• 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

Agregar un ID en una tabla en SQL Server existente asignando un valor autonumérico

SQL, SQL Server

mayo 22, 2024 Por Daniel Rodríguez Deja un comentario
Tiempo de lectura: 3 minutos

En las tablas de las bases de datos, a menudo nos podemos encontrar con la necesidad de disponer de un ID único para identificar cada de las filas. Si la tabla contiene un ID, todo está bien, pero puede ser que no se hubiese incluido en su diseño. Los ID únicos son necesarios para múltiples aplicaciones, desde mejorar la capacidad de búsqueda hasta la manipulación de datos. En esta entrada, se explicará cómo agregar un ID en una tabla de SQL Server existentes utilizando para ello la función ROW_NUMBER().

Planteamiento del problema

Si se necesita un ID para trabajar con una tabla de una base de datos, lo normal es incluir este en la fase de diseño. Pero no siempre es así. Puede ser que al diseñar la base de datos no fuese necesario este campo o que la tabla sea heredada.

Imaginemos que tenemos la TablaOriginal en una base de datos SQL Server. Esta tabla contiene datos con los que es necesario trabajar, pero no contiene un identificador único para cada una de las filas. Lo que es un obstáculo si se desea actualizar los valores. La solución es agregar un ID, para lo que se puede usar la función ROW_NUMBER().

Solución: Creando un ID autonumérico con ROW_NUMBER()

La función ROW_NUMBER() de SQL Server permite asignar un número de fila único a cada uno de los resultados de una consulta. Siendo especialmente útil para la creación de identificadores únicos. Así, para la creación de un ID único en la tabla TablaOriginal se puede usar la siguiente consulta:

Los récords con asterisco, o la épica del titular sin contexto – El bestiario de los indicadores económicos absurdos (parte 8 y final)
En Analytics Lane
Los récords con asterisco, o la épica del titular sin contexto – El bestiario de los indicadores económicos absurdos (parte 8 y final)

SELECT
    ROW_NUMBER() OVER (ORDER BY columna_orden) AS ID,
    *
INTO TablaConID
FROM TablaOriginal;

En donde:

  • ROW_NUMBER() asigna un número de fila único a cada fila de TablaOriginal.
  • ORDER BY columna_orden especifica el orden en el que se enumeran las filas. Reemplazado columna_orden por la columna que se desea usar para la ordenación.
  • INTO TablaConID crea una nueva tabla llamada TablaConID que contiene el ID autonumérico junto con todas las columnas de TablaOriginal.

Publicidad


Creación de una vista con el ID autonumérico:

Si no se puede, o no se quiere crear una tabla con una copia de los datos originales, también se puede crear una vista para obtener una versión de TablaOriginal con un ID. La forma más sencilla para conseguir esto es ejecutando una consulta como el que se muestra a continuación:

CREATE VIEW VistaConID AS
SELECT
    ROW_NUMBER() OVER (ORDER BY columna_orden) AS ID,
    *
FROM TablaOriginal;

La vista VistaConID es una forma alternativa para acceder los datos de TablaOriginal con un ID autonumérico sin la necesidad de copiar los datos. Aunque, al ser una vista, puede tener algunos problemas de rendimiento respecto a una tabla. Además, se debe tener en cuenta que en la vista los valores de los ID pueden cambiarán cuando se agregan o eliminan datos en TablaOriginal.

Conclusiones

En esta entrada se han visto dos opciones para agregar un ID en una tabla en SQL Server existente. Usando en ambos casos la función ROW_NUMBER(). En primer lugar, se puede crear una nueva tabla con una consulta en la que se agrega esta función, lo que obliga a copiar todos los datos de la tabla original. Si no se desea, o no es posible, copiar los datos, se puede crear una vista con la misma consulta para obtener una versión de la tabla original con un ID autonumérico.

Imagen de bvick390 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

  • Los récords con asterisco, o la épica del titular sin contexto – El bestiario de los indicadores económicos absurdos (parte 8 y final)
  • Por Qué las Contraseñas Largas son más Seguras que las Complejas
  • Segmentación RFM: cómo clasificar tu cartera de clientes antes de calcular el CLV
  • PSI: Cómo Saber Cuándo tu Modelo de Credit Scoring se ha Degradado
  • 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

Publicado en: Herramientas Etiquetado como: SQL, SQL Server

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

Por Qué las Contraseñas Largas son más Seguras que las Complejas

agosto 20, 2026 Por Daniel Rodríguez

Gini, KS y AUC: Cómo Medir la Calidad de un Modelo de Credit Scoring

agosto 18, 2026 Por Daniel Rodríguez

Curiosidad: De dónde vienen foo, bar y foobar

agosto 13, 2026 Por Daniel Rodríguez

Publicidad

Es tendencia

  • Subplots en Matplotlib: cómo organizar múltiples gráficos en una sola figura publicado el mayo 26, 2026 | en Python
  • Cómo calcular el tamaño de la muestra para encuestas publicado el septiembre 9, 2025 | en Ciencia de datos
  • Error de VirtualBox: Kernel Driver Not Installed (rc=-1908) Solucionar problema de VirtualBox: Kernel Driver Not Installed (rc=-1908) publicado el octubre 21, 2022 | en Herramientas
  • Combinar varios archivos Jupyter Notebook en uno publicado el noviembre 21, 2022 | en Python
  • Visualización de árboles de decisión en Python con PyDotPlus publicado el noviembre 9, 2018 | 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