lo que necesitas.

Entornos virtuales: impedir que los proyectos se pisen entre sí

El proyecto A utiliza una versión de una biblioteca.

El proyecto B necesita otra.

Si todo está instalado en el mismo Python global, la paz puede durar bastante poco.

El módulo estándar venv permite crear un entorno aislado:

python -m venv .venv

Cada proyecto puede disponer entonces de sus propias dependencias.

Se activa el entorno.

Se instalan los packages necesarios.

Y la aplicación deja de tener que negociar su existencia con los treinta y siete experimentos Python realizados en la misma máquina desde 2022.

Este aislamiento se ha convertido en una práctica esencial del ecosistema.

En Python, aprender a crear un entorno virtual llega casi justo después de aprender a crear un bucle.

Tipado dinámico, pero con anotaciones posibles

Python permite añadir type hints:

def total(price: float, quantity: int) -> float:
    return price * quantity

Estas anotaciones mejoran la documentación del código y permiten a los IDE y a herramientas como mypy o Pyright detectar numerosas incoherencias antes de la ejecución.

Pero no convierten Python en un lenguaje de tipado estático.

Por defecto, Python no impide automáticamente que una función reciba un valor incompatible simplemente porque una anotación diga otra cosa.

El tipado se vuelve así progresivamente más estructurado sin abandonar completamente la flexibilidad histórica del lenguaje.

Para proyectos grandes, suele ser un compromiso muy interesante.

Scripting y REPL: probar antes de construir

Python puede utilizarse de manera interactiva.

Se inicia el intérprete.

Se escribe una expresión.

Se observa el resultado.

Y se vuelve a intentar.

Este ciclo rápido resulta extremadamente práctico para:

probar una API, comprobar una transformación, explorar una biblioteca, manipular algunos datos o entender cómo se comporta una función.

Entornos como IPython y Jupyter han llevado esta lógica mucho más lejos.

Permiten mezclar código, resultados, gráficos, texto y experimentación.

Eso explica parte de la popularidad de Python en investigación y data.

La idea puede seguir viva mientras se explora.

No hace falta construir toda la aplicación antes de saber si era interesante.

Asyncio: gestionar mucha espera sin multiplicar ingenuamente los threads

Python dispone con asyncio de una infraestructura estándar para programación asíncrona.

Resulta especialmente útil cuando el programa pasa mucho tiempo esperando:

respuestas de red, archivos, bases de datos, API u otras operaciones de entrada/salida.

Con async y await, una aplicación puede organizar muchas tareas concurrentes sin tratar cada operación como un thread independiente del sistema.

Es una de las bases de numerosos frameworks web modernos en Python.

Pero concurrencia no significa automáticamente paralelismo de CPU.

Y aquí aparece un viejo personaje de la historia de Python.

El GIL empieza por fin a perder su condición de destino inevitable

En CPython clásico, el Global Interpreter Lock — GIL limita la ejecución simultánea de bytecode Python por varios threads dentro de un mismo intérprete.

Durante mucho tiempo, esta característica complicó el uso directo de threads para acelerar cargas puramente CPU.

Las soluciones existen desde hace años: multiprocessing, extensiones nativas, bibliotecas especializadas, cálculo distribuido.

Pero Python está evolucionando.

Desde Python 3.13, CPython ofrece una construcción free-threaded en la que el GIL puede desactivarse.

Con Python 3.14, esta configuración está oficialmente soportada.

Permite que varios threads ejecuten Python en paralelo sobre varios núcleos.

Todavía no es un botón mágico de «hacer todo más rápido».

Algunas extensiones de terceros pueden volver a activar el GIL cuando no son compatibles, y la versión free-threaded sigue teniendo compromisos de rendimiento y compatibilidad.

Pero algo muy antiguo está claramente empezando a moverse.

Hablar con C, C++ y el resto del mundo

Python puede ampliarse mediante funciones y tipos escritos en lenguajes como C o C++.

