• 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

Diferencia entre print y pprint en Python: Impresión de estructuras de datos complejas

mayo 27, 2024 Por Daniel Rodríguez Deja un comentario
Tiempo de lectura: 4 minutos

En Python, es habitual usar la función print para mostrar los resultados de una operación en la terminal. Siendo también muy utilizada para la depuración de código. Además de la función print, en Python existe el módulo pprint con el que es posible imprimir de forma más elegante y estructurada las estructuras de datos como las listas y diccionarios. En esta entrada se analizarán las diferencias que existen entre print y pprint viendo cuando la segunda ofrece ventajas sobre la primera.

El uso de la función print() en Python

La función print() es una función incorporada en Python, no es necesario importarla, con la que se puede imprimir datos en la salida estándar del sistema. Esto es, muestra los datos en la terminal o símbolo de sistema. Una función simple y directa que toma múltiples argumentos y los imprime para que el usuario los pueda ver. Un ejemplo básico de print() se puede ver en el siguiente código:

nombre = "Juan"
edad = 30
print("Hola,", nombre, "tienes", edad, "años.")

Cuando se ejecute este código se imprimirá:

Hola, Juan tienes 30 años.

El módulo pprint de Python

pprint es un módulo de biblioteca estándar de Python, en el que existe una función del mismo nombre, con el que se pueden imprimir datos en la salida estándar de una forma más elegante, legible y organizada que con la función print(). De hecho, el nombre del módulo es una abreviatura de “pretty print” (impresiones bonitas). Siendo una función de especial utilidad cuando se desean mostrar los valores de datos complejos como diccionarios o listas de gran tamaño.

1200 publicaciones en Analytics Lane
En Analytics Lane
1200 publicaciones en Analytics Lane

El objetivo principal de pprint es mostrar los datos de una forma más legible en la consola. Para lo que, en lugar de sacar todos los datos en una línea, formatea estos con sangrías y saltos de línea para resaltar la estructura. Mejorando la legibilidad de la salida en la consola.

Publicidad


Comparación entre el uso de print y pprint en Python

En esta sección se va a mostrar con ejemplo la diferencia que existe entre usar print y pprint en Python. En primer lugar, se puede ver la diferencia entre imprimir un diccionario con una función u otra.

from pprint import pprint

datos = [
    {'nombre': 'Juan', 'edad': 30},
    {'nombre': 'María', 'edad': 25},
    {'nombre': 'Pedro', 'edad': 35},
    {'nombre': 'Ana', 'edad': 28},
    {'nombre': 'Luis', 'edad': 40}
]

# Usando print()
print("Usando print():", datos)

# Usando pprint
print("Usando pprint():")
pprint(datos)
Usando print(): [{'nombre': 'Juan', 'edad': 30}, {'nombre': 'María', 'edad': 25}, {'nombre': 'Pedro', 'edad': 35}, {'nombre': 'Ana', 'edad': 28}, {'nombre': 'Luis', 'edad': 40}]
Usando pprint():
[{'edad': 30, 'nombre': 'Juan'},
{'edad': 25, 'nombre': 'María'},
{'edad': 35, 'nombre': 'Pedro'},
{'edad': 28, 'nombre': 'Ana'},
{'edad': 40, 'nombre': 'Luis'}]

En este ejemplo, en primer lugar se ha importado la función pprint() del módulo pprint. A diferencia de print() esta función no está incluida por defecto y es necesario importarla para poder usarla. Aunque está incluida la distribución estándar de Python.

Lo primero que se puede ver en el ejemplo es que print() saca por pantalla todos los elementos en una única línea, mientras que pprint() saca un elemento por línea. Haciendo más fácil la lectura de los datos para el usuario. Una diferencia que aún es más clara cuando el diccionario es más complejo como el que se muestra en el siguiente ejemplo.

datos = {
    'nombre': 'Juan',
    'edad': 30,
    'ciudad': 'Madrid',
    'profesion': 'Ingeniero',
    'experiencia': 8,
    'hobbies': ['fútbol', 'lectura', 'viajar'],
    'idiomas': ['español', 'inglés'],
    'educacion': {
        'universidad': 'UPM',
        'titulo': 'Ingeniería Informática'
    },
    'certificaciones': ['Certificado Python', 'Certificado AWS'],
    'proyectos': {
        'proyecto_1': 'Sistema de gestión de inventario',
        'proyecto_2': 'Plataforma de e-learning'
    }
}

