• 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

¿Cómo puedo encontrar el índice de un elemento dado en una lista en Python?

mayo 19, 2025 Por Daniel Rodríguez Deja un comentario
Tiempo de lectura: 7 minutos

Encontrar el índice de un elemento en una lista es una de las operaciones más comunes cuando trabajamos con estructuras de datos en Python. Aunque puede parecer algo trivial, detrás de esta tarea se esconden múltiples detalles que pueden ser fundamentales para escribir código eficiente, claro y robusto.

En esta entrada, te explicaremos en detalle cómo puedes encontrar el índice de un elemento dado en una lista en Python. Comenzaré con los conceptos más básicos para llegar a las opciones más avanzadas de resolver este problema. También abordaremos aspectos como el manejo de errores, listas con elementos repetidos, búsqueda condicional, y alternativas si trabajamos con tipos de datos más complejos como listas de diccionarios o listas de listas. Al final, incluiremos una sección de buenas prácticas.

Tabla de contenidos

  • 1 El poder de las listas en Python
  • 2 La forma más simple: el método .index()
    • 2.1 ¿Qué ocurre si el elemento no está en la lista?
    • 2.2 Índices con elementos repetidos
  • 3 Búsqueda manual con for y enumerate()
    • 3.1 Usando un bucle simple
    • 3.2 Usando enumerate()
      • 3.2.1 Comparar el tiempo de ejecución entre for y enumerate
  • 4 Búsqueda condicional y personalizada
  • 5 Listas de listas, diccionarios y objetos
    • 5.1 Listas de listas
    • 5.2 Listas de diccionarios
  • 6 Alternativas avanzadas: NumPy y pandas
    • 6.1 NumPy
    • 6.2 Pandas
  • 7 Buenas prácticas
  • 8 Conclusiones

El poder de las listas en Python

Las listas son una de las estructuras de datos más utilizadas en Python. Se definen con corchetes [] y pueden contener elementos heterogéneos: enteros, cadenas, listas, objetos, etc. Las listas permiten almacenar secuencias ordenadas de elementos, y ofrecen una amplia variedad de métodos para su manipulación.

Uno de los métodos más usados es index(), que sirve precisamente para encontrar la posición (índice) de un elemento dado. Al ser un método estándar de las listas, indica que este problema es algo bastante habitual:

La caverna del consumo, o cómo Greenspan miraba calzoncillos para hacer política monetaria – El bestiario de los indicadores económicos absurdos (parte 1)
En Analytics Lane
La caverna del consumo, o cómo Greenspan miraba calzoncillos para hacer política monetaria – El bestiario de los indicadores económicos absurdos (parte 1)

  • En muchos algoritmos, necesitas saber dónde está un elemento para modificarlo.
  • Es útil en validaciones, búsquedas, ordenamientos personalizados y más.

Una vez visto esto, pasemos a ver cómo podemos abordar este problema.

La forma más simple: el método .index()

La manera más directa de encontrar el índice de un elemento en una lista en Python es utilizando el método .index().

mi_lista = ['manzana', 'naranja', 'plátano']

indice = mi_lista.index('naranja')

print(indice)
1

Este método devuelve el índice de la primera aparición del elemento buscado.

Publicidad


¿Qué ocurre si el elemento no está en la lista?

Si el elemento no está presente, se lanza una excepción ValueError.

mi_lista = ['manzana', 'naranja', 'plátano']

indice = mi_lista.index('naranja')

print(indice)
ValueError                                Traceback (most recent call last)
Cell In[2], line 1
----> 1 indice = mi_lista.index('pera')

ValueError: 'pera' is not in list

Por esta razón, es recomendable usar un bloque try-except a la hora de buscar en una lista:

try:
    indice = mi_lista.index('pera')
except ValueError:
    print("Elemento no encontrado.")
Elemento no encontrado.

Índices con elementos repetidos

El otro caso en el que se puede tener problemas es cuando el elemento a buscar aparece más de una vez en la lista. El método .index() únicamente devuelve la primera coincidencia que encuentra:

numeros = [4, 2, 7, 2, 5]

indice = numeros.index(2)

print(indice)
1

Si deseas obtener todos los índices donde aparece un valor, necesitas una técnica diferente. No existe una forma de conseguir esto con el método index(). En las siguientes secciones se mostrará cómo obtener todas las ocurrencias.

Búsqueda manual con for y enumerate()

Aunque index() es un método útil cuando solo se necesita obtener la primera ocurrencia de un valor, es conveniente saber cómo hacer una búsqueda manual. Esto ofrece mayor control y flexibilidad.

