• 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
      • Descenso de gradiente
      • Visualizador de PCA
      • Visualizador de Series Temporales
      • Simulador de Regresión Logística
      • Matriz de confusión e informe de clasificación
      • Visualizador de fronteras de decisión
      • Simulador de K-Means
      • Número Óptimo de Clusters
      • Simulador de DBSCAN
      • Detector de la Ley de Benford
      • Ajuste de Curvas
      • Calculadora de Matrices
    • Probabilidad
      • Calculadora de Probabilidad de Distribuciones
      • Problema del cumpleaños
      • Calculadora de Probabilidades de Lotería
      • Simulador del Problema de Monty Hall
      • La aguja de Buffon
      • Simulador de la Estrategia Martingala
      • Simulador de Cadenas de Markov
    • Finanzas
      • Calculadora de Préstamos e Hipotecas
      • Conversor TIN ↔ TAE
      • Calculadora DCA con ajuste por inflación
      • Comparador de tarifas de luz 2.0TD
      • Calculadora XIRR con Flujos Irregulares
      • Simulador FIRE (Financial Independence, Retire Early)
      • Frontera Eficiente
    • Negocios
      • CLV
      • Scoring
    • Herramientas
      • Formateador / Minificador de JSON
      • Conversor CSV ↔ JSON
      • Consultar CSV con SQL en el navegador
      • Extractor de tickets (OCR)
      • Comparador y Formateador de Texto y JSON
      • Formateador y Tester de Expresiones Regulares
      • Inspector de JWT
      • Generador y verificador de hashes
      • Calculadora HMAC
      • Codificador / Decodificador Base64 y URL
      • Conversor de bases numericas
      • Conversor de Timestamp Unix
      • Conversor de colores
      • Generador de UUIDs
      • Editor de expresiones cron
      • Conversor de unidades
    • 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

Diferencia entre at y loc en Pandas

Pandas

noviembre 20, 2023 Por Daniel Rodríguez Deja un comentario
Tiempo de lectura: 3 minutos

En Pandas existen dos opciones para seleccionar los elementos de un DataFrame: at y loc. Aparentemente las dos alternativas hacen lo mismo, pero no es así. Existe una sutil diferencia entre at y loc en Pandas que se debe tener en cuenta a la hora de elegir una u otra opción.

La diferencia entre at y loc en Pandas

La sutil diferencia que existe entre los dos métodos es la siguiente:

  • at: solamente puede seleccionar un único elemento del conjunto de datos, esto es, solamente se pueden indicar una fila y columna.
  • loc: permite seleccionar un subconjunto del conjunto de datos con varias filas y columnas.

El uso de at

El método at solamente puede seleccionar un único elemento del conjunto de datos, indicando para ello entre corchetes la fila y columna a seleccionar. Esta selección se puede usar tanto para seleccionar el valor como para modificar el contenido de este.

Por ejemplo, en el siguiente conjunto de datos que representa la clasificación de una serie de equipos se puede ver cómo seleccionar un elemento en particular con at

import pandas as pd

df = pd.DataFrame({'equipo': ['EquipoA', 'EquipoB', 'EquipoC', 'EquipoD',
                              'EquipoE', 'EquipoF', 'EquipoG', 'EquipoH'],
                   'puntos': [24, 18, 20, 15, 14, 11, 22, 30],
                   'goles_anotados': [10, 15, 12, 8, 14, 10, 18, 25],
                   'goles_encajados': [8, 12, 10, 15, 18, 16, 14, 12]})

print(df.loc[1, 'puntos'])
18

Lo que también se puede emplear para modificar el contenido de la tabla, simplemente asignando un valor a la selección.

