• 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

Tuplas vs Listas en Python: parecen lo mismo, pero no

octubre 20, 2026 Por Daniel Rodríguez Deja un comentario
Tiempo de lectura: 7 minutos

A primera vista, tuplas y listas son casi idénticas. Ambas guardan colecciones ordenadas de elementos. La única diferencia visual es que una usa [] y otra ().

# Lista
mi_lista = [1, 2, 3]

# Tupla
mi_tupla = (1, 2, 3)

Pero esa pequeña diferencia de sintaxis esconde una diferencia conceptual enorme. Y elegir la equivocada te costará horas de debugging, o peor, escribirás código que parece funcionar pero se rompe de formas inesperadas.

La diferencia clave: las listas son mutables, las tuplas no. Eso significa que con las tuplas se pueden hacer cosas que con las listas es posible. Y viceversa.

En esta entrada vamos a ver:

  • Por qué tuplas y listas son distintas (aunque parezcan iguales).
  • Qué puedes hacer con tuplas que no puedes con listas.
  • Cuándo es cada una la opción correcta.
  • Cómo te ahorran problemas.

Tabla de contenidos

  • 1. Un ejemplo que lo muestra todo
  • 2. Las 4 diferencias fundamentales entre Tuplas y Listas
    • 2.1. Mutabilidad: ¿puedes cambiar los elementos?
    • 2.2. Claves de diccionarios: ¿puedes usarlas?
    • 2.3. Rendimiento: ¿cuál es más rápida?
    • 2.4. Lo que puedes meter dentro
  • 3. Tabla resumen rápida
  • 4. Cuándo usar cada una
  • 5. Ejemplos prácticos
    • 5.1. Ejemplo 1: Retornar múltiples valores
    • 5.2. Ejemplo 2: Cachear resultados costosos
    • 5.3. Ejemplo 3: Diccionario con claves compuestas
    • 5.4. Ejemplo 4: Proteger datos contra cambios
    • 5.5. Ejemplo 5: Desempaquetar (muy pythónico)
  • 6. La trampa: tuplas dentro de tuplas
  • 7. Conversión entre tuplas y listas
  • 8. Conclusión

Un ejemplo que lo muestra todo

Imagina que guardas coordenadas de ubicaciones:

# Usando listas
coordenadas_lista = [40.4168, -3.7038]  # Madrid

# Usando tuplas
coordenadas_tupla = (40.4168, -3.7038)  # Madrid

Superficialmente, lo mismo. Pero ahora intenta usarlas de formas distintas:

# Puedes modificar una lista
coordenadas_lista[0] = 40.4169
print(coordenadas_lista)  # [40.4169, -3.7038] Funciona

# Intentar modificar una tupla... falla
coordenadas_tupla[0] = 40.4169
# TypeError: 'tuple' object does not support item assignment 

Hasta aquí, parece que las listas son simplemente “mejores” porque son flexibles. Pero espera:

Actualizar expresslanets a ES Modules con tsx y Vitest
En Analytics Lane
Actualizar expresslanets a ES Modules con tsx y Vitest

# Usa una lista como clave de diccionario
ubicaciones = {}
ubicaciones[coordenadas_lista] = "Oficina"
# TypeError: unhashable type: 'list'

# Usa una tupla como clave de diccionario
ubicaciones = {}
ubicaciones[coordenadas_tupla] = "Oficina"
print(ubicaciones)  # {(40.4168, -3.7038): 'Oficina'} Funciona

Ahí está: las tuplas pueden ser claves de diccionarios, las listas no.

Las 4 diferencias fundamentales entre Tuplas y Listas

A la hora de trabajar con Tuplas o Listas en Python es fundamental tener en cuenta las cuatro diferencias claves entre ambas.

Mutabilidad: ¿puedes cambiar los elementos?

