• Saltar al contenido principal
  • Skip to secondary menu
  • Saltar a la barra lateral principal
  • Saltar al pie de página
  • Inicio
  • Secciones
    • Ciencia de datos
    • Criptografía
    • Herramientas
    • Machine Learning
    • Noticias
    • Opinión
    • Productividad
    • Programación
      • JavaScript
      • Julia
      • Matlab
      • Python
      • R
  • Programación
    • JavaScript
    • Julia
    • Matlab
    • Python
    • R
  • Laboratorio
    • Encuestas: Tamaño de Muestra
    • Lotería: Probabilidad de Ganar
    • Reparto de Escaños (D’Hondt)
    • Tres en Raya con IA
  • Noticias
  • Boletín
  • Contacto
  • Tienda
    • Libros
    • Equipamiento de oficina
    • Equipamiento en movilidad
    • Tiendas afiliadas
      • AliExpress
      • Amazon
      • Banggood
      • GeekBuying
      • Lenovo

Analytics Lane

Ciencia e ingeniería de datos aplicada

  • Ciencia de datos
  • Machine Learning
  • IA Generativa
  • Python
  • Pandas
  • NumPy
  • Excel
  • Matlab

Funciones lambda de Python

junio 26, 2019 Por Daniel Rodríguez Deja un comentario
Tiempo de lectura: 3 minutos

Las funciones lambda, a las que también se les conoce como funciones anónimas, es una forma de definir funciones en línea. No es una técnica propia de Python ya que se encuentran disponibles en muchos lenguajes de programación. Al definir las funciones en una línea estas se pueden aplicar a un conjunto de datos y unir posteriormente lo resultados. No siendo necesario asignar un identificador a la función, de ahí el nombre de funciones anónimas. En esta entrada se realizará una descripción detallada de las Funciones lambda de Python y explicando cómo usarlas.

Siendo las funciones lambda clave a la hora de trabajar con el paradigma de programación funcional el Python.

Sintaxis de las funciones lambda de Python

La sintaxis de las funciones lambda de Python es bastante sencilla. Se utiliza la palabra reservada lambda seguida de los argumentos, posteriormente con se separa mediante dos puntos la expresión. Las funciones lambda pueden tener tantos argumentos como sean necesarios, pero solamente puede tener una expresión. Por ejemplo, se puede implementar el producto de dos valores con:

product = lambda x,y : x * y

en donde x e y son los argumentos y x * y es la expresión. La función se ha asignado a una variable, algo que no es necesario, pero así se puede utilizar como si fuese una función normar creada con def.

Curiosidad: ¿Por qué usamos p < 0.05? Un umbral que cambió la historia de la ciencia
En Analytics Lane
Curiosidad: ¿Por qué usamos p < 0.05? Un umbral que cambió la historia de la ciencia

product(2, 3)  # Retorna 6

Publicidad


Diferencias entre las funciones lambda y las definidas con def

En Python las funciones creadas mediante la palabra lambda también se pueden crear utilizando def. El ejemplo anterior, la función que multiplica dos números, se puede definir también de forma tradicional con def.

Aunque aparentemente se ha obtenido el mismo resultado existen ciertas diferencias entre ambos métodos que es necesario tener en cuenta.

  • Al utilizar la palabra clave lambda se crea un objeto función sin crearse al mismo tiempo un nombre en el espacio de nombres. Nombre que si se crea al definir la función con def.
  • Las funciones lambda se crea en una única línea de código, por lo que son adecuadas cuando se desea minimizar el número de estas.
  • Para los usuarios noveles de Python las funciones lambda son generalmente menos legibles que las tradicionales.
  • En el caso de que se deseen una función lambda es necesario asignarla a una variable. Ya que, si no es así, al carecer de identificador, solamente se podrá utilizar en la línea donde se defina.

Ejemplos de uso de funciones lambda de Python

Las funciones lambda son claves en programación funcional. Se puede utilizar para aplicar una función a todo un DataFrame con el método apply(). Evitando así la necesidad de operar con bucles. Por ejemplo, si se crea un DataFrame aleatorio se le puede añadir a cada elemento uno solamente con una línea de código.

import pandas as pd
import numpy as np

df = pd.DataFrame(np.random.randint(0, 100, size=(4, 2)), columns=list('AB'))
    A   B
0  81  53
1  40  35
2  27  46
3  86  49
print(df.apply(lambda x: x + 1))
    A   B
0  82  54
1  41  36
2  28  47
3  87  50

Publicidad


Conclusiones

En esta entrada se ha visto el fundamento de las funciones lambda de Python. Una herramienta muy útil para conseguir un código más compacto. Además, son clave para poder trabajar con el paradigma de programación funcional en Python de una forma eficiente.

Imágenes: Pixabay (Michael Schwarzenberger)

¿Te ha parecido de utilidad el contenido?

¡Puntúalo entre una y cinco estrellas!

