• 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

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).

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

__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.

Publicidad


__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

__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]

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?

Publicidad


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

  • ¿Qué es la estadística y por qué todos deberíamos comprenderla? publicado el noviembre 22, 2024 | en 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
  • Faker en Python: qué es, para qué sirve y cómo generar datos sintéticos realistas publicado el febrero 17, 2026 | en Python
  • ¿Puede la inteligencia artificial ser creativa? [Mitos de la Inteligencia Artificial 3] publicado el julio 2, 2024 | en Opinión
  • Hoja de cálculo para repartir los escaños en base al método D’Hont Aplicar el método D’Hondt en Excel publicado el abril 14, 2021 | 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

4.1 (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