Listas: sí. Puedes cambiar, añadir, quitar elementos cuando quieras.

numeros = [1, 2, 3]

# Cambiar
numeros[0] = 10
print(numeros)  # [10, 2, 3]

# Añadir
numeros.append(4)
print(numeros)  # [10, 2, 3, 4]

# Quitar
numeros.pop()
print(numeros)  # [10, 2, 3]

Tuplas: no. Una vez creada, es fija. Para siempre.

numeros = (1, 2, 3)

# Intentar cambiar
numeros[0] = 10
# TypeError: 'tuple' object does not support item assignment

# Intentar añadir
numeros.append(4)
# AttributeError: 'tuple' object has no attribute 'append'

¿Por qué importa?

  • Si necesitas que tu colección sea flexible, listas.
  • Si necesitas que sea protegida contra cambios, tuplas.

Claves de diccionarios: ¿puedes usarlas?

Aquí está la diferencia más importante prácticamente.

Listas: no pueden ser claves.

mi_diccionario = {}
mi_diccionario[[1, 2]] = "valor"
# TypeError: unhashable type: 'list'

Tuplas: sí pueden ser claves.

mi_diccionario = {}
mi_diccionario[(1, 2)] = "valor"
print(mi_diccionario)  # {(1, 2): 'valor'}

¿Por qué?

Internamente, Python usa una técnica llamada hashing. Para que algo sea clave de diccionario, debe ser “hashable” (convertible a hash). Las tuplas lo son, las listas no.

¿Cuándo lo necesitas?

Más de lo que crees. Algunos ejemplos reales:

# Cachear resultados de cálculos costosos
# (la clave es las coordenadas de un punto)
cache = {}
cache[(10, 20)] = resultado_calculado

# Contar ocurrencias de pares (x, y)
puntos = [(1, 2), (3, 4), (1, 2), (3, 4), (1, 2)]
contador = {}
for punto in puntos:
    contador[punto] = contador.get(punto, 0) + 1
print(contador)  # {(1, 2): 3, (3, 4): 2}

# Usar coordenadas como clave de un grafo
grafo = {
    (0, 0): [(1, 0), (0, 1)],
    (1, 0): [(0, 0), (1, 1)],
}

Con listas, todo esto sería imposible.

Rendimiento: ¿cuál es más rápida?

Tuplas son más rápidas. Algo más rápidas no, la diferencia entre ambas puede ser realmente notablemente en algunos casos.

import timeit

# Tiempo para crear una lista 1 millón de veces
tiempo_lista = timeit.timeit(
    '[1, 2, 3]',
    number=1_000_000
)

# Tiempo para crear una tupla 1 millón de veces
tiempo_tupla = timeit.timeit(
    '(1, 2, 3)',
    number=1_000_000
)

print(f"Lista: {tiempo_lista:.3f}s")  # ~0.050s
print(f"Tupla: {tiempo_tupla:.3f}s")  # ~0.005s

Las tuplas son 10 veces más rápidas.

¿Por qué? Porque son inmutables, Python puede optimizarlas mejor. No necesita mantener espacio para cambios futuros.

¿Cuándo importa?

Normalmente, no. Si creas una tupla una vez, la diferencia es imperceptible. Pero si estás en una operación en loop millones de veces, la diferencia suma.

Lo que puedes meter dentro

Aquí está lo raro.

Listas: puedes meter casi cualquier cosa, incluyendo listas dentro de listas.

lista = [1, "texto", [1, 2, 3], {"clave": "valor"}]
print(lista)  # Todo bien

Tuplas: lo mismo, PERO si quieres usar la tupla como clave de diccionario, los elementos dentro también deben ser hashables (inmutables).

# Tupla con elementos hashables (válida como clave)
tupla_buena = (1, 2, "texto")
diccionario = {tupla_buena: "valor"}  # Funciona

# Tupla que contiene una lista (NO válida como clave)
tupla_mala = (1, [2, 3])
diccionario = {tupla_mala: "valor"}
# TypeError: unhashable type: 'list'

¿Por qué importa?

Si planeas usar una tupla como clave de diccionario, no puede contener listas ni diccionarios dentro.

