• 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
  • 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
  • Python
  • Pandas
  • NumPy
  • Matlab
  • Julia
  • JavaScript
  • Excel

Mostrar barra de progreso en 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.

Publicidad


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.

Publicidad


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

Publicidad


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

  • coffee
    Convertir un Notebook en un archivo de Python
  • zoo
    Medir la similitud de archivos con Python
  • rails
    Acelera el código mediante vectorización en Python:…
  • matplotlib
    Gráficos de barras en Matplotlib
  • Gráfico de cascada con la evolución de la variable
    Gráficos de cascada: visualizar la evolución de los…
  • speedometer
    Reemplaza loc e iloc para mejorar el rendimiento en bucles

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.

Publicidad





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
  • Facebook
  • GitHub
  • Instagram
  • Pinterest
  • RSS
  • Twitter
  • Tumblr
  • YouTube

Publicidad

Entradas recientes

Mantener un sistema de alta disponibilidad con PostgreSQL y repmgr

diciembre 1, 2023 Por Daniel Rodríguez

Diferencias entre los errores 401 y 403 del estándar HTTP

noviembre 29, 2023 Por Daniel Rodríguez

Ver el código de cualquier función en Python

noviembre 27, 2023 Por Daniel Rodríguez

Publicidad

Es tendencia

  • Operaciones de filtrado de DataFrame con Pandas en base a los valores de las columnas publicado el mayo 10, 2019 | en Python
  • Diferentes formas de ordenar dataframes en pandas publicado el abril 29, 2019 | en Python
  • Seleccionar filas y columnas en Pandas con iloc y loc publicado el junio 21, 2019 | en Python
  • Codificación JSON Archivos JSON con Python: lectura y escritura publicado el julio 16, 2018 | en Python
  • pandas Pandas: Cómo crear un DataFrame vacío y agregar datos publicado el noviembre 16, 2020 | en Python

Publicidad

Lo mejor valorado

4.9 (22)

Seleccionar filas y columnas en Pandas con iloc y loc

4.7 (12)

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

4.6 (15)

Archivos JSON con Python: lectura y escritura

4.5 (10)

Diferencias entre var y let en JavaScript

4.4 (13)

Ordenación de diccionarios en Python mediante clave o valor

Publicidad

Comentarios recientes

  • Anto en Rendimiento al iterar en JavaScript sobre un vector
  • Daniel Rodríguez en Creación de un certificado Let’s Encrypt en Windows con Win-Acme
  • Guillermo en Creación de un certificado Let’s Encrypt en Windows con Win-Acme
  • Daniel Rodríguez en ¿Cómo eliminar columnas y filas en un dataframe pandas?
  • Miguel en ¿Cómo eliminar columnas y filas en un dataframe pandas?

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 © 2018-2023 Analytics Lane ·Términos y condiciones ·Política de Cookies ·Política de Privacidad ·Herramientas de privacidad ·Contacto