• 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
      • Ajuste de Curvas
      • Calculadora de Matrices
    • 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)
    • Negocios
      • CLV
      • Scoring
    • 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

Filter, map y reduce en un diccionario de Python

enero 20, 2020 Por Daniel Rodríguez Deja un comentario
Tiempo de lectura: 3 minutos

En una entrada anterior realicé una introducción a la programación funcional en Python. Una entrada donde se explicaba cómo utilizar filter(), map() y reduce() sobre listas o tuplas. Pero no sobre diccionarios. En esta entrada se va a explicar cómo hacer utilizar filter, map o reduce en un diccionario de Python.

Diccionarios frente listas o tuplas en programación funcional

Los diccionarios se diferencian de las listas o tuplas en que en estos objetos se asocia una clave a un valor. No es una sucesión ordenada de valores. Lo que es necesario tener en cuenta a la hora de definir las funciones lambda a utilizar en los métodos filter(), map() o reduce(). Ahora en cada uno de los elementos existen dos valores: la clave y el valor. Mediante el método items() se puede extraer cada uno de estos en una tupla de dos elementos. Siendo este los valores que se han de pasar al método que se desee emplear.

filter() en diccionarios

Para filtrar los valores de un diccionario se puede utilizar el método filter(). Como es un diccionario se tiene en lugar de la variable se tiene que pasar los datos que se obtienen mediante el método items(). En este caso la función lambda que se cree recibirá en cada uno de cados una tupla con dos elementos. Siendo el primero la clave y el segundo el valor. Así para filtrar los elementos por valor se puede usar algo como el siguiente donde se seleccionan los valores mayores de uno :

La caverna del consumo, o cómo Greenspan miraba calzoncillos para hacer política monetaria – El bestiario de los indicadores económicos absurdos (parte 1)
En Analytics Lane
La caverna del consumo, o cómo Greenspan miraba calzoncillos para hacer política monetaria – El bestiario de los indicadores económicos absurdos (parte 1)

variables = {'A':1, 'B':2, 'C':3}

dict(filter(lambda x: x[1] > 1, variables.items()))
{'B': 2, 'C': 3}

Siendo necesario convertir la salida del método filter() en un diccionario.

En este caso también se puede definir una función lambda para filtrar en base a la clave y no el valor. Para eso solamente se tienen que utilizar el primer elemento de la tupla. Esto es lo que se puede ver en el siguiente caso donde se seleccionar el elemento con la clave B.

dict(filter(lambda x: x[0] == 'B', variables.items()))
{'B': 2}

Aunque este ejemplo es trivial la función lambda puede ser todo lo compleja que se desee.

Publicidad


map() en diccionarios

El método map() también se puede utilizar del mismo modo con diccionarios. Por ejemplo, multiplicar por un valor todos los valores de un diccionario.

dict(map(lambda x: (x[0], x[1] * 2), variables.items()))
{'A': 2, 'B': 4, 'C': 6}

reduce() en diccionarios

Finalmente, para el método reduce () es necesario tener en cuenta que el resultado del método será el primer valor de la función lambda en la segunda iteración. Por lo que este ha de ser compatible con la operación. Si se quiere obtener un valor numérico, por ejemplo, la suma de los elementos la mejor opción es dar un valor inicial al método. Esto es lo que se muestra en el siguiente ejemplo.

from functools import reduce

reduce(lambda x, y: x + y[1], variables.items(), 0)
6

Si se omite el valor inicial, el código fallará porque x en la primera iteración será una tupla y no un valor numérico.

Conclusiones

En esta entrada se ha visto cómo emplear filter, map o reduce en un diccionario de Python. Complementado así la entrad en la que se habló de programación funcional en Python. Básicamente hay que tener en cuenta que, a diferencia de las listas o tuplas, en los diccionarios hay dos valores la clave y el valor. Lo que obliga a definir las funciones lambda en función a esto.

Imágenes: Pixabay (PDPics)

¿Te ha parecido de utilidad el contenido?

¡Puntúalo entre una y cinco estrellas!

Puntuación promedio 3 / 5. Votos emitidos: 2

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?

Publicidad


Publicaciones relacionadas

  • La caverna del consumo, o cómo Greenspan miraba calzoncillos para hacer política monetaria – El bestiario de los indicadores económicos absurdos (parte 1)
  • La vanidad del paisaje, o por qué un becario sale a contar grúas a Manhattan – El bestiario de los indicadores económicos absurdos (parte 2)
  • Augurios deportivos y portadas malditas, o cuando The Economist predice mejor al revés – El bestiario de los indicadores económicos absurdos (parte 3)
  • El Binning en Credit Scoring: El Arte de Discretizar Variables
  • Cómo comparar tendencias con gráficos de líneas en Matplotlib: guía práctica paso a paso
  • Analytics Lane lanza la versión 1.2 del laboratorio con nuevas herramientas de ajuste de curvas y cálculo matricial
  • Subplots en Matplotlib: cómo organizar múltiples gráficos en una sola figura
  • Analytics Lane lanza la versión 1.3 del laboratorio con nuevas herramientas de evaluación de modelos y utilidades prácticas
  • Ley de Benford: cómo detectar datos manipulados con ejemplos reales

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

Noticias

Analytics Lane lanza la versión 1.3 del laboratorio con nuevas herramientas de evaluación de modelos y utilidades prácticas

junio 19, 2026 Por Daniel Rodríguez

Augurios deportivos y portadas malditas, o cuando The Economist predice mejor al revés – El bestiario de los indicadores económicos absurdos (parte 3)

junio 18, 2026 Por Daniel Rodríguez

El Binning en Credit Scoring: El Arte de Discretizar Variables

junio 16, 2026 Por Daniel Rodríguez

Publicidad

Es tendencia

  • Buscar en Excel con dos o más criterios publicado el septiembre 7, 2022 | en Herramientas
  • Numpy básico: seleccionar filas y columnas en matrices Numpy publicado el noviembre 6, 2019 | en Python
  • Faker en Python: qué es, para qué sirve y cómo generar datos sintéticos realistas publicado el febrero 17, 2026 | en Python
  • Eliminar la protección en archivos Excel publicado el mayo 30, 2018 | en Herramientas
  • Calcular la similitud de Jaccard en Python publicado el enero 19, 2024 | 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

  • bif en JSON en bases de datos: cuándo es buena idea y cuándo no
  • bif en Cómo desinstalar Oracle Database 19c en Windows
  • 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

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