• 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
    • Encuestas: Tamaño de Muestra
    • Lotería: Probabilidad de Ganar
    • Reparto de Escaños (D’Hondt)
    • Tres en Raya con IA
  • Noticias
  • Boletín
  • Contacto
  • Tienda
    • Libros
    • Equipamiento de oficina
    • Equipamiento en movilidad
    • Tiendas afiliadas
      • AliExpress
      • Amazon
      • Banggood
      • GeekBuying
      • Lenovo

Analytics Lane

Ciencia e ingeniería de datos aplicada

  • Ciencia de datos
  • Machine Learning
  • IA Generativa
  • Python
  • Pandas
  • NumPy
  • R
  • Excel

Truco: Usar separadores de miles en Python para números grandes

febrero 24, 2025 Por Daniel Rodríguez Deja un comentario
Tiempo de lectura: 2 minutos

En Python, trabajar con números grandes puede ser un reto en términos de legibilidad. Al lidiar con cifras que superan los miles, resulta difícil identificar a simple vista si el valor es de cientos de miles, millones o decenas de millones. Un problema que puede complicar la revisión del código y aumenta el riesgo de errores.

Afortunadamente, Python ofrece una solución elegante y efectiva: el uso de separadores de miles en los números literales. Introducida en Python 3.6, esta característica mejora la claridad del código y reduce los errores al trabajar con datos extensos. En esta entrada, exploraremos cómo usar los separadores de miles en Python y cómo puede beneficiar a tus proyectos.

Tabla de contenidos

  • 1 ¿Cómo usar los separadores de miles en Python?
    • 1.1 Ventajas de usar los separadores de miles en Python
  • 2 Ejemplos de uso de separadores de miles en Python
    • 2.1 1. Números enteros:
    • 2.2 2. Números reales:
    • 2.3 3. Números binarios, hexadecimales y octales:
  • 3 Conclusiones

¿Cómo usar los separadores de miles en Python?

En Python, puedes utilizar el carácter de subrayado (_) como separador dentro de los números literales. Esto no afecta al valor del número, pero mejora notablemente su legibilidad. Por ejemplo:

# Sin separadores
umero = 10000000

# Con separadores de miles
numero_legible = 10_000_000

Ambos valores son equivalentes, pero el segundo es mucho más fácil de interpretar. En el primer caso, puedes tardar más en contar los ceros para verificar que hay 7, mientras que en el segundo, es evidente que el valor es 10 millones.

Publicidad


Ventajas de usar los separadores de miles en Python

Utilizar esta característica del lenguaje al trabajar con números grandes ofrece varias ventajas:

Faker en Python: qué es, para qué sirve y cómo generar datos sintéticos realistas
En Analytics Lane
Faker en Python: qué es, para qué sirve y cómo generar datos sintéticos realistas

  1. Mejora la legibilidad: Leer y entender números grandes se vuelve más rápido y sencillo, reduciendo errores.
  2. Compatibilidad total: Los separadores de miles no afectan las operaciones matemáticas ni el valor del número.
  3. Versatilidad: Funcionan con distintos tipos de datos numéricos, incluidos enteros, reales, binarios, hexadecimales y octales.

Ejemplos de uso de separadores de miles en Python

Esta carterista es fácil de utilizar y es útil prácticamente para cualquier numero literal que sea largo, por lo que se puede usar en distintos contextos:

Publicidad


1. Números enteros:

numero_grande = 1_000_000
print(numero_grande)  # Imprime: 1000000

2. Números reales:

pi = 3.141_592_653
print(pi)  # Imprime: 3.141592653

Publicidad


3. Números binarios, hexadecimales y octales:

binario = 0b1010_1111
hexadecimal = 0xFF_FF
octal = 0o12_34

print(binario)       # Imprime: 175
print(hexadecimal)   # Imprime: 65535
print(octal)         # Imprime: 668

Conclusiones

El uso de separadores de miles en Python es un pequeño cambio que genera una gran diferencia. Esta característica te permite escribir código más claro, profesional y legible, facilitando la comprensión y reduciendo errores al trabajar con números grandes. ¡Si aún no usas esta funcionalidad, este es el momento de incorporarla en tus proyectos!

Imagen de Theodor Moise 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?

Publicidad


Publicaciones relacionadas

  • Faker en Python: qué es, para qué sirve y cómo generar datos sintéticos realistas
  • Probabilidades y tests: por qué un resultado positivo no significa lo que crees
  • JSON en bases de datos: cuándo es buena idea y cuándo no
  • Roles en ciencia de datos: Guía completa de perfiles técnicos
  • Exactitud, precisión, recall… qué mide realmente cada métrica (y qué no)
  • Hardening de SSH en Rocky Linux 9: cómo desactivar KEX débiles y reforzar la seguridad
  • Nueva herramienta en Analytics Lane: generador de contraseñas seguras y frases de contraseña
  • Hardening de NGINX en 2026: configuración segura básica paso a paso

Publicado en: Python Etiquetado como: Truco

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

Hardening de NGINX en 2026: configuración segura básica paso a paso

marzo 12, 2026 Por Daniel Rodríguez

Nueva herramienta en Analytics Lane: generador de contraseñas seguras y frases de contraseña

marzo 10, 2026 Por Daniel Rodríguez

Hardening de SSH en Rocky Linux 9: cómo desactivar KEX débiles y reforzar la seguridad

marzo 5, 2026 Por Daniel Rodríguez

Publicidad

Es tendencia

  • Curiosidad: El origen del análisis exploratorio de datos y el papel de John Tukey publicado el septiembre 4, 2025 | en Ciencia de datos, Opinión
  • Cómo solucionar problemas de red en VirtualBox: Guía completa publicado el junio 11, 2025 | en Herramientas
  • Cómo calcular el tamaño de la muestra para encuestas publicado el septiembre 9, 2025 | en Ciencia de datos
  • Cómo instalar paquetes en Jupyter Notebook de forma eficiente: Guía completa con ejemplo publicado el febrero 3, 2025 | en Python
  • Gráfica con los datos y las anomalías detectadas con OneClass SVM One-Class SVM: Detección de anomalías con máquinas de vector soporte publicado el marzo 15, 2024 | 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

4.5 (10)

Diferencias entre var y let en JavaScript

Publicidad

Comentarios recientes

  • 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
  • CARLOS ARETURO BELLO CACERES en Justicio: La herramienta gratuita de IA para consultas legales
  • Piera en Ecuaciones multilínea en Markdown

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