• 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)
    • 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

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:

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

[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.

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.

Publicidad


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  

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?

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: 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

De la Regresión Logística al Scorecard: La Transformación Matemática

mayo 19, 2026 Por Daniel Rodríguez

Noticias

Analytics Lane lanza la versión 1.1 del laboratorio con nuevas suites de CLV y Scoring

mayo 18, 2026 Por Daniel Rodríguez

Interés compuesto: la fuerza que multiplica tu dinero (y los errores que la anulan)

mayo 14, 2026 Por Daniel Rodríguez

Publicidad

Es tendencia

  • Gráficos de correlación en Seaborn: Mapas de calor y gráficos de pares publicado el julio 27, 2023 | en Python
  • Media, mediana y moda: Descubre cómo interpretar las medidas de tendencia central con ejemplos claros y sin complicaciones publicado el mayo 16, 2025 | en Ciencia de datos
  • Gráficos de barras en Matplotlib publicado el julio 5, 2022 | en Python
  • Cómo encontrar la posición de elementos en una lista de Python publicado el abril 12, 2021 | en Python
  • Programador de tareas de Windows: Guía definitiva para automatizar tu trabajo (BAT, PowerShell y Python) publicado el octubre 7, 2025 | en Herramientas, Productividad

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

  • 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