Esta capacidad desempeña un papel enorme en su ecosistema científico.

Una API Python puede resultar agradable de utilizar mientras el cálculo intensivo se ejecuta en código nativo mucho más rápido.

Es parte del secreto de numerosas bibliotecas.

El usuario escribe:

result = model(data)

Debajo de esa línea relativamente inocente pueden estar trabajando C, C++, Fortran, CUDA u otras capas bastante menos inocentes.

Python se convierte entonces en un lenguaje de orquestación.

No necesariamente realiza por sí mismo cada operación.

Conecta las piezas que saben hacerlas.

Casos de uso

Automatizar lo que no tienes ninguna intención de repetir mañana

Una carpeta contiene 800 imágenes.

Hay que renombrarlas, comprobar sus extensiones, construir un archivo JSON y mover aquellas que no cumplan ciertas reglas.

Es casi un anuncio involuntario de Python.

Los scripts permiten automatizar tareas repetitivas con muy poca infraestructura.

Archivos.

Carpetas.

CSV.

API.

Conversiones.

Backups.

Scraping razonable.

Procesamiento de texto.

Administración.

Git.

Builds.

Una operación manual repetida suficientes veces suele terminar convirtiéndose en un script .py.

Y una pequeña dosis de pereza bien orientada puede ser una excelente habilidad de desarrollador.

Construir el backend de una aplicación web

Una aplicación móvil o una interfaz JavaScript necesita registrar usuarios, gestionar datos y exponer una API.

Python dispone de varias familias de frameworks.

Django ofrece un entorno muy integrado para construir aplicaciones web completas.

Flask apuesta por un enfoque más ligero.

FastAPI se ha consolidado en numerosos proyectos modernos de API, especialmente gracias a su uso de anotaciones de tipos y a su integración con los estándares OpenAPI.

Python no se ejecuta directamente en el navegador como JavaScript.

Pero en el lado servidor sigue estando extremadamente presente.

Explorar datos antes incluso de saber exactamente qué buscas

Se carga un CSV.

Se observan unas filas.

Se calcula una media.

Se filtra.

Se genera un gráfico.

Se detecta algo.

Se modifica la hipótesis.

Y se vuelve a empezar.

Python se adapta especialmente bien a esta manera exploratoria de trabajar.

El ecosistema formado alrededor de NumPy, pandas, Matplotlib, SciPy, Jupyter y muchas otras herramientas permite pasar rápidamente de datos brutos a un análisis manipulable.

No es solamente una cuestión de rendimiento.

Es una cuestión de distancia entre la pregunta y el experimento.

Construir con inteligencia artificial

En 2026, es imposible hablar de Python sin hablar de IA.

Una gran parte del ecosistema moderno de machine learning y deep learning expone Python como interfaz principal.

PyTorch.

TensorFlow.

scikit-learn.

Transformers.

Diffusers.

LangChain.

LlamaIndex.

Y una multitud de bibliotecas especializadas.

Esto no significa que los cálculos se ejecuten íntegramente en Python.

A menudo no es así.

GPU, CUDA, kernels optimizados y bibliotecas nativas hacen el trabajo pesado.

Python sirve como lenguaje para preparar los datos, construir pipelines, definir modelos y orquestar el experimento.

Precisamente ahí es donde destaca.

Prototipar antes de saber si la idea merece una arquitectura

Algunas ideas no necesitan inmediatamente:

microservicios, Kubernetes, seis capas de abstracción y una reunión sobre la nomenclatura de los repositories.

A veces solo hay que saber si funciona.

Python es excelente para construir rápidamente una prueba de concepto.

Una función.

Un script.

Una pequeña API.

Un notebook.

Una interfaz mínima.

Puede que el prototipo nunca se convierta en el producto final.

O quizá, como suele ocurrir, alguien diga:

«Solo es temporal».

Y cuatro años después el servidor siga ejecutando ese código.