Publicidad


Usando un bucle simple

El método más sencillo es usar un bucle for que recorra la lista y agregar las ocurrencias a la lista. Para ello se puede definir una función como la que se muestra a continuación:

def encontrar_indice(lista, objetivo):
    resultado = []
    
    for i in range(len(lista)):
        if lista[i] == objetivo:
            resultado.append(i)
            
    return resultado

encontrar_indice(numeros, 2)
[1, 3]

Lo que devuelve una lista con los índices de todas las ocurrencias del elemento objetivo.

Además, a diferencia del método index(), es una función que no falla en caso de que no exista el elemento en la lista, en este caso devuelve una lista vacía.

encontrar_indice(numeros, 22)
[]

Usando enumerate()

Una opción más elegante es enumerate(). Este método evita acceder a la lista con índices directamente.

def encontrar_indice_enumerate(lista, objetivo):
    resultado = []
    
    for i, elemento in enumerate(lista):
        if elemento == objetivo:
            resultado.append(i)
            
    return resultado

encontrar_indice_enumerate(numeros, 2)
[1, 3]

Una función que produce los mismos resultados que la anterior. Incluso, esta función se puede simplificar usando lista por comprensión, lo que hace un código más sencillo:

def encontrar_indice_enumerate(lista, objetivo):
    return [i for i, x in enumerate(lista) if x == objetivo]

Por lo que usar una u otra es una opción personal, ya que no existe una diferencia significativa en cuanto a tiempo de ejecución.

Comparar el tiempo de ejecución entre for y enumerate

El hecho de que no existe una diferencia significativa en cuanto al tiempo de ejecución se puede ver con el siguiente código. Pudiéndose comprobar que el tiempo es similar en ambos casos.

import time
import random

# Crear una lista de 10,000,000 números aleatorios entre 0 y 100
lista_aleatoria = random.choices(range(101), k=10_000_000)

# Medir el tiempo de ejecución para el bucle for
tic = time.process_time()
encontrar_indice(lista_aleatoria, 22)
tiempo_for = time.process_time() - tic

# Medir el tiempo de ejecución para la función con enumerate
tic = time.process_time()
encontrar_indice_enumerate(lista_aleatoria, 22)
tiempo_enumerate = time.process_time() - tic

# Imprimir los resultados
print(f"Tiempo usando for: {tiempo_for:.6f} segundos")
print(f"Tiempo usando enumerate: {tiempo_enumerate:.6f} segundos")
Tiempo usando for: 0.219064 segundos
Tiempo usando enumerate: 0.234950 segundos

Búsqueda condicional y personalizada

A veces no buscas un valor específico, sino un valor que cumpla cierta condición, por ejemplo: “el primer número par”, “el primer string que empieza con ‘A’”, etc. Esto se puede solucionar pasando en lugar del valor una función de comparación.

def indice_por_condicion(lista, condicion):
    for i, x in enumerate(lista):
        if condicion(x):
            return I

    return -1

Por ejemplo, para encontrar el primer valor par:

lista = [3, 7, 8, 9, 11]

indice = indice_por_condicion(lista, lambda x: x % 2 == 0)

print(indice)
2

Esto es extremadamente útil cuando trabajas con listas heterogéneas o es necesario realizar filtrados complejos.

Publicidad


Listas de listas, diccionarios y objetos

En estructuras más complejas, como listas de listas o listas de diccionarios, definir qué se considera “el elemento buscado” es algo que se debe hacer en muchos casos.

Listas de listas

En una lista de listas se puede buscar un valor

datos = [[1, 2], [3, 4], [5, 6]]

indice = datos.index([3, 4])

print(indice) 
1

Pero puede que lo que se desea buscar sea algo más complejo. Por ejemplo, si lo que quieres es encontrar una lista que contenga el número 4:

for i, sublista in enumerate(datos):
    if 4 in sublista:
        print(i)
        break
1

Listas de diccionarios

En las listas de diccionarios la búsqueda es más compleja, ya que se debe buscar para una o varias claves.

usuarios = [
    {'id': 1, 'nombre': 'Ana'},
    {'id': 2, 'nombre': 'Luis'},
    {'id': 3, 'nombre': 'Sofía'},
]

def encontrar_indice_por_nombre(lista, nombre):
    for i, usuario in enumerate(lista):
        if usuario['nombre'] == nombre:
            return i
    return -1

print(encontrar_indice_por_nombre(usuarios, 'Luis'))
1

Publicidad


Alternativas avanzadas: NumPy y pandas

Si trabajas con grandes cantidades de datos, puede ser más eficiente usar librerías como NumPy o pandas.

