• 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
      • Ajuste de Curvas
      • Calculadora de Matrices
    • 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

Convertir números en cadenas y cadenas en números en Python

enero 25, 2021 Por Daniel Rodríguez Deja un comentario
Tiempo de lectura: 4 minutos

Python ofrece múltiples posibilidades para convertir las cadenas de texto en números y viceversa. Una tarea que es bastante habitual por ejemplo cuando se interactúa con usuarios, ya que estos siempre usan cadenas de texto para comunicarse. Por eso vamos a ver en esta ocasión cómo se pueden convertir los números en cadenas de texto y las cadenas en números en Python. Aunque en primer lugar vamos a ver los tipos de datos numéricos que existen en Python.

Tabla de contenidos

  • 1. Tipos de datos numéricos en Python
  • 2. Convertir en cadenas de texto en Python
    • 2.1. Uso de la función int()
    • 2.2. Otras bases
    • 2.3. Uso de la función float()
    • 2.4. Uso de la función complex()
  • 3. Convertir números en cadenas de texto
    • 3.1. Uso de la función str()
    • 3.2. Interpolación con format()
  • 4. Conclusiones

Tipos de datos numéricos en Python

En Python existen cuatro tipos de datos numéricos: los enteros (integer), los enteros largos (long), los reales (float) y los complejos (complex).

Tanto los números enteros como los enteros largos se pueden usar para representar números sin decimales, tanto positivos como negativos. Permitiendo los enteros largos almacenar números más grandes que los enteros. Lo que se consigue a costa de ocupar más memoria, por lo que solamente se deben usar en caso de ser realmente necesarios.

Los números reales son aquellos que tienen decimales. Valores que se representan utilizando el estándar IEEE 754, por lo que equivale a los double de C u otros lenguajes. Pudiéndose representar valores que van aproximadamente desee 2e-308 hasta 2e308 con una precisión de 15 decimales.

Finalmente, los números complejos son aquellos con una parte imaginaria, que en Python se denota con una j. Para escribir un número complejo solamente tenemos que escribir dos números reales separados por el signo + o - y uno de ellos con una j.

Los récords con asterisco, o la épica del titular sin contexto – El bestiario de los indicadores económicos absurdos (parte 8 y final)
En Analytics Lane
Los récords con asterisco, o la épica del titular sin contexto – El bestiario de los indicadores económicos absurdos (parte 8 y final)

Algunos ejemplos de números en Python son:

entero = 10
largo = 22L
real = 12.7
complejo = 10 + 12j

Convertir en cadenas de texto en Python

Las funciones que se pueden usar para convertir se llaman como los tipos de datos int(), float() y complex(). A estas funciones se le debe pasar una cadena de texto con un número válido. En caso de que la cadena contenga letras u otros símbolos que no se puedan interpretar como números, las funciones devolverán una excepción.

Publicidad


Uso de la función int()

La mejor forma de ver el funcionamiento de la función int() es con un ejemplo.

x = '22'
y = '12'
z = int(x) - int(y)

Lo que nos dará un número entero en z igual a 10.

En caso de que el valor pueda ser un número real es mejor usar la función real() o complex(). Ya que si la cadena contiene un valor que no sea entero esta nos devolverá un error. Por ejemplo:

int('12.0')
Traceback (most recent call last):
  File "", line 1, in 
ValueError: invalid literal for int() with base 10: '12.0'

Otras bases

Una ventaja de la función int() es que los valores se pueden importar en bases diferentes a la decimal, como puede ser la binaria o la hexadecimal. Esto se pude conseguir simplemente indicando la base a la función mediante la propiedad base, por ejemplo, en el caso binario:

int('1101100', base=2)

Uso de la función float()

La función float() funciona de manera análoga a int(), pero en este caso también admiten valores reales con un punto. Aunque tampoco pude caracteres que no sean numéricos o el punto.

x = float('22')
y = float('22.1')
z = x - y

Lo que nos devolverá el número -0.10000000000000142. Algo que es habitual en los números reales donde siempre existe un pequeño error numérico.

