• 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
      • Descenso de gradiente
      • Visualizador de PCA
      • Visualizador de Series Temporales
      • Simulador de Regresión Logística
      • Matriz de confusión e informe de clasificación
      • Visualizador de fronteras de decisión
      • Simulador de K-Means
      • Número Óptimo de Clusters
      • Simulador de DBSCAN
      • Detector de la Ley de Benford
      • Ajuste de Curvas
      • Calculadora de Matrices
    • Probabilidad
      • Calculadora de Probabilidad de Distribuciones
      • Problema del cumpleaños
      • Calculadora de Probabilidades de Lotería
      • Simulador del Problema de Monty Hall
      • La aguja de Buffon
      • Simulador de la Estrategia Martingala
      • Simulador de Cadenas de Markov
    • Finanzas
      • Calculadora de Préstamos e Hipotecas
      • Conversor TIN ↔ TAE
      • Calculadora DCA con ajuste por inflación
      • Comparador de tarifas de luz 2.0TD
      • Calculadora XIRR con Flujos Irregulares
      • Simulador FIRE (Financial Independence, Retire Early)
      • Frontera Eficiente
    • Negocios
      • CLV
      • Scoring
    • Herramientas
      • Formateador / Minificador de JSON
      • Conversor CSV ↔ JSON
      • Consultar CSV con SQL en el navegador
      • Extractor de tickets (OCR)
      • Comparador y Formateador de Texto y JSON
      • Formateador y Tester de Expresiones Regulares
      • Inspector de JWT
      • Generador y verificador de hashes
      • Calculadora HMAC
      • Codificador / Decodificador Base64 y URL
      • Conversor de bases numericas
      • Conversor de Timestamp Unix
      • Conversor de colores
      • Generador de UUIDs
      • Editor de expresiones cron
      • Conversor de unidades
    • 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

Mostrar barra de progreso en Jupyter

Jupyter

febrero 17, 2020 Por Daniel Rodríguez Deja un comentario
Tiempo de lectura: 3 minutos

Al aumentar la complejidad la complejidad de los análisis realizados en un Jupyter Notebook. O al aumentar el conjunto de datos sobre el que se trabaja. Los procesos pueden pasar de unos pocos segundos a minutos o incluso horas. En estas situaciones saber el estado del proceso y una estimación del tiempo que falta para finalizar puede ser de gran ayuda. Para lo que las barras de progreso son una herramienta ideal. A continuación, vamos a ver como mostrar una barra de progreso en Jupyter Notebook desde Python.

Instalando la barra de progreso: tqdm

Una de las mejores librerías para usar barras de progreso en nuestro código que podemos encontrar en Python es tqdm. La instalación de la librería se puede hacer como siempre a través de pip escribiendo la siguiente línea en el terminal:

pip install tqdm

Probando la barra de progreso

Una vez instalado la librería se puede probar esta. Para ello solamente se tiene que importar tqdm y usar el método en un bucle for. Por ejemplo, para ejecutar un código 10 veces:

import time
from tqdm import tqdm

for i in tqdm(range(10)):
    time.sleep(0.5)

Con lo que obtiene una barra de progreso como la que se muestra a continuación.

Shallow copy vs Deep copy en Python: la mutación inesperada
En Analytics Lane
Shallow copy vs Deep copy en Python: la mutación inesperada

100%|██████████| 10/10 [00:05<00:00,  1.98it/s]

Lo primero que se muestra es el porcentaje, lo segundo una barra que indica visualmente el progreso, posteriormente la iteración actual sobre el total, el tiempo transcurrido, seguido del estimado para finalizar el proceso y, finalmente, el número de iteraciones medias que se realizan por segundo.

Usando la barra de progreso manualmente

Si cada una de las iteraciones de nuestro proceso es rápida puede ser mejor actualizar cada 10, 100 o más pasos. Evitando de esta manera que el proceso gaste más tiempo en actualizar la barra de progreso que en los cálculos en sí. Para ello se puede usar el modo manual creando la barra y actualizándose con la propiedad .update(), como se muestra en el siguiente ejemplo

pbar = tqdm(total=1000)

for i in range(10):
    time.sleep(0.05)
    pbar.update(100)
    
pbar.close()

En este se puede ver que en primer lugar se crea la barra para 1000 iteraciones y posteriormente actualizamos el estado del proceso cada 100 iteraciones. Actualizando la información de la barra solamente 10 veces en lugar de 1000. Finalmente se tiene que cerrar la barra de progreso mediante el comando .close().

