• 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

Importar un Notebook Python como un archivo py

Jupyter

marzo 21, 2022 Por Daniel Rodríguez 3 comentarios
Tiempo de lectura: 2 minutos

Reutilizar el código que se ha escrito en un archivo py es tremendamente sencillo, solamente se tiene que usar la instrucción import seguida del nombre de este. Un método que no funciona en el caso de los Notebooks. Afortunadamente, para solucionar este problema y facilitar la reutilización de nuestras funciones se puede recurrir al paquete ipynb. Gracias al cual se pueden importar un Notebook Python en otro, o en código Python, de una manera similar a cómo se hace para los py.

Instalación de ipynb

Antes de poder usar las funcionalidades del paquete ipynb es necesario instalarlo en nuestro sistema. Para lo que se puede recurrir, como es habitual, a pip y escribir el siguiente comando en una terminal

pip install ipynb

A partir de este momento ya podremos importar todo el contenido de otros Notebooks o solamente algunas funciones o clases de este.

Importar todo el contenido del Notebook

En el caso de que se disponga de un Notebook llamado notebook.ipynb y se quiere importar íntegramente, esto es, ejecutar todo el contenido y cargar las funciones, clases y variables se puede mediante un import. Para ello se debe escribir import ipynb.fs.full. seguido del nombre del archivo sin la extensión. Para el archivo del ejemplo se debería escribir lo siguiente

Desbalanceo de Clases en Credit Scoring: Por Qué Usamos Ponderación en lugar de Undersampling
En Analytics Lane
Desbalanceo de Clases en Credit Scoring: Por Qué Usamos Ponderación en lugar de Undersampling

import ipynb.fs.full.notebook

Si no se desea importar todo el contenido se puede emplear la construcción from ... import e indicar los recursos que se desean importar

from ipynb.fs.full.notebook import my_function, MyClass

Es importante recordar que en ambos casos se ejecutará todo el código de Notebook, algo que en muchas ocasiones puede no ser necesario ni eficiente. Por lo que también es posible importar solamente las definiciones.

Publicidad


Importar las definiciones de Notebook en Python

Para el caso en el que solamente se desee importar las definiciones, esto es, las funciones, clases o importaciones, se puede hacer como anteriormente reemplazando full por defs. Así lo que se debería escribir es import ipynb.fs.defs. seguido del nombre del archivo. En el caso de nuestro Notebook de ejemplo sería

import ipynb.fs.defs.notebook

O en el caso de querer importar solamente algunos recursos

from ipynb.fs.defs.notebook import my_function, MyClass

Conclusiones

En esta ocasión se ha visto cómo se puede importar un Notebook Python de una forma similar a la forma que se hace con archivos py. Para lo que solamente hay que importar un paquete. Posiblemente una solución alternativa a esta sea exportar el contenido del Notebook a un archivo py e importarlo desde ahí. Aunque se pierde flexibilidad ya que después de cada cambio en el documento original es necesario hacer una nueva exportación.

Imagen de jplenio en Pixabay

¿Te ha parecido de utilidad el contenido?

¡Puntúalo entre una y cinco estrellas!

Puntuación promedio 3 / 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

  • Desbalanceo de Clases en Credit Scoring: Por Qué Usamos Ponderación en lugar de Undersampling
  • Por Qué las Contraseñas Largas son más Seguras que las Complejas
  • Gini, KS y AUC: Cómo Medir la Calidad de un Modelo de Credit Scoring
  • Por qué migrar tus proyectos TypeScript a ES Modules en 2026
  • Curiosidad: El “bug”, la polilla y la leyenda de Grace Hopper
  • Curiosidad: Por qué la criptografía habla siempre de Alice y Bob
  • BG/BB: el modelo de CLV para compras en períodos discretos
  • Errores comunes al interpretar resultados estadísticos
  • Método del codo: interpretación correcta y limitaciones

Publicado en: Python Etiquetado como: Jupyter

Interacciones con los lectores

Comentarios

  1. Germán Cifuentes Contreras dice

    mayo 5, 2022 a las 3:45 pm

    Muchas gracias, muy buen artículo, los ejemplos claros, me funcionó perfectamente.

    Atento saludo,

    Responder
  2. Humberto dice

    junio 1, 2023 a las 12:34 am

    Quiero tener un file de funciones definidas y correrlas en una sola linea desde otra nb, por alguna razon no me esta funcionando esto

    Responder
  3. Daniel Rodríguez dice

    junio 1, 2023 a las 7:42 pm

    El error se puede deber a múltiples motivos, sin más información es difícil saber cuál es la causa del fallo.

    Responder

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

Por qué migrar tus proyectos TypeScript a ES Modules en 2026

septiembre 17, 2026 Por Daniel Rodríguez

Método del codo: interpretación correcta y limitaciones

septiembre 15, 2026 Por Daniel Rodríguez

Errores comunes al interpretar resultados estadísticos

septiembre 10, 2026 Por Daniel Rodríguez

Publicidad

Es tendencia

  • Curiosidad: La Paradoja de Simpson, o por qué no siempre debes fiarte de los promedios publicado el septiembre 18, 2025 | en Ciencia de datos, Opinión
  • Cómo solucionar problemas de red en VirtualBox: Guía completa publicado el junio 11, 2025 | en Herramientas
  • Cómo comparar tendencias con gráficos de líneas en Matplotlib: guía práctica paso a paso publicado el junio 9, 2026 | en Python
  • El Binning en Credit Scoring: El Arte de Discretizar Variables publicado el junio 16, 2026 | en Ciencia de datos
  • ¿Qué es la estadística y por qué todos deberíamos comprenderla? publicado el noviembre 22, 2024 | en Opinión

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

4.9 (11)

Pandas: Cambiar los tipos de datos en los DataFrames

Comentarios recientes

  • Daniel Rodríguez en Curiosidad: La Paradoja de Simpson, o por qué no siempre debes fiarte de los promedios
  • Hatepi en Curiosidad: La Paradoja de Simpson, o por qué no siempre debes fiarte de los promedios
  • 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

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