• 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

Gestión de los warnings en Python: Controlando el flujo de información

mayo 20, 2024 Por Daniel Rodríguez Deja un comentario
Tiempo de lectura: 4 minutos

Los mensajes de advertencia en Python, a los que se les suele llamar por su nombre en inglés warnings, informa de posibles problemas durante la ejecución del código. Sin interrumpir la ejecución del código como sí hacen los errores. Los warnings son mensajes no críticos que se deben tener en cuenta para mejorar los programas y evitar posibles errores. En esta entrada, se analizará en detalle la gestión de los warnings en Python. Explicando los tipos de mensajes de warning que hay, la forma de ocular (tanto de forma genérica como selectiva), reactivar los mensajes de warning después de ocultarlos y como lanzarlos desde funciones propias.

Tabla de contenidos

  • 1 Por qué son importantes los mensajes de warning
  • 2 Gestión de los warnings en Python
    • 2.1 Ocultar los mensajes de warning
    • 2.2 Filtrar los mensajes de warning de forma selectiva
    • 2.3 Restaurar los mensajes de warning
  • 3 Lanzar mensajes de warning desde funciones propias
  • 4 Conclusiones

Por qué son importantes los mensajes de warning

Antes de analizar la gestión de los mensajes de advertencia o warnings en Python es importante conocer por qué son importantes. Ayudando a mejorar la calidad del código. Básicamente, los mensajes de advertencia sirven para:

  • Detectar posibles problemas: Las advertencias pueden ayudar a identificar situaciones que podrían conducir a errores o resultados inesperados en el código.
  • Mantener la compatibilidad: Las advertencias de depreciación avisan a sobre características que pronto serán eliminadas, o cambiarán su funcionamiento, en futuras versiones, lo que permite actualizar el código para que siga funcionando.
  • Facilitar la depuración: Las advertencias pueden proporcionar pistas útiles durante la depuración, ayudando a identificar rápidamente las partes problemáticas en los códigos.

Gestión de los warnings en Python

Una vez analizado la importancia de los mensajes de warning, se puede ver cómo gestionarlos de manera efectiva en Python.

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

Publicidad


Ocultar los mensajes de warning

En algunas ocasiones, especialmente cuando se trabaja con bibliotecas de terceros que generan advertencias innecesarias o molestas, una solución al problema es ocultar los mensajes de warning. Para hacer esto, se debe usar la función warnings.filterwarnings() con el argumento "ignore". Lo que se muestra en el siguiente ejemplo de código.

import warnings

# Ocultar todas las advertencias
warnings.filterwarnings("ignore")

Una vez ejecutada esta línea de código, se dejará de mostrar cualquier advertencia en la sesión o programa. Haciendo que el usuario no los vea. Algo que puede ser útil, especialmente para evitar que un usuario sin conocimientos técnicos los confunda con errores. Sin embargo, ocultar los mensajes de warning puede hacer que no se muestre información importante sobre posibles problemas en el código. Generalmente es una mejor opción filtrar los mensajes de una forma selectiva, ocultando solamente aquellos que no son necesarios.

Filtrar los mensajes de warning de forma selectiva

En lugar de ocultar todas las advertencias, a veces es mejor filtrarlas selectivamente para mostrar solo las que son relevantes. Lo que se puede pasar como segundo parámetro de la función warnings.filterwarnings() el tiempo de mensaje que se desea ocultar.

import warnings

# Ocultar advertencias específicas
warnings.filterwarnings("ignore", category=DeprecationWarning)

En este ejemplo, únicamente se dejarán de mostrar las advertencias de depreciación. El resto de mensajes de warning se seguirán mostrando cuando sea necesario. Lo que permite enfocar el proceso de depuración en las advertencias específicas que son relevantes.

En Python, existen varias categorías de advertencias que se pueden usar para filtrarlas de forma selectiva. Las categorías más comunes de mensajes de warning son:

  • DeprecationWarning: Se emite cuando se utiliza una característica obsoleta que pronto será eliminada.
  • SyntaxWarning: Se emite cuando hay algún problema de sintaxis que podría llevar a un comportamiento inesperado.
  • RuntimeWarning: Se emite cuando se detecta un problema que no necesariamente causa un error, pero podría indicar un problema en tiempo de ejecución.
  • FutureWarning: Se emite cuando se utiliza una característica que se comportará de manera diferente en versiones futuras de Python.
  • UserWarning: Se utiliza cuando se desea emitir una advertencia personalizada desde el propio código del usuario.

Restaurar los mensajes de warning

Después de haber ocultado advertencias, es posible que se desee restaurar estas. Por ejemplo, una vez finalizado una parte del programa donde se generan demasiadas advertencias innecesarias. Para restablecer la configuración de advertencias a su estado predeterminado solamente se debe llamar a la función warnings.resetwarnings(), tal como se muestra a continuación.

import warnings

# Restaurar todas las advertencias
warnings.resetwarnings()

Publicidad


Lanzar mensajes de warning desde funciones propias

Los mensajes de warning no solamente los pueden lanzar Python y las librerías de terceros, sino que también se puede incluir en funciones propias. Una opción para informar a los usuarios de posibles problemas. Al igual que para la gestión de advertencias se debe importar warnings y usar la función warnings.warn() con el mensaje de warning como primer parámetro y la advertencia como segundo. Un ejemplo se puede ver en la siguiente función donde se lanza un mensaje cuando se le pasa en el parámetro el valor 42.

import warnings

def mi_funcion(algo):
    if algo == 42:
        warnings.warn("¡Cuidado! El valor es 42.", DeprecationWarning)

En este ejemplo, la función mi_funcion() lanzará una advertencia de depreciación si el argumento es igual a 42. Una advertencia graciosa con la que se puede ver claramente el proceso para lanzar estos mensajes.

Conclusiones

En esta entrada, se ha explorado en detalle cómo gestionar los mensajes de warning o advertencias en Python. Empezando por cómo ocultar advertencias, hasta lanzarlas de manera controlada desde el código propio. Recordemos siempre la importancia de las advertencias como herramienta para mejorar la calidad del código y la experiencia de desarrollo en Python. Por lo que no es recomendable ocultarlas como solución, sino gestionarlas para que el código sea funcional y fiable.

Imagen de 8ocho8 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

  • Copiar y pegar Activar copiar y pegar en VirtualBox publicado el mayo 1, 2019 | en Herramientas
  • Gráficos de barras en Matplotlib publicado el julio 5, 2022 | en Python
  • Diferencia entre población y muestra: La clave para entender la estadística sin complicaciones publicado el febrero 7, 2025 | en Ciencia de datos, Opinión
  • Libros sobre Julia (20ª parte – ¡Hola Julia!) publicado el septiembre 17, 2020 | en Julia, Reseñas
  • Visualización de matrices en Seaborn: Mapas de calor y dendrogramas publicado el agosto 8, 2023 | 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

4.1 (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