Publicidad


Uso de la función complex()

Finalmente la función complex() funciona de manera análoga pero con números complejos. En donde las cadenas de texto pueden contener una j para indicar la parte compleja.

complex('1+3j')

Lo que nos devolverá el valor (1+3j).

Convertir números en cadenas de texto

Para convertir números en cadenas de texto se puede usar la función str() o utilizar interpolación mediante el método format() de las cadenas de texto. Con la ventaja de que en ambos casos se pueden convertir todos los tipos de números con los tres métodos.

Uso de la función str()

Esta es la función básica que nos permite convertir un número en una cadena de texto. Simple se le debe pasar un número como valor para convertirse en una cadena de texto. Por ejemplo, se puede usar para converitr

str(12)
str(23.2)
str(12 + 33j)

Publicidad


Interpolación con format()

Quizás esta sea la mejor opción para generar cadenas de texto con el valor numérico, ya que el valor se sitúa en la posición indicada. Simplemente en la cadena de texto deberemos situar {} y usar el método format() para asignar el valor.

'El saldo es {}'.format(123.21)
El saldo es 123.21

En caso de tener más de un valor se puede indicar los valores por posición, siendo 0 el primer valor que se pase a la función.

'El primer valor es {0} y el segundo {1}'.format(1, 2)
El primer valor es 1 y el segundo 2

Aunque también se le puede dar un nombre a cada una de las propiedades

'El primer valor es {primero} y el segundo {segundo}'.format(primero=10, segundo=20)
El primer valor es 10 y el segundo 20

Conclusiones

En esta ocasión hemos visto cómo se pueden convertir los números en cadenas de texto y las cadenas en números en Python. Una tarea sencilla, pero que requiere mostrar atención a ciertos detalles.

Imagen de Thorsten Frenzel en Pixabay

¿Te ha parecido de utilidad el contenido?

¡Puntúalo entre una y cinco estrellas!

Puntuación promedio 1 / 5. Votos emitidos: 2

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

  • Los récords con asterisco, o la épica del titular sin contexto – El bestiario de los indicadores económicos absurdos (parte 8 y final)
  • Segmentación RFM: cómo clasificar tu cartera de clientes antes de calcular el CLV
  • PSI: Cómo Saber Cuándo tu Modelo de Credit Scoring se ha Degradado
  • Champion vs Challenger: Cómo los Bancos Validan Modelos Nuevos antes de Ponerlos en Producción
  • Gini, KS y AUC: Cómo Medir la Calidad de un Modelo de Credit Scoring
  • Errores habituales al trabajar con DataFrames grandes en Pandas (y cómo evitarlos)
  • BG/NBD + Gamma/Gamma: el modelo probabilístico para CLV en compras continuas
  • Curiosidad: De dónde vienen foo, bar y foobar
  • Cómo Comparar Dos Hipotecas con Todos los Gastos Incluidos

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

Gini, KS y AUC: Cómo Medir la Calidad de un Modelo de Credit Scoring

agosto 18, 2026 Por Daniel Rodríguez

Curiosidad: De dónde vienen foo, bar y foobar

agosto 13, 2026 Por Daniel Rodríguez

BG/NBD + Gamma/Gamma: el modelo probabilístico para CLV en compras continuas

agosto 11, 2026 Por Daniel Rodríguez

Publicidad

Es tendencia

  • Interpretación de las estadísticas para evaluar el rendimiento de fondos de inversión y ETFs publicado el febrero 21, 2025 | en Ciencia de datos
  • Qué es la variabilidad estadística y cómo evitar errores al analizar datos publicado el febrero 12, 2026 | en Opinión
  • Solución del error 504 Gateway Timeout en NGINX publicado el abril 10, 2024 | en Herramientas
  • Cómo solucionar problemas de red en VirtualBox: Guía completa publicado el junio 11, 2025 | en Herramientas
  • Creación de documentos Word con Python publicado el septiembre 7, 2020 | en Python

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

  • Daniel Rodríguez en Los récords con asterisco, o la épica del titular sin contexto – El bestiario de los indicadores económicos absurdos (parte 8 y final)
  • Juan en Los récords con asterisco, o la épica del titular sin contexto – El bestiario de los indicadores económicos absurdos (parte 8 y final)
  • 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

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