• 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

Uso de decoradores en Python para simplificar el código

octubre 2, 2023 Por Daniel Rodríguez Deja un comentario
Tiempo de lectura: 4 minutos

Los decoradores en Python son una opción del lenguaje para modificar o extender el comportamiento de las funciones o métodos sin cambiar el código. Con lo que se puede crear código más sencillo y legible. Veamos qué son los decoradores en Python y cómo se puede utilizar.

Fundamentos de los decoradores en Python

En Python, las funciones son objetos de primera clase como los números, cadenas o listas. Por lo que se pueden asignar a variables, pasadas como argumentos a otras funciones y devueltas como valores, al igual que el resto de los objetos. Los decoradores son funciones que reciben otra función como argumento y devuelven está modificada o extendida.

La sintaxis básica de un decorador es la que se muestra a continuación.

def mi_decorador(funcion_original):
    def wrapper(*args, **kwargs):
        # Código antes de la llamada a la función original
        resultado = funcion_original(*args, **kwargs)
        # Código después de la llamada a la función original
        return resultado

    return wrapper

Una función (mi_decorador) que recibe como parámetro una función (funcion_original). La salida de esta función es otra función (wrapper) que puede ejecutar código tanto antes como después de llamar a la función original y devuelve un resultado.

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

Para aplicar un decorador a una función se usa el símbolo @ seguido del nombre del decorador justo antes de la definición de la función que deseas decorar.

@mi_decorador
def funcion_a_decorar(*args, **kwargs):
    # Código de la función original
    return resultado

Ahora, cuando se llama a la funcion_a_decorar en realidad estás llamando a wrapper, la función interna del decorador. Por lo que se puede incluir operaciones antes y después de llamar a la función original.

Esta sintaxis sería el equivalente a, una vez definida la función funcion_a_decorar, llamar a mi_decorador con la función anterior como parámetro y asignar el resultado a la función. Es decir, realizar la siguiente operación.

funcion_a_decorar = mi_decorador(funcion_a_decorar)

Usos comunes de decoradores:

Los decoradores se utilizan comúnmente para realizar tareas comunes que se suele ser necesario repetir en múltiples funciones o métodos como las siguientes:

  • Log: Los decoradores pueden registrar información sobre cuándo y cómo se llama a una función.
  • Autenticación: Los permisos de un usuario para llamar a un método se pueden verificar mediante el uso de decoradores.
  • Memoización: La memoización es una técnica para almacenar en caché los resultados de una función (por ejemplo, lo que se puede hacer con lru_cache) y evitar el recálculo si se llama con los mismos argumentos.
  • Validación de entrada: Mediante el uso de decoradores se puede verificar que los argumentos de una función cumplan ciertas condiciones antes de ejecutarla.

Publicidad


Ejemplo de uso de decoradores: log de funciones

Uno de los usos más habituales de los decoradores es para incluir trazas en las funciones sin tener que modificar estas. Por ejemplo, si se tiene una función suma en la que se realiza la suma de dos valores se puede agregar un decorador para que muestre el resultado siempre que se llame a la función.

# Define el decorador
def mostrar_resultado(funcion):
    def wrapper(*args, **kwargs):
        resultado = funcion(*args, **kwargs)
        print(f"El resultado de la operación es: {resultado}")
        return resultado

    return wrapper

# Aplica el decorador a la función sumar
@mostrar_resultado
def sumar(a, b):
    return a + b

# Llama a la función sumar decorada
resultado = sumar(3, 5)
El resultado de la operación es: 8

En este caso la definición del decorador es relativamente sencilla. Este llama a la función original y una vez obtenido el resultado de esta lo muestra por pantalla, antes de devolver el resultado. Así, cuando se llama a la función decorada lo que se obtiene es un mensaje con el resultado.

Mostrar datos de la llamada a la función

Dado que la función wrapper recibe como entrada **kwargs se puede usar la información de esta para mejorar la información mostrada. Por ejemplo, se puede incluir el nombre de la función que se ha llamado y los parámetros. Esto se puede conseguir con el siguiente ejemplo.

# Define el decorador
def mostrar_resultado(funcion):
    def wrapper(*args, **kwargs):
        resultado = funcion(*args, **kwargs)
        argumentos = ', '.join([f"{k}={v}" for k, v in kwargs.items()] + [str(arg) for arg in args])
        print(f"Llamada a {funcion.__name__}({argumentos})")
        print(f"El resultado de la operación es: {resultado}")
        return resultado

    return wrapper

# Aplica el decorador a la función sumar
@mostrar_resultado
def sumar(a, b):
    return a + b

# Llama a la función sumar decorada
resultado = sumar(3, 5)
Llamada a sumar(3, 5)
El resultado de la operación es: 8

Ejemplo de uso de decoradores: tiempo de ejecución

Otro uso habitual de los decoradores es para medir el tiempo de ejecución de las funciones. Para esto solamente se tiene que importar la librería time, obtener la hora a la que se llama a la función y cuando termina para calcular el tiempo que ha tardado. Una posible implementación de esto es la que se muestra a continuación.

import time

def medir_tiempo(funcion):
    def wrapper(*args, **kwargs):
        inicio = time.time()
        resultado = funcion(*args, **kwargs)
        fin = time.time()
        print(f"{funcion.__name__} se ejecutó en {fin - inicio} segundos.")
        return resultado
    return wrapper

@medir_tiempo
def mi_funcion():
    # Simulamos una operación que toma tiempo
    time.sleep(2)

mi_funcion()
mi_funcion se ejecutó en 2.005181312561035 segundos.

Al igual que en el ejemplo anterior, se podría sacar también por pantalla la forma en la que se ha llamado a la función.

Publicidad


Conclusiones

Los decoradores en Python son un recurso que permite simplificar la escritura de código. Cuando es necesario repetir una misma tarea en varias funciones, como puede ser la medida del tiempo de ejecución o mostrar información de las llamadas, se puede escribir un decorador en lugar de incluir este código dentro de las funciones. Manteniendo de esta manera el código más compacto y sencillo.

Image by Susanne Jutzeler, Schweiz 🇨🇭 suju-foto from 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?

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

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

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
  • Creación de gráficos de barras y gráficos de columnas con Seaborn publicado el julio 18, 2023 | en Python
  • El Binning en Credit Scoring: El Arte de Discretizar Variables publicado el junio 16, 2026 | en Ciencia de datos
  • Cómo comparar datos con barras en Matplotlib: agrupadas, apiladas y porcentuales publicado el mayo 12, 2026 | en Python
  • Cómo comparar tendencias con gráficos de líneas en Matplotlib: guía práctica paso a paso publicado el junio 9, 2026 | 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

  • 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