• 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

Truco: Usar separadores de miles en Python para números grandes

Truco

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.

Por Qué las Contraseñas Largas son más Seguras que las Complejas
En Analytics Lane
Por Qué las Contraseñas Largas son más Seguras que las Complejas

Ventajas de usar los separadores de miles en Python

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

  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.

Publicidad


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:

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?

Publicaciones relacionadas

  • Por Qué las Contraseñas Largas son más Seguras que las Complejas
  • Segmentación RFM: cómo clasificar tu cartera de clientes antes de calcular el CLV
  • Champion vs Challenger: Cómo los Bancos Validan Modelos Nuevos antes de Ponerlos en Producción
  • Gini, KS y AUC: Cómo Medir la Calidad de un Modelo de Credit Scoring
  • Errores habituales al trabajar con DataFrames grandes en Pandas (y cómo evitarlos)
  • BG/NBD + Gamma/Gamma: el modelo probabilístico para CLV en compras continuas
  • Curiosidad: De dónde vienen foo, bar y foobar
  • Curiosidad: El “bug”, la polilla y la leyenda de Grace Hopper
  • BG/BB: el modelo de CLV para compras en períodos discretos

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

Curiosidad: El “bug”, la polilla y la leyenda de Grace Hopper

agosto 27, 2026 Por Daniel Rodríguez

BG/BB: el modelo de CLV para compras en períodos discretos

agosto 25, 2026 Por Daniel Rodríguez

Por Qué las Contraseñas Largas son más Seguras que las Complejas

agosto 20, 2026 Por Daniel Rodríguez

Publicidad

Es tendencia

  • Guardar los modelos de Scikit-learn en disco e importarlo en otra sesión publicado el noviembre 22, 2021 | en Python
  • Curiosidad: El “bug”, la polilla y la leyenda de Grace Hopper publicado el agosto 27, 2026 | en Opinión
  • Noticias Identificado paquetes con programas maliciosos en PyPI publicado el noviembre 23, 2021 | en Noticias
  • Gráficos de barras en Matplotlib publicado el julio 5, 2022 | en Python
  • Subplots en Matplotlib: cómo organizar múltiples gráficos en una sola figura publicado el mayo 26, 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 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
  • bif en Cómo desinstalar Oracle Database 19c en Windows
  • M. Pilar en Cómo eliminar las noticias en Windows 11 y recuperar tu concentración

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