• 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
      • Descenso de gradiente
      • Visualizador de PCA
      • Visualizador de Series Temporales
      • Simulador de Regresión Logística
      • Matriz de confusión e informe de clasificación
      • Visualizador de fronteras de decisión
      • Simulador de K-Means
      • Número Óptimo de Clusters
      • Simulador de DBSCAN
      • Detector de la Ley de Benford
      • Ajuste de Curvas
      • Calculadora de Matrices
    • Probabilidad
      • Calculadora de Probabilidad de Distribuciones
      • Problema del cumpleaños
      • Calculadora de Probabilidades de Lotería
      • Simulador del Problema de Monty Hall
      • La aguja de Buffon
      • Simulador de la Estrategia Martingala
      • Simulador de Cadenas de Markov
    • Finanzas
      • Calculadora de Préstamos e Hipotecas
      • Conversor TIN ↔ TAE
      • Calculadora DCA con ajuste por inflación
      • Comparador de tarifas de luz 2.0TD
      • Calculadora XIRR con Flujos Irregulares
      • Simulador FIRE (Financial Independence, Retire Early)
      • Frontera Eficiente
    • Negocios
      • CLV
      • Scoring
    • Herramientas
      • Formateador / Minificador de JSON
      • Conversor CSV ↔ JSON
      • Consultar CSV con SQL en el navegador
      • Extractor de tickets (OCR)
      • Comparador y Formateador de Texto y JSON
      • Formateador y Tester de Expresiones Regulares
      • Inspector de JWT
      • Generador y verificador de hashes
      • Calculadora HMAC
      • Codificador / Decodificador Base64 y URL
      • Conversor de bases numericas
      • Conversor de Timestamp Unix
      • Conversor de colores
      • Generador de UUIDs
      • Editor de expresiones cron
      • Conversor de unidades
    • 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 usar SQLite3 con Pandas

Pandas

junio 3, 2024 Por Daniel Rodríguez Deja un comentario
Tiempo de lectura: 5 minutos

SQLite es una base de datos ligera y fácil de usar que no requiere la configuración de un servidor para su funcionamiento. En lugar de ello, almacena las bases de datos en archivos individuales, lo que la convierte en una herramienta extremadamente flexible y portátil. Lo que la convierte en una solución ideal para aplicaciones pequeñas, desarrollo y pruebas. La integración con SQLite con Python es nativa a través del módulo sqlite3 incluido por defecto en las instalaciones. Por lo que no es necesario ninguna instalación adicional para empezar a trabajar con bases de datos SQLite en Python. Así, combinar SQLite3 con Pandas es una opción que permite gestionar y analizar datos de forma eficiente y sencilla. En esta publicación, se explicará cómo conectar Pandas con una base de datos SQLite, cómo guardar e importar datos y cómo realizar consultas condicionales y actualizaciones.

Tabla de contenidos

  • 1. ¿Por qué usar SQLite3 con Pandas?
  • 2. Conectando a una base de datos SQLite
  • 3. Guardar datos en una tabla
  • 4. Importar datos de una tabla
  • 5. Importar datos de forma condicional
  • 6. Actualizar valores en la base de datos
  • 7. Cerrar la conexión con la base de datos SQLite
  • 8. Conclusión

¿Por qué usar SQLite3 con Pandas?

Cuando se necesita una base de datos en pequeños proyectos, escoger la combinación de SQLite3 con Pandas es una opción que aporta varias ventajas:

  • Simplicidad: SQLite es un sistema de gestión de bases de datos ligero y sin servidor, lo que lo hace ideal para proyectos pequeños y medianos.
  • Facilidad de Uso: Pandas proporciona una interfaz fácil de usar para trabajar con datos tabulares, y su integración con SQLite permite un manejo de datos eficiente.
  • Portabilidad: Los archivos de base de datos SQLite son portátiles y pueden ser compartidos fácilmente.
  • Rendimiento: Para operaciones de lectura y escritura ligeras, SQLite ofrece un rendimiento adecuado.

Esto es así siempre que no sea necesario trabajar con bases de datos muy grandes (más de 2 GB), en estos casos posiblemente sea necesario usar sistemas más robustos como PostgreSQL, MySQL o SQL Server.

Shallow copy vs Deep copy en Python: la mutación inesperada
En Analytics Lane
Shallow copy vs Deep copy en Python: la mutación inesperada

Conectando a una base de datos SQLite

Para empezar a trabajar con SQLite en Pandas lo primero es importar la librerías necesarias (sqlite3 y pandas) y realizar la conexión a una base de datos. Para ello solo se tiene que llamar a la función sqlite3.connect() indicando como parámetro la ruta al archivo. Si la base de datos no existe, se creará automáticamente.

import sqlite3
import pandas as pd

# Conectar a la base de datos
conn = sqlite3.connect('base_de_datos.sqlite')

En este ejemplo, se crea una base de datos en un archivo llamado base_de_datos.sqlite en la misma ruta que donde se ejecuta el script de Python.

Guardar datos en una tabla

Ahora que se ha iniciado la conexión con la base de datos, se puede guardar cualquier DataFrame en una tabla de esta base de datos. Para eso se debe usar el método to_sql() que existe en todos los objetos DataFrame de Pandas. A continuación, se muestra como guardar los datos de unos clientes en una tabla clientes de la base de datos.