Shallow copy vs Deep copy en Python: la mutación inesperada
En Analytics Lane
Shallow copy vs Deep copy en Python: la mutación inesperada

# Actulizar el contenido de la celda
df.loc[1, 'puntos'] = 21
    equipo  puntos  goles_anotados  goles_encajados
0  EquipoA      24              10                8
1  EquipoB      21              15               12
2  EquipoC      20              12               10
3  EquipoD      15               8               15
4  EquipoE      14              14               18
5  EquipoF      11              10               16
6  EquipoG      22              18               14
7  EquipoH      30              25               12

Pero no es posible seleccionar más de un elemento, ni un rango de filas ni columnas. Si se intenta seleccionar un rango el intérprete de Python devolverá un error.

El uso de loc en Pandas

A diferencia de at, el método loc permite acceder y modificar un grupo de celdas del conjunto de datos a la vez. Permitiendo trabajar sobre el subconjunto a la vez. Por ejemplo, con el siguiente código se puede acceder a los puntos y goles de los tres primeros registros del conjunto de datos.

# Selección de los puntos y goles anotados de los tres primeros
df.loc[:3, ['puntos', 'goles_anotados']]
   puntos  goles_anotados
0      24              10
1      21              15
2      20              12
3      15               8

Aunque también se puede seleccionar solamente uno como en el caso anterior

df.at[1, 'puntos']
21

Conclusiones

En esta entrada se puede ver que la principal diferencia entre at y loc, y el motivo por el que existen ambas, es:

  • at se utiliza específicamente para acceder o modificar un solo valor, y es más eficiente en este caso ya que está optimizado para la obtención de un solo dato.
  • loc es más versátil, ya que puede seleccionar tanto filas como columnas, y también puede realizar selecciones condicionales.

Por lo que se puede concluir que, mientras loc es más la opción más versátil, at es la más eficiente. Por lo que si solamente se necesita acceder a un valor del conjunto de datos la opción a usar debería ser at. Mientras que loc (o su versión que usa índices iloc) sería la opción para usar en el resto de las situaciones.

Imagen de Brigitte Werner 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

  • Shallow copy vs Deep copy en Python: la mutación inesperada
  • Cómo Proyectar Cuándo Alcanzarás la Independencia Financiera
  • Analytics Lane lanza la versión 1.5 del laboratorio con un extractor de tickets por OCR y consultas SQL sobre CSV en el navegador
  • Cómo Saber si una Diferencia Significativa es Importante
  • Curiosidad: “Wi-Fi” no significa “Wireless Fidelity”
  • Cómo Explorar un Dataset antes de Modelar
  • Cómo Elegir el Test de Hipótesis Correcto para tus Datos
  • Tuplas vs Listas en Python: parecen lo mismo, pero no
  • == vs is en Python: la diferencia que causa bugs misteriosos

Publicidad

Publicado en: Python Etiquetado como: Pandas

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

Noticias

Analytics Lane lanza la versión 1.5 del laboratorio con un extractor de tickets por OCR y consultas SQL sobre CSV en el navegador

noviembre 18, 2026 Por Daniel Rodríguez

Cómo Explorar un Dataset antes de Modelar

noviembre 17, 2026 Por Daniel Rodríguez

Curiosidad: “Wi-Fi” no significa “Wireless Fidelity”

noviembre 12, 2026 Por Daniel Rodríguez

Publicidad

Es tendencia

  • Instantáneas de VirtualBox (Snapshots) publicado el marzo 27, 2019 | en Herramientas
  • Noticias Analytics Lane lanza la versión 1.5 del laboratorio con un extractor de tickets por OCR y consultas SQL sobre CSV en el navegador publicado el noviembre 18, 2026 | en Noticias
  • Cuatro aplicaciones de la Inteligencia Artificial en el Deporte publicado el junio 21, 2023 | en Ciencia de datos, Opinión
  • ¿Qué es el margen de error en una encuesta y por qué es importante? publicado el mayo 30, 2025 | en Ciencia de datos, Opinión
  • Usar el depurador de Visual Studio Code con Jest publicado el diciembre 6, 2023 | en Herramientas

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