La vida del software tiene su propio sentido del humor.

Aprender a programar sin luchar inmediatamente contra la sintaxis

Python se utiliza ampliamente en educación.

Su legibilidad permite concentrarse bastante rápido en conceptos fundamentales:

variables, condiciones, bucles, funciones, estructuras de datos, algoritmos y objetos.

Un principiante ya tiene que aprender a pensar como un programa.

No es necesariamente imprescindible pedirle al mismo tiempo que negocie diplomáticamente con punteros, compilador y treinta llaves.

Eso no convierte Python en un lenguaje reservado a principiantes.

Precisamente ahí está parte de su interés.

Se puede aprender con él.

Y seguir construyendo sistemas serios años después.

Opinión de PANACHES

La verdadera fuerza de Python quizá no sea su sintaxis.

Es la poca resistencia que ofrece entre una intención y una primera versión funcional.

Quieres probar una idea.

A menudo puedes expresarla rápidamente.

Quieres ir más lejos.

Probablemente exista una biblioteca.

Quieres construir una API.

Existe un framework.

Analizar datos.

Existe todo un ecosistema.

Ejecutar un modelo de IA.

Bienvenido a otra galaxia de packages.

Esta continuidad explica gran parte de su longevidad.

Accesible no significa pequeño

Python sufre a veces de su propia reputación.

Como se recomienda a principiantes, podría parecer un lenguaje «simple» que los proyectos serios terminan necesariamente dejando atrás.

Es falso.

El lenguaje sigue siendo accesible en la entrada.

Pero el ecosistema puede alcanzar una profundidad considerable.

Existe una diferencia importante entre:

escribir tus primeras líneas de Python

y

diseñar correctamente una gran aplicación Python.

Arquitectura.

Concurrencia.

Tipado.

Packaging.

Profiling.

Gestión de memoria.

Tests.

Despliegue.

Extensiones nativas.

Las preguntas regresan.

Simplemente llegan un poco más tarde.

Y eso no es necesariamente algo malo.

Su mayor ventaja es también su mayor trampa: hay un package para todo

El ecosistema Python es inmenso.

Es maravilloso.

Hasta que aparecen:

cuatro bibliotecas que hacen casi lo mismo,

tres métodos de gestión de proyectos,

varios sistemas de packaging,

dos entornos que no se comportan igual,

un tutorial de 2019,

un comando que ahora está desaconsejado,

y Stack Overflow explicando con enorme seguridad algo que era perfectamente cierto en Python 3.7.

Python en sí puede ser bastante coherente.

Su ecosistema lo es mucho menos.

Por eso hay que distinguir el lenguaje de las costumbres históricas acumuladas a su alrededor.

Python suele ser el lenguaje que conecta a los demás

Puede que sea su papel más interesante.

Un pipeline utiliza C++ para el rendimiento.

CUDA para la GPU.

Una base PostgreSQL.

Un modelo de IA.

Archivos JSON.

Una API externa.

Algunos comandos del sistema.

Y en medio:

Python.

No necesariamente porque sea el mejor para cada una de esas tareas.

Porque es muy bueno para hacer que se comuniquen.

Python suele ganar no haciendo todo mejor, sino haciendo que muchas cosas diferentes sean lo bastante sencillas de ensamblar.

Y la IA ha reforzado esta posición

La explosión de la inteligencia artificial podría haber hecho que Python fuera menos central.

Ha ocurrido casi lo contrario.

Una gran parte de la investigación y de las herramientas modernas de IA utiliza Python como capa de experimentación y orquestación.

Esto crea un efecto acumulativo.

Los investigadores utilizan Python.

Las bibliotecas se escriben entonces con una API Python.

Los nuevos equipos eligen Python porque las bibliotecas están ahí.

Después aparecen nuevas herramientas para esa comunidad.

El ecosistema atrae al ecosistema.

Es un círculo extremadamente difícil de reproducir para un competidor.

