• 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
  • R
  • Excel

Probar en múltiples versiones de Python (Creación de paquetes de Python 3ª parte)

marzo 6, 2020 Por Daniel Rodríguez Deja un comentario
Tiempo de lectura: 3 minutos

Hasta ahora las pruebas se ha ejecutado únicamente en la configuración del ordenador de trabajo. Es decir, en la versión de Python con la que estamos trabajando. Pero puede ser interesante probar que el paquete funciona con diferentes versiones de Python a la que tenemos instalada. Para probar en múltiples versiones de Python el código del paquete vamos a utilizar tox.

Esta entrada forma parte de la colección “Creación de paquetes de Python” que consta de las siguientes siete entradas:

  1. Creación de paquetes de Python
  2. Pruebas unitarias en Python
  3. Probar en múltiples versiones de Python
  4. Cobertura de las pruebas unitarias en Python
  5. Gestionar las dependencias de paquetes Python
  6. Documentar paquetes de Python
  7. Distribuir paquetes de Python

Tabla de contenidos

  • 1 Instalación y configuración de Tox
  • 2 Instalación de virtualenv
  • 3 Creación de los entornos en Acancoda
  • 4 Hacer que tox pueda encontrar los entornos en UNIX
  • 5 Hacer que tox pueda encontrar los entornos en Windows
  • 6 Ejecución de tox
  • 7 Conclusiones

Instalación y configuración de Tox

Tox es una herramienta de Python con la cual es posible automatizar y estandarizar los procesos de prueba en Python. Permitiendo probar fácilmente el código en más de un entorno. Es decir, facilita probar el código fácilmente en más de una versión de Python, como podría ser Python 3.7 y Python 2.7 al mismo tiempo. Para lo que es necesario configurar estos entornos en nuestra máquina.

Tox se puede instalar con pip como cualquier otro paquete de Python. Para lo que deberemos escribir en la terminal el siguiente comando pip install tox. Una vez hecho esto es necesario crear un archivo tox.ini en la carpeta raíz donde se encuentra el código que queremos probar. Un archivo básico para tox puede ser el que ha dejado la plantilla de Cookiecutter:

Exactitud, precisión, recall… qué mide realmente cada métrica (y qué no)
En Analytics Lane
Exactitud, precisión, recall… qué mide realmente cada métrica (y qué no)

[tox]
envlist = py37,py36,py35

[testenv]
commands = pytest 
deps = pytest

En donde mediante la opción envlist se indican los entornos en los que deseamos probar el código. En este caso indicamos que se pruebe en Python 3.7, 3.6, etc. Posteriormente se indica los comandos que debe ejecutar tox. Si trabajamos con pytest solamente es necesario indicar este comando. Finalmente, en nuestro archivo se encuentran las dependencias, como solamente trabajamos con pytest esta es la única dependencia.

Con esto podemos ejecutar tox para lanzar las pruebas en cada uno de los entornos que se indicaron en la configuración. Pero antes de ese es necesario instalar los entornos.

Publicidad


Instalación de virtualenv

Anaconda es uno de los entornos de trabajo en Python más populares entre los científicos e ingenieros de datos. Por eso vamos a usar este entorno como ejemplo. Para disponer de múltiples entornos en anaconda es necesario instalar virtualenv, para lo que usaremos conda

conda install virtualenv

Es necesario realizar la instalación de virtualenv con conda en lugar de pip porque virtualenv necesita interactuar con la instalación de Anaconda.