# Esto funciona
coordenadas = (40.4168, -3.7038)
ubicaciones = {coordenadas: "Oficina"}

# Esto NO funciona
punto_con_metadata = (40.4168, -3.7038, [metadata])
ubicaciones = {punto_con_metadata: "Oficina"}
# TypeError

Tabla resumen rápida

AspectoListaTupla
Sintaxis[1, 2, 3](1, 2, 3)
Mutabilidad✅ Puedes cambiar❌ Inmutable
Clave de dict❌ No✅ Sí
PerformanceMás lentaMás rápida
MétodosMuchos: append, pop, sort, etc.Pocos: count, index
Caso de usoColecciones flexiblesDatos fijos, claves

Cuándo usar cada una

Usa listas cuando:

  • Necesitas modificar los datos: añadir, quitar, cambiar elementos.
  • Los datos cambian con el tiempo (lista de tareas, historial, cola).
  • Necesitas métodos mutables como append(), sort(), extend().
  • Quieres una estructura flexible que crezca o se reduzca.

Ejemplos: lista de compras, resultados de búsqueda, historial de eventos, registros de una tabla en BD.

Usa tuplas cuando:

  • Los datos son fijos y no cambiarán: coordenadas, fechas, IDs compuestos.
  • Necesitas usar como clave de diccionario.
  • Quieres proteger los datos contra cambios accidentales.
  • Necesitas performance en operaciones repetidas.
  • Vas a desempaquetar: x, y = tupla.

Ejemplos: coordenadas GPS, claves compuestas, retorno de múltiples valores, configuración inmutable.

Ejemplos prácticos

Ejemplo 1: Retornar múltiples valores

Las tuplas son la forma pythónica de retornar varios valores:

def obtener_datos_usuario(user_id):
    # Retorna una tupla
    return (25, "Juan", "[email protected]")

edad, nombre, email = obtener_datos_usuario(1)
print(nombre)  # Juan

Si usases una lista:

def obtener_datos_usuario(user_id):
    return [25, "Juan", "[email protected]"]

edad, nombre, email = obtener_datos_usuario(1)  # Funciona igual, pero...

Funciona, pero tupla es más clara: el que lee el código sabe que estos valores no cambiarán.

Ejemplo 2: Cachear resultados costosos

cache = {}

def calcular_distancia(punto1, punto2):
    # Punto1 y punto2 son tuplas
    if (punto1, punto2) in cache:
        return cache[(punto1, punto2)]

    # Cálculo costoso
    distancia = ((punto1[0] - punto2[0])**2 + 
                 (punto1[1] - punto2[1])**2)**0.5

    cache[(punto1, punto2)] = distancia
    return distancia

# Usar
d1 = calcular_distancia((0, 0), (3, 4))
d2 = calcular_distancia((0, 0), (3, 4))  # Del cache, instantáneo

Con listas no puedes hacer esto porque no son hashables.

Ejemplo 3: Diccionario con claves compuestas

# Inventario de una tienda: qué cantidad de cada producto en cada almacén
inventario = {
    ("producto_a", "almacen_1"): 50,
    ("producto_a", "almacen_2"): 30,
    ("producto_b", "almacen_1"): 100,
}

# Buscar
print(inventario[("producto_a", "almacen_1")])  # 50

# Actualizar
inventario[("producto_a", "almacen_1")] = 45

# Contar total de un producto
total_a = sum(cant for (prod, almacen), cant in inventario.items() 
              if prod == "producto_a")
print(total_a)  # 80

Las tuplas como claves hacen esto limpio y eficiente.