Pero Python no es la respuesta automática para todo

Para código de sistemas con fuertes restricciones de rendimiento o memoria, Rust, C o C++ pueden resultar más naturales.

Para una aplicación cuyo núcleo vive directamente en el navegador, JavaScript o TypeScript son inevitables.

Para determinados servicios altamente concurrentes y fáciles de desplegar como binarios, Go posee cualidades muy atractivas.

En algunos entornos empresariales, Java, Kotlin o C# siguen siendo extremadamente sólidos.

Para análisis estadístico especializado, R conserva su propio universo.

Y lenguajes como Julia exploran otro equilibrio entre expresividad científica y rendimiento.

Elegir Python simplemente porque «todo el mundo utiliza Python» sería perder el punto.

La mejor pregunta sigue siendo:

¿qué estamos intentando construir?

Puntos de atención

La versión de Python forma parte del proyecto

Python evoluciona regularmente.

A 7 de agosto de 2026, Python 3.14.7 es la versión estable más reciente.

Python 3.15.0rc1 ya existe, pero sigue siendo una preversión y no está recomendada para entornos de producción.

Esta distinción debe quedar clara.

Una nueva versión puede aportar mejores prestaciones, nuevas funciones y mejoras importantes.

Pero las bibliotecas de terceros pueden necesitar tiempo para adaptarse.

Instalar «la versión más nueva que existe» no equivale siempre a elegir «la mejor versión para este proyecto hoy».

El Python del sistema no es tu sandbox personal

En Linux especialmente, Python puede ser utilizado por el sistema operativo y sus herramientas.

Instalar o sustituir packages de manera salvaje en ese entorno global puede provocar conflictos.

No es el lugar ideal para probar catorce versiones de bibliotecas encontradas en un tutorial.

Los entornos virtuales existen precisamente para evitar este tipo de mezclas.

Para un proyecto:

un entorno aislado suele ser una costumbre mucho mejor que lanzar con optimismo un sudo pip install.

Los entornos y las dependencias exigen disciplina

Python hace que instalar una biblioteca sea extremadamente sencillo.

También hace extremadamente sencillo instalar muchas bibliotecas.

Y entonces llega la pregunta:

¿Qué versiones exactas?

¿Para qué versión de Python?

¿En qué plataforma?

¿Con qué dependencias transitivas?

El proyecto debe describir suficientemente su entorno para poder reproducirlo.

pyproject.toml, archivos de lock según la herramienta elegida, entornos virtuales, contenedores o sistemas como conda pueden contribuir a esa reproducibilidad.

El comando pip install cosa resuelve el problema de ahora.

Un proyecto mantenible también debe pensar en el problema de dentro de seis meses.

El tipado dinámico acelera tanto como puede sorprender

Python permite modificar muy rápidamente un programa.

Pero algunas incoherencias que un compilador estático habría detectado pueden no aparecer hasta la ejecución.

Las anotaciones de tipos y los analizadores estáticos modernos reducen enormemente este problema.

Sin embargo, no son obligatorios en todos los proyectos y no constituyen, por defecto, validaciones realizadas por el runtime.

En una base de código grande, añadir progresivamente una disciplina de tipado puede hacer Python mucho más cómodo de mantener.

El GIL no ha desaparecido del Python estándar clásico

Python 3.14 marca una etapa importante: el modo free-threaded sin GIL está ahora oficialmente soportado.

Eso no significa que todas las instalaciones de Python utilicen de repente esta configuración.

El build estándar de CPython con GIL sigue existiendo.

El free-threading debe utilizarse en una configuración adecuada y no todas las extensiones de terceros son necesariamente compatibles todavía.

Algunas incluso pueden volver a activar el GIL al importarse.

El cambio es real.

Pero seguimos en una transición.

Free-threading no significa «el doble de rápido con dos threads»

El paralelismo, por desgracia, no obedece a la poesía de los números redondos.

La construcción free-threaded añade por sí misma cierto overhead en determinadas situaciones.