NumPy

En NunPy, existe la función np.where() que devuelve la posición de los valores que son verdaderos. Algo que se puede aprovechar para obtener la posición de los valores que cumplen una condición.

import numpy as np

a = np.array([10, 20, 30, 20, 40])
indices = np.where(a == 20)[0]

print(indices)
[1 3]

Pandas

Por otro lado, en Pandas se puede recurrir a la propiedad index de los objetos Series para obtener los índices una vez filtrada la serie. Un proceso que también es fácil de implementar.

import pandas as pd

serie = pd.Series([5, 10, 15, 10])
indices = serie[serie == 10].index.tolist()

print(indices)
[1 3]

Estas herramientas son ideales cuando trabajas con datos tabulares o grandes volúmenes.

Publicidad


Buenas prácticas

Al utilizar los métodos descritos anteriormente para encontrar la posición de un elemento en una lista, es recomendable seguir estas buenas prácticas para garantizar un código más robusto, legible y eficiente:

  • Verifica si el elemento existe antes de usar .index(). Esto evita errores como excepciones inesperadas cuando el elemento no está presente en la lista. Puedes comprobar su existencia previamente o manejar la excepción de forma controlada.
  • Utiliza enumerate() en lugar de range(len(lista)). enumerate() mejora la legibilidad del código al permitir acceder simultáneamente al índice y al valor del elemento, reduciendo errores y haciendo el bucle más claro.
  • Prefiere comprensiones de lista para obtener múltiples índices. Cuando necesitas localizar todas las posiciones de un elemento en una lista, las comprensiones son una forma concisa, eficiente y fácil de mantener.
  • Establece condiciones de búsqueda claras al trabajar con estructuras complejas. Si la lista contiene objetos, tuplas o diccionarios, define con claridad los criterios de comparación para evitar ambigüedades y facilitar el mantenimiento del código.
  • Considera el uso de librerías como NumPy o pandas en listas muy grandes. Estas herramientas ofrecen operaciones vectorizadas que son mucho más eficientes que las listas nativas de Python, especialmente cuando se trabaja con grandes volúmenes de datos o se requieren búsquedas repetitivas.

Conclusiones

Encontrar el índice de un elemento en una lista puede parecer una operación sencilla, pero hemos visto que hay múltiples enfoques dependiendo del contexto. Desde el uso del método .index() para búsquedas simples, hasta técnicas avanzadas con estructuras de datos complejas o grandes volúmenes de datos.

La clave está en elegir el método más adecuado a cada situación. Ya sea que busques la primera ocurrencia, todas las posiciones de un valor repetido, o una coincidencia basada en una condición personalizada, Python ofrece varias herramientas para lograrlo.

Nota: La imagen de este artículo fue generada utilizando un modelo de inteligencia artificial.

¿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

  • La caverna del consumo, o cómo Greenspan miraba calzoncillos para hacer política monetaria – El bestiario de los indicadores económicos absurdos (parte 1)
  • La vanidad del paisaje, o por qué un becario sale a contar grúas a Manhattan – El bestiario de los indicadores económicos absurdos (parte 2)
  • Analytics Lane lanza la versión 1.1 del laboratorio con nuevas suites de CLV y Scoring
  • Cómo comparar tendencias con gráficos de líneas en Matplotlib: guía práctica paso a paso
  • Analytics Lane lanza la versión 1.2 del laboratorio con nuevas herramientas de ajuste de curvas y cálculo matricial
  • Subplots en Matplotlib: cómo organizar múltiples gráficos en una sola figura
  • Ley de Benford: cómo detectar datos manipulados con ejemplos reales
  • Síndrome del objeto brillante en ciencia de datos: el error simétrico a los costes hundidos
  • De la Regresión Logística al Scorecard: La Transformación Matemática

Publicado en: Python Etiquetado como: NumPy, 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 1.2 del laboratorio con nuevas herramientas de ajuste de curvas y cálculo matricial

junio 12, 2026 Por Daniel Rodríguez

La vanidad del paisaje, o por qué un becario sale a contar grúas a Manhattan – El bestiario de los indicadores económicos absurdos (parte 2)

junio 11, 2026 Por Daniel Rodríguez

Cómo comparar tendencias con gráficos de líneas en Matplotlib: guía práctica paso a paso

junio 9, 2026 Por Daniel Rodríguez

Publicidad

Es tendencia

  • Método del codo (Elbow method) para seleccionar el número óptimo de clústeres en K-means publicado el junio 9, 2023 | en Ciencia de datos
  • Número óptimo de clústeres con Silhouette e implementación en Python publicado el junio 23, 2023 | en Ciencia de datos
  • Creación de gráficos de barras y gráficos de columnas con Seaborn publicado el julio 18, 2023 | en Python
  • Hoja de cálculo para repartir los escaños en base al método D’Hont Aplicar el método D’Hondt en Excel publicado el abril 14, 2021 | en Herramientas
  • Guía definitiva para trabajar con JSON en SQL Server publicado el noviembre 18, 2025 | 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

4.1 (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