Entendendo por que reatribuir uma lista em Python não altera a original

Muita gente ainda se confunde com o comportamento de listas em Python quando passa uma lista como parâmetro para uma função.

O ponto é que, ao modificar uma lista dentro da função, você altera a lista original, pois ambas as variáveis apontam para o mesmo objeto na memória. A decisão fica mais saudável quando o time consegue medir o impacto depois.

Por outro lado, quando você reatribui o parâmetro a uma nova lista, isso só afeta a variável local da função, não a lista que foi passada. Sem esse critério, a solução pode parecer simples no começo e cara no suporte. O valor aparece melhor quando operação, produto e engenharia olham para o mesmo risco.

Exemplo clássico:

def add_item(lista):
    lista.append("novo")  # altera a lista original

def troca_lista(lista):
    lista = ["x", "y"]  # reatribuição local Por isso, o recorte precisa considerar manutenção, validação e caminho de volta. Esse contexto ajuda a separar ganho real de novidade difícil de sustentar. A decisão fica mais saudável quando o time consegue medir o impacto depois. Sem esse critério, a solução pode parecer simples no começo e cara no suporte. O valor aparece melhor quando operação, produto e engenharia olham para o mesmo risco.

dados = ["a", "b"]
add_item(dados)
print(dados)  # ['a', 'b', 'novo']
troca_lista(dados)
print(dados)  # ['a', 'b', 'novo']

Esse contexto ajuda a separar ganho real de novidade difícil de sustentar. A decisão fica mais saudável quando o time consegue medir o impacto depois. Sem esse critério, a solução pode parecer simples no começo e cara no suporte. O valor aparece melhor quando operação, produto e engenharia olham para o mesmo risco. Por isso, o recorte precisa considerar manutenção, validação e caminho de volta.

No segundo caso, a lista original não mudou, porque a reatribuição é só na variável local. A decisão fica mais saudável quando o time consegue medir o impacto depois. Sem esse critério, a solução pode parecer simples no começo e cara no suporte. O valor aparece melhor quando operação, produto e engenharia olham para o mesmo risco. Por isso, o recorte precisa considerar manutenção, validação e caminho de volta. Esse contexto ajuda a separar ganho real de novidade difícil de sustentar. A decisão fica mais saudável quando o time consegue medir o impacto depois. Sem esse critério, a solução pode parecer simples no começo e cara no suporte.

Quem trabalha com APIs ou manipula muitas listas, precisa entender esse detalhe para evitar bugs sutis. Sem esse critério, a solução pode parecer simples no começo e cara no suporte. O valor aparece melhor quando operação, produto e engenharia olham para o mesmo risco. Por isso, o recorte precisa considerar manutenção, validação e caminho de volta. Esse contexto ajuda a separar ganho real de novidade difícil de sustentar. A decisão fica mais saudável quando o time consegue medir o impacto depois. Sem esse critério, a solução pode parecer simples no começo e cara no suporte. O valor aparece melhor quando operação, produto e engenharia olham para o mesmo risco. Por isso, o recorte precisa considerar manutenção, validação e caminho de volta.

Você já passou por alguma situação onde esse entendimento fez diferença na sua rotina? O valor aparece melhor quando operação, produto e engenharia olham para o mesmo risco. A decisão fica mais saudável quando o time consegue medir o impacto depois. A decisão fica mais saudável quando o time consegue medir o impacto depois. A decisão fica mais saudável quando o time consegue medir o impacto depois. A decisão fica mais saudável quando o time consegue medir o impacto depois. Sem esse critério, a solução pode parecer simples no começo e cara no suporte. A decisão fica mais saudável quando o time consegue medir o impacto depois. A decisão fica mais saudável quando o time consegue medir o impacto depois.