Ejemplo 4: Proteger datos contra cambios

# Función que recibe una tupla de configuración
def procesar_datos(config):
    # Si config fuera una lista, podrías modificarla sin querer
    # config[0] = "NUEVO VALOR"  # Ops, cambié la config global

    # Con tupla, accidentales imposible
    # config[0] = "NUEVO VALOR"  # TypeError, no puedes

    # Así que la función está "segura" de que config no cambiará
    return config[0] * config[1]

config = (10, 20)
resultado = procesar_datos(config)

Ejemplo 5: Desempaquetar (muy pythónico)

# Las tuplas se desempaquetan naturalmente
punto = (10, 20)
x, y = punto
print(f"Coordenadas: {x}, {y}")

# Swap (intercambiar valores)
a, b = 1, 2
a, b = b, a  # Python crea una tupla temporalmente
print(a, b)  # 2, 1

# Iterar sobre pares
pares = [(1, 'a'), (2, 'b'), (3, 'c')]
for numero, letra in pares:
    print(f"{numero}: {letra}")

La trampa: tuplas dentro de tuplas

Una cosa confusa:

# Esto es una tupla de un elemento
tupla = (1)
print(type(tupla))  # <class 'int'> ← ¡No es tupla!

# Para una tupla de un elemento, necesitas una coma
tupla = (1,)
print(type(tupla))  # <class 'tuple'>

Sin la coma, Python lo interpreta como un paréntesis para agrupar expresiones, no como tupla. Con la coma, es tupla.

Conversión entre tuplas y listas

A veces tienes una y necesitas la otra:

# Lista a tupla
mi_lista = [1, 2, 3]
mi_tupla = tuple(mi_lista)
print(mi_tupla)  # (1, 2, 3)

# Tupla a lista
mi_tupla = (1, 2, 3)
mi_lista = list(mi_tupla)
print(mi_lista)  # [1, 2, 3]

Útil, pero cuidado: si la tupla contiene listas, la conversión copia referencias, no hace deep copy.

Conclusión

Tuplas y listas parecen lo mismo, pero son herramientas distintas:

  • Listas cuando necesitas flexibilidad: modificar, añadir, quitar.
  • Tuplas cuando necesitas inmutabilidad y claves: datos fijos, diccionarios, protección.

La mayoría de principiantes usan listas para todo. Está bien al principio. Pero cuando pasas a nivel intermedio, entender tuplas te ahorra:

  • Bugs de “cambios accidentales”.
  • Código más ineficiente (listas donde tuplas bastarían).
  • Soluciones complicadas para cachear o usar claves compuestas.

Pregúntate: “¿Estos datos van a cambiar?” Si no, usa tupla. Te lo agradecerás cuando necesites cachear resultados o usar como clave de diccionario, y descubras que las tuplas estaban hechas exactamente para eso.

Imagen de Gerd Altmann 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

  • Actualizar expresslanets a ES Modules con tsx y Vitest
  • Migrar tslane a un paquete dual CommonJS y ESM con tsup y Vitest
  • Pareto/NBD: cuando el abandono silencioso cambia el CLV
  • Cómo construir tu primer scorecard paso a paso
  • Docker Compose: el día a día. Cómo ver qué funciona y qué no
  • Cómo Verificar la Normalidad de tus Datos antes de un Test Estadístico
  • Qué significa realmente “calidad de datos”
  • Cómo Detectar Pseudo-IDs y Data Leakage en el Constructor de Scorecards

Publicidad

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

Tuplas vs Listas en Python: parecen lo mismo, pero no

octubre 20, 2026 Por Daniel Rodríguez

Qué significa realmente “calidad de datos”

octubre 15, 2026 Por Daniel Rodríguez

Cómo Detectar Pseudo-IDs y Data Leakage en el Constructor de Scorecards

octubre 13, 2026 Por Daniel Rodríguez

Publicidad

Es tendencia

  • pandas Pandas: Contar los valores nulos en DataFrame publicado el agosto 12, 2021 | en Python
  • pandas Pandas: Contabilizar los registros que cumplen una condición en un DataFrame publicado el agosto 19, 2021 | en Python
  • Visualización de árboles de decisión en Python con PyDotPlus publicado el noviembre 9, 2018 | en Python
  • Método del codo: interpretación correcta y limitaciones publicado el septiembre 15, 2026 | en Ciencia de datos
  • Pareto/NBD: cuando el abandono silencioso cambia el CLV publicado el septiembre 22, 2026 | en Ciencia de datos

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