Puntuación promedio 0 / 5. Votos emitidos: 0

Ya que has encontrado útil este contenido...

¡Síguenos en redes sociales!

¡Siento que este contenido no te haya sido útil!

¡Déjame mejorar este contenido!

Dime, ¿cómo puedo mejorar este contenido?

Publicaciones relacionadas

  • Curiosidad: ¿Por qué usamos p < 0.05? Un umbral que cambió la historia de la ciencia
  • Programador de tareas de Windows: Guía definitiva para automatizar tu trabajo (BAT, PowerShell y Python)
  • La Paradoja del Cumpleaños, o por qué no es tan raro compartir fecha de nacimiento
  • Cómo abrir una ventana de Chrome con tamaño y posición específicos desde la línea de comandos en Windows
  • Curiosidad: El sesgo de supervivencia, o por qué prestar atención sólo a los que “llegaron” puede engañarte
  • Documentar tu API de Express con TypeScript usando OpenAPI (Swagger)
  • Data Lake y Data Warehouse: diferencias, usos y cómo se complementan en la era del dato
  • ¿Media, mediana o moda en variables ordinales? Guía práctica para el análisis de datos
  • Cómo ejecutar JavaScript desde Python: Guía práctica con js2py

Publicado en: Python

Interacciones con los lectores

Deja una respuesta Cancelar la respuesta

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *

I accept the Terms and Conditions and the Privacy Policy

Este sitio usa Akismet para reducir el spam. Aprende cómo se procesan los datos de tus comentarios.

Barra lateral principal

Suscríbete a nuestro boletín

Suscríbete al boletín semanal para estar al día de todas las publicaciones.

Política de Privacidad

Analytics Lane en redes sociales

  • Amazon
  • Bluesky
  • Facebook
  • GitHub
  • Instagram
  • Mastodon
  • Pinterest
  • RSS
  • Telegram
  • Tumblr
  • Twitter
  • YouTube

Publicidad

Entradas recientes

Cómo ejecutar JavaScript desde Python: Guía práctica con js2py

octubre 30, 2025 Por Daniel Rodríguez

¿Media, mediana o moda en variables ordinales? Guía práctica para el análisis de datos

octubre 28, 2025 Por Daniel Rodríguez

Data Lake y Data Warehouse: diferencias, usos y cómo se complementan en la era del dato

octubre 23, 2025 Por Daniel Rodríguez

Publicidad

Es tendencia

  • Eliminación de la multicolinealidad con PCA en modelos de regresión publicado el junio 14, 2024 | en Ciencia de datos
  • pandas Diferencias entre loc e iloc en Pandas publicado el febrero 6, 2023 | en Python
  • Exploración de datos con Pandas: Entendiendo df.describe() publicado el junio 10, 2024 | en Python
  • Diferencias entre CPU, GPU, TPU y NPU publicado el abril 19, 2023 | en Herramientas
  • Método del codo (Elbow method) para seleccionar el número óptimo de clústeres en K-means publicado el junio 9, 2023 | en Ciencia de datos

Publicidad

Lo mejor valorado

4.9 (24)

Seleccionar filas y columnas en Pandas con iloc y loc

4.6 (16)

Archivos JSON con Python: lectura y escritura

4.4 (14)

Ordenación de diccionarios en Python mediante clave o valor

4.7 (13)

Operaciones de filtrado de DataFrame con Pandas en base a los valores de las columnas

4.5 (10)

Diferencias entre var y let en JavaScript

Publicidad

Comentarios recientes

  • Daniel Rodríguez en Probabilidad básica: cómo entender el azar en nuestra vida diaria
  • Pepe en Probabilidad básica: cómo entender el azar en nuestra vida diaria
  • CARLOS ARETURO BELLO CACERES en Justicio: La herramienta gratuita de IA para consultas legales
  • Piera en Ecuaciones multilínea en Markdown
  • Daniel Rodríguez en Tutorial de Mypy para Principiantes

Publicidad


Footer

Analytics Lane

  • Acerca de Analytics Lane
  • Boletín de noticias
  • Contacto
  • Libros
  • Lo más popular
  • Noticias
  • Tienda
  • Tiendas afiliadas

Secciones

  • Ciencia de datos
  • Criptografía
  • Herramientas
  • Machine Learning
  • Opinión
  • Productividad
  • Programación
  • Reseñas

Sobre de Analytics Lane

En Analytics Lane tratamos de explicar los principales conceptos de la ciencia e ingeniería de datos con un enfoque práctico. Los principales temas tratados son ciencia de datos, ingeniería de datos, inteligencia artificial, machine learning, deep learning y criptografía. Además, también se habla de los principales lenguajes de programación y herramientas utilizadas por los científicos e ingenieros de datos.

Copyright © 2018-2025 Analytics Lane ·Términos y condiciones ·Política de Cookies ·Política de Privacidad ·Herramientas de privacidad ·Contacto