• 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
    • Estadística
      • Calculadora del Tamaño Muestral en Encuestas
      • Calculadora de estadísticos descriptivos
      • Test de normalidad
      • Calculadora de contrastes de hipotesis
      • Calculadora de tamano del efecto
      • Simulador de Regresión Lineal con Ruido
      • Visualizador de PCA
      • Visualizador de Series Temporales
      • Simulador de Regresión Logística
      • Simulador de K-Means
      • Simulador de DBSCAN
      • Detector de la Ley de Benford
    • Probabilidad
      • Calculadora de Probabilidad de Distribuciones
      • Calculadora de Probabilidades de Lotería
      • Simulador del Problema de Monty Hall
      • Simulador de la Estrategia Martingala
    • Finanzas
      • Calculadora de Préstamos e Hipotecas
      • Conversor TIN ↔ TAE
      • Calculadora DCA con ajuste por inflación
      • Calculadora XIRR con Flujos Irregulares
      • Simulador FIRE (Financial Independence, Retire Early)
    • Riesgo
      • Constructor de Scorecards de Crédito
      • Aplicar Scorecard de Crédito
    • Herramientas
      • Formateador / Minificador de JSON
      • Conversor CSV ↔ JSON
      • Comparador y Formateador de Texto y JSON
      • Formateador y Tester de Expresiones Regulares
      • Inspector de JWT
      • Generador y verificador de hashes
      • Codificador / Decodificador Base64 y URL
      • Conversor de bases numericas
      • Conversor de Timestamp Unix
      • Conversor de colores
      • Generador de UUIDs
    • Juegos
      • Tres en Raya
      • Nim con Q-Learning
    • Más
      • Método D’Hondt
      • Generador de Contraseñas Seguras
  • Noticias
  • Boletín
  • Contacto
  • Tienda
    • Libros
    • Equipamiento de oficina
    • Equipamiento en movilidad

Analytics Lane

Ciencia e ingeniería de datos aplicada

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

Rendimiento al iterar en JavaScript sobre un vector

julio 22, 2019 Por Daniel Rodríguez 1 comentario
Tiempo de lectura: 4 minutos

En JavaScript existen diferentes formas de iterar sobre vectores: el tradicional bucle for, el método forEach y los diferentes métodos de programación funcional (map, reduce, filter y find). Pudiéndose utilizar cualquiera de las opciones en la mayoría de las situaciones. Al emplear los métodos de programación funcional generalmente se consigue código más compacto y fácil de leer. Pero ¿es esta la opción más rápida o lo es el bucle for? Para resolver estas dudas en esta entrada se va a implementar varias soluciones a un mismo problema para comprobar el diferente rendimiento al iterar en JavaScript que se observa con cada método.

Tiempo de ejecución de un código en JavaScript

El tiempo de ejecución del código JavaScript se puede medir de diferentes maneras. Pero una de las más prácticas son las funciones console.time() y console.timeEnd(). Al utilizar la primera se inicia un contador de tiempo, mientras que la segunda finaliza y saca por pantalla el tiempo transcurrido.

Obtener el gasto de los clientes de una base de datos

Para comprobar cual de los métodos ofrece mejor rendimiento se va a calcular el gasto total de los clientes en un conjunto de datos. Para lo que se utiliza el siguiente ejemplo.

const clients_base = [
    { id: 0, units: 1, price: 4 },
    { id: 1, units: 3, price: 2 },
    { id: 2, units: 2, price: 2 },
    { id: 3, units: 5, price: 3 },
    { id: 4, units: 1, price: 4 },
    { id: 5, units: 2, price: 3 },
    { id: 6, units: 2, price: 2 },
    { id: 7, units: 5, price: 3 },
    { id: 8, units: 1, price: 4 },
    { id: 9, units: 2, price: 3 }];

let clients = JSON.parse(JSON.stringify(clients_base));

console.time('for');
let total = 0;

for (let i = 0; i < clients.length; ++i) {
    total += clients[i].units * clients[i].price;
}

console.timeEnd('for');

clients = JSON.parse(JSON.stringify(clients_base));

console.time('forEach');

total = 0;

clients.forEach(client => {
    total += client.units * client.price;
});

console.timeEnd('forEach');

clients = JSON.parse(JSON.stringify(clients_base));

console.time('reduce');

total = clients.reduce((result, client) => {
    result += client.units * client.price;
    return result;
}, 0);

console.timeEnd('reduce');

En este se puede ver que se tiene un conjunto de diez clientes que ha comprado unas unidades a un precio unitario. En las tres aproximaciones se calcula los ingresos totales midiéndose el tiempo que se tarda cada una de ellas. La primera aproximación es un bucle for clásico, en el que se guardan los valores en una variable. La segunda aproximación es con forEach() en el que se opera de manera análoga. Finalmente, se utiliza el método reduce() en el que se suma en cada paso el resultado a la variable result.

Nuevo test de normalidad interactivo en el laboratorio de Analytics Lane
En Analytics Lane
Nuevo test de normalidad interactivo en el laboratorio de Analytics Lane

Al ejecutar el código en un ordenador con node 11.6 se obtienen los siguientes resultados:

for: 0.015ms
forEach: 0.043ms
reduce: 0.103ms

Indicando que el método más rápido es for, seguido de forEach() y el más lento es reduce().