Creación de los entornos en Acancoda

Una vez instalado virtualenv es necesario crear los entornos, en este caso también con conda. Por ejemplo, para crear un entorno de Python 3.6 deberemos escribir el siguiente comando

conda create -n py36 python=3.6 --yes  

Si lo que deseamos es crear un entorno con Python 3.5 debemos escribir

conda create -n py35 python=3.5 --yes  

Publicidad


Hacer que tox pueda encontrar los entornos en UNIX

Una vez creados los entornos estos se ubican generalmente, cuando trabajamos en una instalación de Anconada 3, en ~/opt/anaconda3/envs/ o en la ruta relativa donde se hubiese instalado. Ahora es necesario hacer que tox pueda encontrar estos archivos para lo que tenemos que crear un enlace simbólico en ~/opt/anaconda3/bin. En los sistemas Unix (Linux y macOS) esto se puede hacer situándonos en ~/opt/anaconda3/bin y escribiendo el siguiente comando

ln -s ~/opt/anaconda3/envs/py36/bin/python python3.6

y análogamente para cualquier otro entorno que hubiésemos creado.

Hacer que tox pueda encontrar los entornos en Windows

En el caso de trabjar en anaconda sobre Windows no se pueden usar enlaces simbólicos, por lo es necesario crear un script llamado python2.7.bat con el siguiente contenido

@C:\Users\your_user_name\Anaconda3\pkgs\python-3.6.10-0\python.exe %*

Asumiendo que esa es la ruta en la que se encuentra Anaconda y estamos usando Python 3.6.

Publicidad


Ejecución de tox

Ahora, si todo está bien podemos lanzar tox para probar nuestro código en todos los entornos que hemos configurado. Algo que se hace situándonos en nuestro proyecto y escribiendo tox en la terminal.

% tox
....
py37: commands succeeded
py36: commands succeeded
py35: commands succeeded
congratulations :)

Conclusiones

En esta entrada se ha visto los pasos para poder probar en múltiples versiones de Python el código de nuestro paquete. Algo que es importante especialmente si queremos distribuirlo y no sabemos en qué entornos funciona y en cuáles no. La semana que vienes explicaremos otro punto clave, la medida de las cobertura de las pruebas unitarias.

Imagen de seth0s 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?

Publicidad


Publicaciones relacionadas

  • Exactitud, precisión, recall… qué mide realmente cada métrica (y qué no)
  • Hardening de SSH en Rocky Linux 9: cómo desactivar KEX débiles y reforzar la seguridad
  • Nueva herramienta en Analytics Lane: generador de contraseñas seguras y frases de contraseña
  • Hardening de NGINX en 2026: configuración segura básica paso a paso
  • ¿Qué métrica deberías mirar: exactitud, precisión o recall? Elegir bien empieza por entender el problema
  • Nueva calculadora DCA ajustada por inflación en el laboratorio de aplicaciones de Analytics Lane
  • Nuevo simulador FIRE en el laboratorio de aplicaciones de Analytics Lane
  • Nueva calculadora de préstamos e hipotecas en el laboratorio de aplicaciones de Analytics Lane
  • Hardening avanzado de NGINX: CSP, OCSP Stapling y defensa en profundidad

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

Nueva simulación de la estrategia Martingala en ruleta en el laboratorio de aplicaciones de Analytics Lane

abril 1, 2026 Por Daniel Rodríguez

Nuevo generador y verificador de hashes en el laboratorio de aplicaciones de Analytics Lane

marzo 31, 2026 Por Daniel Rodríguez

Hardening avanzado de NGINX: CSP, OCSP Stapling y defensa en profundidad

marzo 26, 2026 Por Daniel Rodríguez

Publicidad

Es tendencia

  • Curiosidad: ¿Por qué usamos p < 0.05? Un umbral que cambió la historia de la ciencia publicado el octubre 2, 2025 | en Ciencia de datos, Opinión
  • Método del codo (Elbow method) para seleccionar el número óptimo de clústeres en K-means publicado el junio 9, 2023 | en Ciencia de datos
  • Visualización de datos categóricos en Seaborn publicado el agosto 1, 2023 | en Python
  • NumPy NumPy: Cómo ordenar una matriz NumPy en Python publicado el noviembre 23, 2020 | en Python
  • Copiar y pegar Activar copiar y pegar en VirtualBox publicado el mayo 1, 2019 | en Herramientas

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

  • 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