• 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

Formatear automáticamente código Python

junio 6, 2022 Por Daniel Rodríguez Deja un comentario
Tiempo de lectura: 4 minutos

El formato del código en Python es un componente clave del lenguaje. Este es el que indica al intérprete, mediante la indentación, cuáles son las partes que pertenecen a un bucle, una función, una clase o un método. Aun así, el lenguaje es flexible y permite cierta libertad a la hora de escribir. Por eso, es posible encontrarse con código descuidado que es feo y difícil de leer debido a la existencia o falta de espacios y saltos de línea. Una manera de solucionar esto es usar un formateador de código, con el que podemos estar seguro de que todo lo que se escriba siga los estándares, sea homogéneo y, de esta forma, su lectura y revisión sea más sencilla. Uno de los más populares es YAPF. Veamos cómo se puede formatear automáticamente código Python con YAPF.

Instalación de YAPF

YAPF es un paquete de Python que se puede instalar como es habitual mediante el uso del comando pip. Para instalarlo en un ordenador con Python solamente hay que abrir la terminal y escribir el comando

pip install yapf

Una vez hecho esto debería estar disponible el comando yapf con el que se puede formatear el código Python de una forma automática.

Código de ejemplo

Veamos por ejemplo el siguiente código.

def suma(a , b = 0 )  :
    return a+ b
def resta (a, b   = 0):
    return a    -b

class Contador:
    def __init__(self, counter =0 ):
        self.counter =    counter
    def suma(self,valor = 0):
        self.counter +=  valor
contador = Contador()
contador.suma(   5)

data = {  'a':1, 'b':   2,'c':
3,        'd':4}

resultado =        suma(data['a'],     data ['b'  ])

¿Es feo? ¿Es difícil de leer? Yo creo que sí. El código no es complejo, pero sí este estuviese bien formateado su lectura sería más sencilla. Facilitando la revisión de este. En el ejemplo se definen dos funciones (suma() y resta()) que no están separadas por un salto de línea, algo que dificulta ver dónde termina una y comienza la siguiente. Además, existen espacios que complican la visualización de los parámetros y las operaciones.

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

Por otro lado, en el código también se define una clase (Contador), pero sus métodos están separados por un salto de línea. Tampoco hay dos saltos de línea al terminar la definición de la clase. Lo que hace más complejo de lo necesario la lectura de esta.

Finalmente se usa el código, pero a la hora de definir un diccionario los espacios adicionales obliga a realizar un esfuerzo para ver cuántos elementos continentemente. Lo mismo al usar la función suma().

Si este ejemplo se ha guardado en el archivo complejo.py y se ejecuta el comando

yapf complejo.py > formato.py

Se obtiene un nuevo archivo formato.py como resultado con el siguiente código.

def suma(a, b=0):
    return a + b


def resta(a, b=0):
    return a - b


class Contador:
    def __init__(self, counter=0):
        self.counter = counter

    def suma(self, valor=0):
        self.counter += valor


contador = Contador()
contador.suma(5)

data = {'a': 1, 'b': 2, 'c': 3, 'd': 4}

resultado = suma(data['a'], data['b'])

Mucho mejor, ¿no? Ahora hay dos líneas después de la definición de una función o clase, una línea entre los métodos de la clase, no hay espacios innecesarios y el diccionario se ha simplificado en una línea.

Publicidad


Formatear en el propio archivo y carpetas

En el ejemplo anterior se ha creado un nuevo archivo con el código formateado, pero un proyecto normar esto no es práctico. Por eso se puede usar la opción --in-place para indicarle a YAPF que modifique los archivos originales. Pudiéndose usar además comodines para indicar al formateado que modifique todos los archivos Python de una carpeta. Así el siguiente comando formateara todos los archivos Python que existan en la carpeta actual

yapf --in-place *.py

Por otro lado, si se desea modificar todos los archivos de un proyecto, lo que incluye subcarpetas, se puede usar el comando

yapf --in-place **/*.py

Si se desea ignorar algunas carpetas en un proyecto esto se puede indicar mediante creando un archivo .yapfignore dónde se debe escribir el nombre de estas.

Opciones de formato

YAPF puede dar formato al código en base a varios estándares, por defecto usa PEP8, pero también puede usar el formato de Google si lo preferimos. Lo que se puede indicar mediante el modificador --style o a través de un archivo de configuración. Por ejemplo, para ver formatear el código anterior empleando el estilo de Google solamente se tendría que ejecutar el siguiente comando.

yapf complejo.py --style='{based_on_style:google}' > google.py

Lo que crea el siguiente archivo google.py.

def suma(a, b=0):
    return a + b


def resta(a, b=0):
    return a - b


class Contador:

    def __init__(self, counter=0):
        self.counter = counter

    def suma(self, valor=0):
        self.counter += valor


contador = Contador()
contador.suma(5)

data = {'a': 1, 'b': 2, 'c': 3, 'd': 4}

resultado = suma(data['a'], data['b'])

En este ejemplo tan sencillo las diferencias entre uno y otro son sutiles, pero en programas más complejos existirían más diferencias. Siendo lo más claro el salto la línea en blanco que existe antes del primer método de la clase. Se puede consultar todas las opciones que tiene YAPF en la documentación del proyecto para adaptar el resultado a nuestras preferencias.

Conclusiones

En esta entrada se ha visto cómo gracias a YAPF se puede formatear automáticamente código Python de una manera fácil y sencilla. Un programa con el que podemos estar seguros de que nuestro código cumple con diferentes estándares de formato (PEP8, Google o Facebook) o uno propio.

Creo que herramientas cómo estas deben ser parte del flujo de trabajo a la hora de trabajar con código. Un código más limpio y formateado es más fácil de leer y, por lo tanto, hace nuestro trabajo diario, y el de nuestros compañeros, más sencillo. Aumentado la productividad del equipo. Algo que, si tenemos en cuenta la teoría de las ventanas rotos, hace que los miembros del equipo sean inconscientemente más cuidadosos para mantener la calidad del código. Lo que se traduce en menos errores y problemas.

Imagen de PublicDomainPictures en Pixabay

¿Te ha parecido de utilidad el contenido?

¡Puntúalo entre una y cinco estrellas!

Puntuación promedio 5 / 5. Votos emitidos: 1

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

  • Gráficos de correlación en Seaborn: Mapas de calor y gráficos de pares publicado el julio 27, 2023 | en Python
  • Curiosidad: El uso del número 42 para fijar la semilla publicado el julio 7, 2023 | en Opinión
  • Inteligencia artificial generativa en seguros: Cinco aplicaciones que están transformando la industria publicado el marzo 14, 2025 | en Ciencia de datos, Opinión
  • Buscar en Excel con dos o más criterios publicado el septiembre 7, 2022 | en Herramientas
  • pandas Pandas: Contar los valores nulos en DataFrame publicado el agosto 12, 2021 | 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

4.9 (11)

Pandas: Cambiar los tipos de datos en los DataFrames

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