Una aplicación mono-thread puede ser ligeramente más lenta que con el build estándar.

Y un programa no se vuelve automáticamente paralelo simplemente porque el GIL haya desaparecido.

Hay que seguir pensando en:

datos compartidos, sincronización, contention, locks, arquitectura y naturaleza real de la carga.

Quitar una cerradura no convierte automáticamente todo el edificio en una autopista.

Python no suele ser el campeón del cálculo bruto ejecutado directamente en el lenguaje

Históricamente, CPython prioriza la flexibilidad y la simplicidad de su modelo de ejecución frente al rendimiento bruto de un lenguaje compilado como C, C++ o Rust.

Esto puede hacerse visible en grandes bucles CPU escritos directamente en Python.

Pero comparar únicamente esa velocidad también puede resultar engañoso.

NumPy, PyTorch y muchas otras bibliotecas trasladan los cálculos intensivos a código nativo optimizado.

El programa Python orquesta.

El cálculo real ocurre en otro lugar.

Por eso conviene perfilar la aplicación real en lugar de concluir simplemente:

«Python es lento».

A veces sí.

A veces esa línea de Python simplemente acaba de pedirle a una GPU que realice tres billones de operaciones.

PyPI es inmenso: la confianza no es automática

Poder instalar más de 850.000 proyectos desde un índice público es una fortaleza extraordinaria.

También es una superficie de riesgo.

Un package de terceros es código que se añade a la aplicación y, a menudo, que se ejecuta en la máquina o en el servidor.

Por eso hay que mirar:

el proyecto real, su mantenedor, actividad, documentación, dependencias, licencia, versiones y origen.

Los ataques mediante typosquatting o compromisos de cadena de suministro no son un concepto abstracto.

pip install es un comando muy corto.

La confianza que concede puede ser mucho mayor.

El packaging Python ha mejorado, pero su historia sigue siendo visible

Python dispone ahora de estándares modernos alrededor de pyproject.toml, wheels y un ecosistema PyPA mucho más estructurado.

Pero siguen siendo visibles años de evolución.

pip.

venv.

virtualenv.

pipx.

build.

setuptools.

Poetry.

PDM.

Hatch.

uv.

conda.

Y algunos viejos tutoriales que todavía recomiendan ejecutar directamente setup.py.

No siempre existe una única respuesta universal a «¿cómo debo gestionar mi proyecto Python?».

La buena noticia es que el panorama moderno se está volviendo mucho más limpio.

La mala es que Internet conserva perfectamente las respuestas antiguas.

El soporte móvil existe, pero todavía no se parece al desktop

Python 3.14 dispone ya de binarios oficiales embebibles para Android.

Es una evolución importante.

Pero eso no significa que Android se haya convertido en una plataforma Python idéntica a Windows, macOS o Linux donde simplemente se instala el intérprete y después cualquier biblioteca.

Las restricciones de packaging, integración nativa y compatibilidad de extensiones siguen siendo específicas del móvil.

En el caso de iOS, los packages oficiales aparecen con la serie Python 3.15, actualmente en preversión, pero python.org no ofrece ninguna release estable iOS de Python 3.14 en el momento de esta verificación.

Por eso esta ficha incluye Android entre las plataformas actuales, pero todavía no iOS.

«Fácil de aprender» no significa «imposible de escribir mal»

Python permite obtener un primer resultado muy rápidamente.

Es fantástico.

También permite producir rápidamente un archivo de 2.800 líneas que contenga:

variables globales, llamadas de red, lógica de negocio, acceso a base de datos y una función llamada process_final_v2().

El lenguaje no elimina la necesidad de arquitectura.

Simplemente retrasa el momento en que su ausencia empieza a doler.

Y, en el fondo, quizá sea la mejor manera de resumir Python:

Permite empezar pequeño sin decidir demasiado pronto hasta dónde tendrá que llegar el proyecto.