# Crear un DataFrame de ejemplo
data = {
    'nombre': ['Juan', 'Ana', 'Luis'],
    'edad': [28, 24, 30],
    'gasto': [200, 150, 300]
}
df = pd.DataFrame(data)

# Escribir el DataFrame en la base de datos
df.to_sql('clientes', conn, if_exists='replace', index=False)

El método to_sql() requiere como primer parámetro la tabla de la base de datos en la que se desean insertar los datos y como segundo la conexión. Además, se esto se han modificado el valor de dos parámetros opcionales:

  • if_exists: Indica qué hacer si la tabla ya existe en la base de datos, las posibles opciones son:
    • 'fail': Lanza un error (por defecto).
    • 'replace': Elimina la tabla existente y crea una nueva.
    • 'append': Añade los datos del DataFrame a la tabla existente.
  • index: Si True (por defecto), escribe los índices del DataFrame como una columna en la tabla. Mientras que si el valor es False, no escribe los índices.

Importar datos de una tabla

Ahora, una vez guardados los datos en una tabla, se pueden importar estos desde la base de datos. Para esto se debe usar el método read_sql_query() indicando la consulta y la conexión a la base de datos. Lo que se muestra en el siguiente ejemplo.

# Leer los datos de la tabla 'clientes' en un DataFrame
df_clientes = pd.read_sql_query("SELECT * FROM clientes", conn)
print(df_clientes)
  nombre  edad  gasto
0 Juan 28 200
1 Ana 24 150
2 Luis 30 300

Obteniendo como resultado un DataFrame con los datos de la consulta que se ha realizado.

Importar datos de forma condicional

En ciertas ocasiones, solamente es necesario importar los datos que cumplen ciertas condiciones. Aunque esto se puede resolver fácilmente en Pandas con filtros, se puede evitar que se importen más datos de lo necesario. Por ejemplo, si se desea obtener solamente los clientes con un gasto mayor a 200 se puede hacer como se muestra a continuación.

# Leer solo los datos donde el gasto es mayor a 200
df_gastos_altos = pd.read_sql_query("SELECT * FROM clientes WHERE gasto > ?", conn, params=(200,))
print(df_gastos_altos)
  nombre  edad  gasto
0 Luis 30 300

Aunque se podría haber escrito directamente la consulta "SELECT * FROM clientes WHERE gasto > 200”, en este caso se ha usado ? como marcador de posición y los datos se han pasado mediante el parámetro params para evitar una posible inyección SQL. Una buena práctica especialmente cuando los parámetros de la consulta los introduce el usuario.

Actualizar valores en la base de datos

Si es necesario actualizar datos se puede recurrir al método execute de la conexión SQLite para ello. Por ejemplo, si se desea aumentar el gasto de todos los clientes en 50 unidades se puede usar.

# Actualizar los datos directamente en la base de datos
conn.execute("UPDATE clientes SET gasto = gasto + 50")
conn.commit()

# Verificar la actualización
df_actualizado = pd.read_sql_query("SELECT * FROM clientes", conn)
print(df_actualizado)
  nombre  edad  gasto
0 Juan 28 250
1 Ana 24 200
2 Luis 30 350

Cerrar la conexión con la base de datos SQLite

Finalmente, siempre es una buena práctica cerrar la conexión a la base de datos cuando se termina de trabajar con ella. Algo que se hace mediante el método close() de la conexión.

# Cerrar la conexión
conn.close()

Conclusión

Integrar SQLite3 con Pandas en Python es una opción a tener en cuenta cuando se necesita una base de datos pequeña para manejar y analizar datos. Especialmente si la base de datos está por debajo del gigabyte de tamaño. En esta entrada, se ha visto cómo conectar a una base de datos SQLite, guardar e importar datos, realizar consultas condicionales y actualizar registros. Lo que permite comenzar a trabajar con combinación de herramientas.

Imagen de Gerd Altmann en Pixabay

¿Te ha parecido de utilidad el contenido?

¡Puntúalo entre una y cinco estrellas!

Puntuación promedio 5 / 5. Votos emitidos: 3

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

  • Shallow copy vs Deep copy en Python: la mutación inesperada
  • Cómo Proyectar Cuándo Alcanzarás la Independencia Financiera
  • Analytics Lane lanza la versión 1.5 del laboratorio con un extractor de tickets por OCR y consultas SQL sobre CSV en el navegador
  • Cómo Saber si una Diferencia Significativa es Importante
  • Curiosidad: “Wi-Fi” no significa “Wireless Fidelity”
  • Cómo Explorar un Dataset antes de Modelar
  • Cómo Elegir el Test de Hipótesis Correcto para tus Datos
  • Tuplas vs Listas en Python: parecen lo mismo, pero no
  • == vs is en Python: la diferencia que causa bugs misteriosos

Publicidad

Publicado en: Python Etiquetado como: 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 1.5 del laboratorio con un extractor de tickets por OCR y consultas SQL sobre CSV en el navegador

noviembre 18, 2026 Por Daniel Rodríguez

Cómo Explorar un Dataset antes de Modelar

noviembre 17, 2026 Por Daniel Rodríguez

Curiosidad: “Wi-Fi” no significa “Wireless Fidelity”

noviembre 12, 2026 Por Daniel Rodríguez

Publicidad

Es tendencia

  • Cómo Explorar un Dataset antes de Modelar publicado el noviembre 17, 2026 | en Ciencia de datos
  • Gráficos de barras en Matplotlib publicado el julio 5, 2022 | en Python
  • Operaciones de filtrado de DataFrame con Pandas en base a los valores de las columnas publicado el mayo 10, 2019 | 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
  • La tabla de la web finalmente importada en Excel Importar tablas desde la web en Excel publicado el octubre 21, 2020 | 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

  • Daniel Rodríguez en Curiosidad: La Paradoja de Simpson, o por qué no siempre debes fiarte de los promedios
  • Hatepi en Curiosidad: La Paradoja de Simpson, o por qué no siempre debes fiarte de los promedios
  • 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

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