Una forma alternativa de implementar este proceso es usando with, lo que evita tener que cerrar la barra una vez finalizado el proceso.

with tqdm(total=1000) as pbar:
    for i in range(10):
        time.sleep(0.05)
        pbar.update(100)

Uso de más de una barra

Si tenemos varios procesos es posible darle un nombre a la barra para identificar los procesos que han terminado y aquel que está en marcha. Para lo que se tiene que indicar un nombre mediante el parámetro desc de tqdm. Lo que se muestra en el siguiente ejemplo.

import time
from tqdm import tqdm

for i in tqdm(range(10), desc="Proceso #1"):
    time.sleep(0.5)
for i in tqdm(range(10), desc="Proceso #2"):
    time.sleep(0.5)
Proceso #1: 100%|██████████| 10/10 [00:05<00:00,  1.98it/s]
Proceso #2: 100%|██████████| 10/10 [00:05<00:00,  1.98it/s]

Conclusiones

Hoy se ha visto cómo implementar una barra de progreso en Jupyter Notebok desde Python. Algo que es útil cuando el tiempo de los análisis supera los pocos segundos y es necesario conocer el estado de los procesos. Algo que ya vimos como hacer en R.

Obviamente, esta barra de progreso también se puede utilizar en programas de Python que ejecutemos en la terminal.

Imagen de Free-Photos en Pixabay

¿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

  • Shallow copy vs Deep copy en Python: la mutación inesperada
  • Cómo Proyectar Cuándo Alcanzarás la Independencia Financiera
  • Cómo Saber si una Diferencia Significativa es Importante
  • Curiosidad: “Wi-Fi” no significa “Wireless Fidelity”
  • Cómo Elegir el Test de Hipótesis Correcto para tus Datos
  • Qué significa realmente “calidad de datos”
  • Tuplas vs Listas en Python: parecen lo mismo, pero no
  • == vs is en Python: la diferencia que causa bugs misteriosos
  • Curiosidad: El puerto 80 y los números de puerto

Publicidad

Publicado en: Python Etiquetado como: Jupyter

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

Curiosidad: “Wi-Fi” no significa “Wireless Fidelity”

noviembre 12, 2026 Por Daniel Rodríguez

Shallow copy vs Deep copy en Python: la mutación inesperada

noviembre 10, 2026 Por Daniel Rodríguez

Cómo Saber si una Diferencia Significativa es Importante

noviembre 5, 2026 Por Daniel Rodríguez

Publicidad

Es tendencia

  • Introducción al paquete dplyr del Tidyverse publicado el febrero 24, 2021 | en R
  • pandas Pandas: Cómo iterar sobre las filas de un DataFrame en Pandas publicado el septiembre 13, 2021 | en Python
  • Medir la velocidad de escritura del disco en Linux publicado el enero 25, 2023 | en Herramientas
  • Cómo iterar sobre diccionarios usando bucles for en Python publicado el junio 9, 2025 | en Python
  • Aprendizaje Automático ¿Qué es el Aprendizaje Automático? publicado el agosto 22, 2018 | 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

4.1 (11)

Aplicar el método D’Hondt en Excel

Comentarios recientes

  • Daniel Rodríguez en Curiosidad: La Paradoja de Simpson, o por qué no siempre debes fiarte de los promedios
  • Hatepi en Curiosidad: La Paradoja de Simpson, o por qué no siempre debes fiarte de los promedios
  • Daniel Rodríguez en Los récords con asterisco, o la épica del titular sin contexto – El bestiario de los indicadores económicos absurdos (parte 8 y final)
  • Juan en Los récords con asterisco, o la épica del titular sin contexto – El bestiario de los indicadores económicos absurdos (parte 8 y final)
  • bif en JSON en bases de datos: cuándo es buena idea y cuándo no

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