Em Python, existem dois grandes grupos de estruturas de dados iteráveis: sequências e coleções baseadas em hash. Cada um tem características distintas que afetam diretamente o desempenho das operações, especialmente em buscas e comparações.

Sequências vs. Estruturas Baseadas em Hash

As sequências — como listas, tuplas e strings — armazenam elementos em posições contíguas na memória. Isso significa que, ao procurar um valor específico, o interpretador precisa percorrer os itens um a um até encontrar uma correspondência. Esse processo resulta em complexidade de tempo O(n), tornando a busca ineficiente para grandes volumes de dados.

Já as estruturas baseadas em hash — como dicionários (dict) e conjuntos (set) — utilizam algoritmos de dispersão (hashing) para calcular a posição exata de cada elemento. Assim, tanto a inserção quanto a recuperação ocorrem em tempo constante, O(1), independentemente do tamanho da coleção. Essa eficiência é o grande diferencial desses tipos.

Requisitos de Imutabilidade para Hashing

Para que o hash funcione corretamente, os elementos usados como chaves precisma ser imutáveis. Em Python, isso inclui tipos como None, números (inteiros, flutuantes, booleanos), strings e tuplas compostas apenas por valores imutáveis. Tipos mutáveis, como listas, dicionários ou conjuntos, não podem ser usados como chaves porque sua alteração mudaria o valor do hash, comprometendo a integridade da estrutura.

Dicionários: Mapeamento Chave-Valor Efiicente

O dicionário é um exemplo clássico de tabela de dispersão. Ele permite armazenar pares chave-valor com acesso rápido à informação. Veja alguns exemplos válidos:

d1 = {"nome": "Ana", "idade": 28}
d2 = {42: "resposta", 3.14: "pi"}
d3 = {(1, 2): "coordenada", (3, 4): "outro ponto"}
d4 = {True: "sim", False: "não", None: "desconhecido"}

Todos esses são aceitáveis porque as chaves são imutáveis e, portanto, passíveis de hashing.

Conjuntos: Coleções de Elementos Únicos

Quando não é necessário armazenar valores associados, mas apenas garantir a presença de elementos únicos, o tipo set é ideal. Um conjunto descarta duplicatas automatticamente e oferece operações matemáticas nativas entre coleções.

s = {"maçã", "banana", "laranja"}
print(type(s))  # <class 'set'>

É importante destacar que usar {} cria um dicionário vazio. Para inicializar um conjunto vazio, deve-se usar set().

Aplicações Práticas com Conjuntos

Embora menos comuns no dia a dia, os conjuntos resolvem problemas com elegância e eficiência.

Remoção de Duplicatas em Listas

Uma forma rápida de eliminar repetições em uma lista é convertê-la para conjunto e depois retornar para lista. Note que a ordem original pode não ser preservada.

numeros = [5, 2, 8, 2, 1, 5, 9, 8]
unicos = list(set(numeros))
# Resultado: [1, 2, 5, 8, 9] (ordem não garantida)

Operações Matemáticas entre Coleções

Dado dois grupos de nomes:

grupo_a = ["Carlos", "Mariana", "Rafael", "Julia", "Pedro"]
grupo_b = ["Julia", "Pedro", "Fernanda", "Tiago", "Mariana"]

Pode-se transformar ambos em conjuntos e aplicar operações diretas:

A = set(grupo_a)
B = set(grupo_b)

# União: todos os elementos presentes em qualquer grupo
todos = A | B
# {'Carlos', 'Mariana', 'Rafael', 'Julia', 'Pedro', 'Fernanda', 'Tiago'}

# Interseção: elementos comuns aos dois grupos
comuns = A & B
# {'Mariana', 'Julia', 'Pedro'}

# Diferença: elementos em A que não estão em B
somente_a = A - B
# {'Carlos', 'Rafael'}

Usando Chaves e Itens de Dicionários como Conjuntos

Os métodos .keys() e .items() retornam objetos que suportam operações de conjunto, desde que os valores envolvidos sejam imutáveis.

dados_2023 = {
    "receita": 15000,
    "despesa": 9000,
    "funcionarios": 12,
    "local": "SP"
}

dados_2024 = {
    "receita": 18000,
    "despesa": 9000,
    "funcionarios": 15,
    "projeto": "expansao"
}

Comparando as chaves:

# Chaves novas em 2024
novas = dados_2024.keys() - dados_2023.keys()
# {'projeto'}

# Chaves ausentes em 2024
perdidas = dados_2023.keys() - dados_2024.keys()
# {'local'}

Comparando pares completos (chave-valor):

alteracoes = dados_2024.items() - dados_2023.items()
# {('receita', 18000), ('funcionarios', 15), ('projeto', 'expansao')}

Essa técnica é útil para detectar mudanças entre versões de configurações, registros ou estados de sistemas.

Restrição Importante

A operação com .items() só é segura quando os valores do dicionário forem imutáveis. Se houver listas, dicionários aninhados ou outros objetos mutáveis, o Python levantará um erro de tipo, pois eles não são passíveis de hash.