• 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

Obtener el listado de las variables en Julia

diciembre 15, 2021 Por Daniel Rodríguez Deja un comentario
Tiempo de lectura: 2 minutos

Cuando se está trabajando en una sesión de Julia puede ser necesario conocer cuales son las variables que están cargadas en memoria. Pudiendo localizar de esta manera aquellas que ya no utilizan. Para conseguir el listado de las variables en Julia contamos con la función varinfo().

Obtener el listado de las variables en Julia

La función con la que se puede obtener información de las variables cargadas en memoria en Julia es varinfo(). En su forma básica solamente es necesario llámala sin nigua parámetro para obtener una tabla como la siguiente

julia> varinfo()
  name                    size summary                
  –––––––––––––––– ––––––––––– –––––––––––––––––––––––
  Base                         Module                 
  Core                         Module                 
  InteractiveUtils 242.933 KiB Module                 
  Main                         Module                 
  ans                1.532 KiB Markdown.MD            
  var1                64 bytes 3-element Vector{Int64}
  var2                64 bytes 3-element Vector{Int64}

Una tabla en la que se puede ver la información en tres columnas. En la primera se encuentra el nombre del objeto, la segunda, cuando aplica, mostrará el tamaño y la tercera una pequeña descripción del tipo de dato.

Programador de tareas de Windows: Guía definitiva para automatizar tu trabajo (BAT, PowerShell y Python)
En Analytics Lane
Programador de tareas de Windows: Guía definitiva para automatizar tu trabajo (BAT, PowerShell y Python)

Publicidad


Listado de las variables en un módulo

Algo que se puede apreciar en el ejemplo es que los cuatro primeros objetos son módulos. Cada uno de los cuales cuenta con más elementos en su interior. Si se desea ver el listado de los objetos dentro de un módulo cargado se puede pasar el nombre de este como parámetro de la función. Así para acceder al de Base solamente se tiene que escribir

julia> varinfo(Base)

Algo que nos devolverá cientos de elementos.

Filtrar el listado usando expresiones regulares

Para buscar un elemento específico también se pueden usar las expresiones regulares para filtrar aquellos que cumplan una condición. Así, por ejemplo, se puede buscar dentro del módulo Base los elementos que tenga dentro del nombre la cadena “rand” mediante

julia> varinfo(Base, r"rand")
  name     size summary      
  ––––– ––––––– –––––––––––––
  rand  0 bytes typeof(rand) 
  randn 0 bytes typeof(randn)

Búsqueda que también se puede hacer sobre el espacio de trabajo simplemente omitiendo el nombre del módulo y pasando la expresión regular como único parámetro. Por ejemplo, para buscar los objetos con “var” en su nombre se puede hacer

julia> varinfo(r"var")
  name     size summary                
  –––– –––––––– –––––––––––––––––––––––
  var1 64 bytes 3-element Vector{Int64}
  var2 64 bytes 3-element Vector{Int64}

Publicidad


Conclusiones

En esta ocasión se ha visto cómo obtener el listado de las variables en Julia. Una operación sencilla que se puede conseguir gracias al uso de la función varinfo() y ayuda en el trabajo diario con Julia.

Imagen de SplitShire 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

  • Programador de tareas de Windows: Guía definitiva para automatizar tu trabajo (BAT, PowerShell y Python)
  • La Paradoja del Cumpleaños, o por qué no es tan raro compartir fecha de nacimiento
  • Cómo abrir una ventana de Chrome con tamaño y posición específicos desde la línea de comandos en Windows
  • Curiosidad: El sesgo de supervivencia, o por qué prestar atención sólo a los que “llegaron” puede engañarte
  • Documentar tu API de Express con TypeScript usando OpenAPI (Swagger)
  • Data Lake y Data Warehouse: diferencias, usos y cómo se complementan en la era del dato
  • ¿Media, mediana o moda en variables ordinales? Guía práctica para el análisis de datos
  • Cómo ejecutar JavaScript desde Python: Guía práctica con js2py
  • Cómo generar contraseñas seguras con Python (y entender su nivel de seguridad)

Publicado en: Julia

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

Curiosidad: ¿Por qué los datos “raros” son tan valiosos?

noviembre 6, 2025 Por Daniel Rodríguez

Cómo generar contraseñas seguras con Python (y entender su nivel de seguridad)

noviembre 4, 2025 Por Daniel Rodríguez

Cómo ejecutar JavaScript desde Python: Guía práctica con js2py

octubre 30, 2025 Por Daniel Rodríguez

Publicidad

Es tendencia

  • Curiosidad: ¿Por qué los datos “raros” son tan valiosos? publicado el noviembre 6, 2025 | en Ciencia de datos, Opinión
  • Operaciones de filtrado de DataFrame con Pandas en base a los valores de las columnas publicado el mayo 10, 2019 | en Python
  • Comparar archivos en Visual Studio Code publicado el enero 10, 2024 | en Herramientas
  • Diferencia entre R2 y R2 ajustado en modelos de regresión publicado el marzo 8, 2024 | en Ciencia de datos
  • Redondear la hora en Python para agrupar datos publicado el octubre 26, 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

4.5 (10)

Diferencias entre var y let en JavaScript

Publicidad

Comentarios recientes

  • 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
  • Daniel Rodríguez en Tutorial de Mypy para Principiantes

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 © 2018-2025 Analytics Lane ·Términos y condiciones ·Política de Cookies ·Política de Privacidad ·Herramientas de privacidad ·Contacto