Respuesta.

Historia de la pregunta

La evaluación perezosa (lazy evaluation) es una técnica de programación en la que los cálculos se posponen hasta que el resultado es necesario para el código. En el lenguaje Python, esta paradigma se ha vuelto popular gracias a los generadores y funciones especiales de la biblioteca estándar, como itertools. Originalmente, estas técnicas provienen de lenguajes funcionales, pero Python ofrece herramientas nativas y de terceros para el procesamiento perezoso.

Problema

El procesamiento tradicional eager (hambriento) requiere cargar y calcular todos los datos de inmediato (por ejemplo, al usar expresiones de lista), lo que puede llevar a un alto consumo de memoria y rendimiento reducido al trabajar con secuencias grandes o infinitas. El procesamiento perezoso permite "cargar" y procesar elementos solo según sea necesario, evitando gastos de recursos innecesarios.

Solución

En Python, el procesamiento perezoso se implementa no solo a través de generadores (yield), sino también mediante funciones especiales perezosas en los módulos itertools, funciones estándar como map, filter, así como objetos de expresiones generadoras (generator expressions). Por ejemplo, la función map() devuelve un iterador perezoso que calcula valores solo cuando se les solicita:

# Ejemplo de procesamiento perezoso: elevar cada número al cuadrado
squares = map(lambda x: x ** 2, range(10**10))  # no se gasta memoria en una lista
print(next(squares))  # 0
print(next(squares))  # 1

Características clave:

El procesamiento perezoso ahorra memoria y puede trabajar con flujos de datos infinitos.
Los iteradores perezosos son fáciles de combinar, creando cadenas de transformaciones.
No todas las funciones estándar y estructuras de datos admiten el procesamiento perezoso y a veces se requiere una conversión explícita a lista si se necesita acceso a todos los elementos.

Preguntas capciosas.

¿Siempre la función map() en Python implementa el procesamiento perezoso? ¿Cómo saber qué funciones estándar son perezosas?

No, a partir de Python 3, las funciones map(), filter(), zip() devuelven iteradores, es decir, implementan procesamiento perezoso. En Python 2, estas funciones devolvían listas. Para saber si un objeto es perezoso, debes consultar su tipo o revisar la documentación:

result = map(lambda x: x+1, range(5))
print(type(result))  # 'map' — es un iterador

¿Funcionará el procesamiento perezoso al aplicar una expresión generadora dentro de la función sum()?

La función sum() necesita iterar a través de todo el iterador hasta el final. La expresión generadora es perezosa por sí misma, pero sum() finalmente consume toda la secuencia:

s = sum(x**2 for x in range(1000000))  # el generador se consume por completo

¿Se puede aplicar procesamiento perezoso a listas y tuplas comunes, por ejemplo, a través de map/lambda?

Sí, se puede, pero las listas y tuplas aún están cargadas en la memoria. map devolverá un iterador perezoso sobre ellas, pero los datos originales todavía están completamente en memoria. Para una cadena perezosa completa, es deseable trabajar con generadores en cada etapa:

def gen():
    for i in range(1, 100):
        yield i

squares = map(lambda x: x**2, gen())  # todo perezoso

Errores comunes y anti-patrones

Intentar iterar múltiples veces sobre un iterador perezoso ya agotado (por ejemplo, a través de map(…)) lleva a una falta inesperada de datos.
Uso de funciones perezosas con colecciones mutables que cambian durante la iteración.
"Convirtiendo prematuramente" iteradores perezosos a listas (a través de list()), lo que anula el ahorro de memoria.

Ejemplo de la vida real

Caso negativo

Un desarrollador escribe un procesamiento para un gran archivo de logs, utilizando una expresión generadora para filtrar líneas, pero accidentalmente lo convierte de inmediato en una lista:

with open('biglog.txt') as f:
    important_lines = [line for line in f if 'ERROR' in line]  # carga todo el archivo

Ventajas:

Fácil de implementar.
Se puede acceder a todas las líneas de inmediato.

Desventajas:

Alto consumo de memoria en archivos grandes, riesgo de fallo del programa.

Caso positivo

Otro equipo utiliza un enfoque perezoso con una expresión generadora y procesa las líneas a medida que las recibe:

with open('biglog.txt') as f:
    for line in (l for l in f if 'ERROR' in l):
        process(line)