• 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

Métodos mágicos de las clases Python

septiembre 14, 2020 Por Daniel Rodríguez Deja un comentario
Tiempo de lectura: 4 minutos

Los métodos mágicos de las clases Python son aquellos que comienzan y terminan con dos caracteres subrayados. Métodos que son clave a la hora de trabajar con clases. Esto es así porque muchas de las operaciones que se hacen con clases en Python utilizan estos métodos cómo puede ser la creación del objeto (__init__) o generar una cadena que los represente (__str__). Todos estos métodos tienen un primer parámetro que hace referencia al propio objeto, que por convenio se suele llamar self. Siendo el resto de los parámetros del método variables. Veamos a continuación algunos de estos métodos y cuál es su finalidad.

Tabla de contenidos

  • 1 __init__
  • 2 __str__
  • 3 __len__
  • 4 __getitem__
  • 5 __setitme__
  • 6 __iter__
  • 7 Operadores
  • 8 Conclusiones

__init__

El método mágico más utilizado en las clases de python es el constructor. Empleado para crear cada una de las instancias de las clases. Un método que no tiene una cantidad fija de parámetros, ya que estos dependen de las propiedades que tenga el objeto. Por ejemplo, se puede crear un objeto Vector

class Vector():
    def __init__(self, data):
        self._data = data
    
    
v = Vector([1,2])
print(v)
<__main__.Vector object at 0x7fbc44cc4450>

Un objeto en el que el parámetro de la clase se guarda en una variable privada (_data).

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)

Publicidad


__str__

Posiblemente el segundo método más utilizado sea __str__, con el que se crear una representación del objeto que tenga significado para las personas. En el ejemplo anterior, al imprimir el objeto se ha visto una cadena que indica el tipo de objeto y una dirección. Lo que generalmente no tiene sentido para las personas. Un problema que se puede solucionar con el método __str__.

class Vector():
    def __init__(self, data):
        self._data = data
        
        
    def __str__(self):
        return f"The values are: {self._data}"
    
    
v = Vector([1,2])
print(v)
The values are: [1, 2]

Ahora al imprimir el objeto podemos ver algo que se relaciona con el contenido.

__len__

En el caso de el objeto tenga una número de elementos, como es el caso, podríamos usar la función len para obtener este. Pero si probamos con el objeto nos encontraremos con un error. Esto es así porque la clase no ha implementado aún el método __len__. Un problema se puede solucionar de tomar fácil al incluir este método.

class Vector():
    def __init__(self, data):
        self._data = data
        
        
    def __str__(self):
        return f"The values are: {self._data}"
    
    
    def __len__(self):
        return len(self._data)
    
    
v = Vector([1,2])
len(v)
2

Publicidad


__getitem__

Si se desea que los usuarios puedan leer los elemento mediante el uso de corchetes es necesario implementar el método __getitem__ en la clase. Solamente leer, para modificar se tiene que crear también el método __setitem__, el cual veremos a continuación. Este es un elemento que necesita un parámetro adicional que es la posición del elemento a leer. La función debe retornar el valor leído.

class Vector():
    def __init__(self, data):
        self._data = data
        
        
    def __str__(self):
        return f"The values are: {self._data}"
    
    
    def __len__(self):
        return len(self._data)
    
    
    def __getitem__(self, pos):
        return self._data[pos]
    
    
v = Vector([1,2])
v[1]
2

__setitme__

Este es el complemento del método anterior. Es este caso es necesario pasar dos parámetros adicionales, la posición y el valor a reemplazar.

class Vector():
    def __init__(self, data):
        self._data = data
        
        
    def __str__(self):
        return f"The values are: {self._data}"
    
    
    def __len__(self):
        return len(self._data)
    
    
    def __getitem__(self, pos):
        return self._data[pos]
    
    
    def __setitem__(self, pos, value):
        self._data[pos] = value
        
v = Vector([1,2])
v[1] = 20
print(v)
The values are: [1, 20]

Publicidad


__iter__

Cuando necesitamos que nuestra clase sea iterable, lo que permite usarla por ejemplo en bucles tipo for, es necesario implementar este método. A continuación, podemos ver una implementación de este método en el que devuelve una cadena con el índice y el valor de cada elemento.

class Vector():
    def __init__(self, data):
        self._data = data
        
        
    def __str__(self):
        return f"The values are: {self._data}"
    
    
    def __len__(self):
        return len(self._data)
    
    
    def __getitem__(self, pos):
        return self._data[pos]
    
    
    def __setitem__(self, pos, value):
        self._data[pos] = value
    
    
    def __iter__(self):
        for pos in range(0, len(self._data)):
            yield f"Value[{pos}]: {self._data[pos]}"
            
            
v = Vector([1,2])

for vec in v:
    print(vec)
Value[0]: 1
Value[1]: 2

Operadores

Existen varios métodos mágicos que permiten sobrecargar los operadores cómo puede ser la suma (__add__), la multiplicación (__mul__) o de comparación (como mayor que __gt__ o menor que __lt__). Métodos que tiene en común un segundo parámetro que hace referencia al otro objeto con el que se opera. Siendo necesario devolver el objeto resultante de la operación o el resultado en el caso de ser una operación lógica. Por ejemplo, se puede crear una operación que permita sumar dos vectores.

class Vector():
    def __init__(self, data):
        self._data = data
        
        
    def __str__(self):
        return f"The values are: {self._data}"
    
    
    def __len__(self):
        return len(self._data)
    
    
    def __getitem__(self, pos):
        return self._data[pos]
    
    
    def __setitem__(self, pos, value):
        self._data[pos] = value
    
    
    def __iter__(self):
        for pos in range(0, len(self._data)):
            yield f"Value[{pos}]: {self._data[pos]}"
            
            
    def __add__(self, other):
        result = [None] * len(self._data)
        
        for pos in range(len(self._data)):
            result[pos] = self._data[pos] + other._data[pos]
        
        return Vector(result)

    
v = Vector([1,2])
w = Vector([2,2])

print(v + w)
The values are: [3, 4]

Publicidad


Conclusiones

En esta entrada se han visto algunos de los métodos mágicos de las clases Python que son clave a la hora de crear objetos. Es importante comprender el funcionamiento e implementar en nuestras clases todos aquellos que sean necesarios para facilitar su uso.

Imagen de mel_88 en Pixabay

¿Te ha parecido de utilidad el contenido?

¡Puntúalo entre una y cinco estrellas!

Puntuación promedio 5 / 5. Votos emitidos: 5

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

  • 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