Publicidad


Obtener el gasto de cada uno de los clientes

Por otro lado, se puede utilizar los mismos datos para obtener el gasto total de cada uno de los clientes. Esto se puede hacer con el siguiente código.

const clients_base = [
    { id: 0, units: 1, price: 4 },
    { id: 1, units: 3, price: 2 },
    { id: 2, units: 2, price: 2 },
    { id: 3, units: 5, price: 3 },
    { id: 4, units: 1, price: 4 },
    { id: 5, units: 2, price: 3 },
    { id: 6, units: 2, price: 2 },
    { id: 7, units: 5, price: 3 },
    { id: 8, units: 1, price: 4 },
    { id: 9, units: 2, price: 3 }];

let clients = JSON.parse(JSON.stringify(clients_base));

console.time('for');
for (let i = 0; i < clients.length; ++i) {
    clients[i].total = clients[i].units * clients[i].price;
}
console.timeEnd('for');

clients = JSON.parse(JSON.stringify(clients_base));

console.time('forEach');

clients.forEach(client => {
    client.total = client.units * client.price;
    return client;
});

console.timeEnd('forEach');

clients = JSON.parse(JSON.stringify(clients_base));

console.time('map');

clients.map(client => {
    client.total = client.units * client.price;
    return client;
});

console.timeEnd('map');

Ejecutando el código la misma configuración que el ejemplo anterior se obtiene el siguiente resultado:

for: 0.239ms
forEach: 0.049ms
map: 0.090ms

El cual muestra un resultado completamente diferente al del caso anterior. Ahora forEach() es la mejor solución seguido de map()

Conclusiones

En esta entrada se ha visto que el rendimiento al iterar en JavaScript depende del problema. En el primer ejemplo, al sumar los valores en una nueva variable el mejor método es for. Posiblemente aquí sea más importante el hecho de tener que llamar una función cada vez que se itera sobre un elemento del array. Por otro lado, en el segundo ejemplo, el hecho de modificar el objeto original hace que sea más eficiente el método forEach(), a pesar de tener que llamar una función.

A la hora de decidirnos por cualquiera de las implementaciones no hay que tener en cuenta solamente el rendimiento, sino que la legibilidad del código es también importante. Siendo habitualmente más legible el código que se crear utilizando el paradigma de programación funcional.

¿Qué opináis vosotros? Podéis dejar vuestras opiniones en los comentarios de la entrada.

Imágenes: Pixabay (Robert Owen-Wahl)

¿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

  • Nuevo test de normalidad interactivo en el laboratorio de Analytics Lane
  • Nuevo conversor de timestamp Unix en el laboratorio de Analytics Lane
  • Calculadora de Contrastes de Hipótesis: interpreta correctamente el p-valor y toma decisiones estadísticas con confianza
  • Calculadora de Tamaño del Efecto: la herramienta clave para entender cuánto importa realmente una diferencia
  • Simulador de DBSCAN: descubre cómo encontrar clusters reales (y ruido) sin fijar K
  • Conversor de Colores: convierte, compara y valida cualquier color en tiempo real
  • Analytics Lane lanza su Generador de UUIDs: identificadores únicos, seguros y listos para producción en segundos
  • 1200 publicaciones en Analytics Lane
  • Analytics Lane lanza su Conversor TIN ↔ TAE: la herramienta definitiva para entender el coste real de depósitos, préstamos e hipotecas

Publicado en: JavaScript

Interacciones con los lectores

Comentarios

  1. Anto dice

    diciembre 1, 2023 a las 8:18 am

    Hola,

    Creo que se podría optimizar un poco el ejemplo del bucle for. Si en vez de acceder constantemente a clients[i], lo guardas antes en una variable y lo reusas, tarda menos (especialmente en el segundo ejemplo).

    Para el segundo ejemplo, el código optimizado del bucle for sería así:
    for (let i = 0; i < clients.length; ++i) {
    let client = clients[i];
    client.total = client.units * client.price;
    }
    Creo que eso te va a cambiar las conclusiones sacadas en el segundo caso.

    Un saludo y gracias por el artículo

    Responder

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

Costes hundidos en ciencia de datos: cuándo mantener un modelo y cuándo migrar

mayo 7, 2026 Por Daniel Rodríguez

WOE e IV: La Base Matemática del Credit Scoring

mayo 5, 2026 Por Daniel Rodríguez

Noticias

Lanzamiento de la versión 1.0 del laboratorio de Analytics Lane con nuevas herramientas de scoring

mayo 2, 2026 Por Daniel Rodríguez

Publicidad

Es tendencia

  • Gráficos de barras en Matplotlib publicado el julio 5, 2022 | en Python
  • Truco SQL: La distancia de Levenshtein en SQL Server publicado el diciembre 11, 2020 | en Herramientas
  • Gráficos de correlación en Seaborn: Mapas de calor y gráficos de pares publicado el julio 27, 2023 | en Python
  • Reglas de asociación y market-basket analysis publicado el agosto 31, 2018 | en Ciencia de datos
  • Exactitud, precisión, recall… qué mide realmente cada métrica (y qué no) publicado el marzo 3, 2026 | 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

4.9 (11)

Pandas: Cambiar los tipos de datos en los DataFrames

Comentarios recientes

  • M. Pilar en Cómo eliminar las noticias en Windows 11 y recuperar tu concentración
  • 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

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 © 2018-2026 Analytics Lane ·Términos y condiciones ·Política de Cookies ·Política de Privacidad ·Herramientas de privacidad ·Contacto