Dans ce module, vous maîtriserez les « Empirical Wins », c’est-à-dire les gains de performance que vous pouvez mesurer à l’aide de cargo bench. Vous transposerez trois modèles Python en idiomes Rust permettant de réduire le temps d’exécution et la consommation de mémoire : les compréhensions de listes deviendront des chaînes d’itérateurs fusionnées (filter+map en un seul passage, mémoire O(1) contre O(N)) ; « x in dict » devient « HashMap::contains_key » avec le choix du hasher sous forme de reçu c24 (FxHash, AHash ou SipHash par défaut, chacun ayant fait l’objet de mesures) ; et « sorted() » devient « sort_unstable » pour les cas où la stabilité n’est pas requise. Chaque affirmation s’accompagne de rapports HTML « criterion » servant de justificatif EMPIRIQUE, d’une garantie STRUCTURELLE issue du système de types de Rust, et d’un cachet [verifié] issu d’un théorème FORMEL.

L'opérateur « optional » [T] de Python devient « Option<T> » en Rust, avec « proptest » balayant chaque chaîne de combinateurs ; l'opérateur « try/except » de Python devient « Result<T, E> » avec « @semantic: total » promouvant chaque fonction faillible — la garantie structurelle qui rend impossible tout échec silencieux.

La traduction au niveau système met en évidence le compromis en termes de temps d'exécution. Les générateurs Python allouent un état de trame par appel et supportent la surcharge du GIL ; l’itérateur Rust est monomorphisé dans la pile de l’appelant — le rapport structurel sert de référence et montre un écart d’environ 50 fois en boucle serrée. subprocess.run avec sh -c réintroduit l’injection de shell CWE-78 ; Command::new().arg() appelle directement execve et élimine entièrement la surface d’attaque. Le threading sur CPython est sérialisé par le GIL ; rayon::par_iter() répartit la charge de travail sur tous les cœurs via un ordonnanceur de type « work-stealing » utilisant Send + Sync, dont les bogues de course à la données se traduisent par des erreurs de compilation. Chaque traduction de ce module est une assertion d’exécution avec un résultat mesurable.

Le projet phare boucle la boucle grâce à un guide en cinq étapes — transcompilation, inspection, affinage, test de performance, validation — que vous pouvez appliquer à n’importe quelle boucle Python « chaude » et livrer une traduction en Rust accompagnée de justificatifs. Chaque Pull Request génère quatre justificatifs : un rapport HTML de Criterion, une exécution de proptest, une vérification pv du contrat, ainsi qu’un statut Lean : le tampon « prouvé ». La deuxième leçon est l’inverse : lorsque les calculs basés sur les justificatifs indiquent de conserver Python. Analyse du seuil de rentabilité, BREAKEVEN.md, et un quiz final noté qui synthétise les modules 1 à 5.