# Usando print()
print("Usando print():", datos)

# Usando pprint
print("Usando pprint():")
pprint(datos)
Usando print(): {'nombre': 'Juan', 'edad': 30, 'ciudad': 'Madrid', 'profesion': 'Ingeniero', 'experiencia': 8, 'hobbies': ['fútbol', 'lectura', 'viajar'], 'idiomas': ['español', 'inglés'], 'educacion': {'universidad': 'UPM', 'titulo': 'Ingeniería Informática'}, 'certificaciones': ['Certificado Python', 'Certificado AWS'], 'proyectos': {'proyecto_1': 'Sistema de gestión de inventario', 'proyecto_2': 'Plataforma de e-learning'}}
Usando pprint():
{'certificaciones': ['Certificado Python', 'Certificado AWS'],
'ciudad': 'Madrid',
'edad': 30,
'educacion': {'titulo': 'Ingeniería Informática', 'universidad': 'UPM'},
'experiencia': 8,
'hobbies': ['fútbol', 'lectura', 'viajar'],
'idiomas': ['español', 'inglés'],
'nombre': 'Juan',
'profesion': 'Ingeniero',
'proyectos': {'proyecto_1': 'Sistema de gestión de inventario',
'proyecto_2': 'Plataforma de e-learning'}}

En ese ejemplo, analizar los datos con print() es todavía más complicado que con pprint().

Finalmente se puede ver lo que pasa cuando se tiene una matriz en una lista. En estos casos pprint() hace que sea más sencillo comprender los resultados ya que muestra las filas de la matriz por separado. Algo que se puede apreciar con el siguiente ejemplo.

matriz = [
    [1, 2, 3, 4, 5],
    [6, 7, 8, 9, 10],
    [11, 12, 13, 14, 15],
    [16, 17, 18, 19, 20],
    [21, 22, 23, 24, 25]
]

# Usando print()
print("Usando print():", matriz)

# Usando pprint
print("Usando pprint():")
pprint(matriz)
Usando print(): [[1, 2, 3, 4, 5], [6, 7, 8, 9, 10], [11, 12, 13, 14, 15], [16, 17, 18, 19, 20], [21, 22, 23, 24, 25]]
Usando pprint():
[[1, 2, 3, 4, 5],
[6, 7, 8, 9, 10],
[11, 12, 13, 14, 15],
[16, 17, 18, 19, 20],
[21, 22, 23, 24, 25]]

Un ejemplo que vuelve a demostrar como el uso de `pprint()` es más adecuado cundo se tiene datos complejos como una matriz o lista anidada.

Conclusiones

La función print() es una excelente opción para imprimir datos de manera rápida y simple en Python. Pero, cuando se trata de estructuras de datos complejas o de gran tamaño, pprint es una mejor opción ya que proporciona una salida más legible y estructurada. Así, cuando se trabaja con objetos complejos, tanto para depuración como para la salida de una aplicación, es aconsejable usar pprint() para ello. Usando print() para los casos más simples. Siendo este un criterio claro para seleccionar entre print y pprint en Python.

Imagen de Suzy 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

  • 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
  • Analytics Lane lanza su Conversor de Bases Numéricas: entiende cómo trabajan los ordenadores a nivel de bits
  • Analytics Lane lanza su Visualizador de Series Temporales: entiende tendencia, estacionalidad y ruido de forma visual e interactiva
  • Analytics Lane lanza un nuevo Formateador y Tester de Expresiones Regulares para desarrolladores
  • Analytics Lane lanza un Conversor CSV ↔ JSON para transformar datos en tiempo real
  • Analytics Lane lanza la versión 1.1 del laboratorio con nuevas suites de CLV y Scoring
  • Analytics Lane lanza una Calculadora de Rentabilidad con Flujos Irregulares basada en TIR (XIRR)
  • ¡Analytics Lane cumple ocho años!

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

Ley de Benford: cómo detectar datos manipulados con ejemplos reales

mayo 28, 2026 Por Daniel Rodríguez

Subplots en Matplotlib: cómo organizar múltiples gráficos en una sola figura

mayo 26, 2026 Por Daniel Rodríguez

Síndrome del objeto brillante en ciencia de datos: el error simétrico a los costes hundidos

mayo 21, 2026 Por Daniel Rodríguez

Publicidad

Es tendencia

  • ¿Qué es la estadística y por qué todos deberíamos comprenderla? publicado el noviembre 22, 2024 | en Opinión
  • Interpretación de las estadísticas para evaluar el rendimiento de fondos de inversión y ETFs publicado el febrero 21, 2025 | en Ciencia de datos
  • Creación de documentos Word con Python publicado el septiembre 7, 2020 | en Python
  • pandas Pandas: Obtener el nombre de las columnas y filas en Pandas publicado el diciembre 7, 2020 | en Python
  • El método de las aproximaciones sucesivas e implementación en Python publicado el marzo 10, 2023 | en Ciencia de datos

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

4.1 (11)

Aplicar el método D’Hondt en Excel

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