• 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

Rendimiento al iterar en JavaScript sobre un vector

julio 22, 2019 Por Daniel Rodríguez 1 comentario
Tiempo de lectura: 4 minutos

En JavaScript existen diferentes formas de iterar sobre vectores: el tradicional bucle for, el método forEach y los diferentes métodos de programación funcional (map, reduce, filter y find). Pudiéndose utilizar cualquiera de las opciones en la mayoría de las situaciones. Al emplear los métodos de programación funcional generalmente se consigue código más compacto y fácil de leer. Pero ¿es esta la opción más rápida o lo es el bucle for? Para resolver estas dudas en esta entrada se va a implementar varias soluciones a un mismo problema para comprobar el diferente rendimiento al iterar en JavaScript que se observa con cada método.

Tiempo de ejecución de un código en JavaScript

El tiempo de ejecución del código JavaScript se puede medir de diferentes maneras. Pero una de las más prácticas son las funciones console.time() y console.timeEnd(). Al utilizar la primera se inicia un contador de tiempo, mientras que la segunda finaliza y saca por pantalla el tiempo transcurrido.

Obtener el gasto de los clientes de una base de datos

Para comprobar cual de los métodos ofrece mejor rendimiento se va a calcular el gasto total de los clientes en un conjunto de datos. Para lo que se utiliza el siguiente ejemplo.

const clients_base = [
    { id: 0, units: 1, price: 4 },
    { id: 1, units: 3, price: 2 },
    { id: 2, units: 2, price: 2 },
    { id: 3, units: 5, price: 3 },
    { id: 4, units: 1, price: 4 },
    { id: 5, units: 2, price: 3 },
    { id: 6, units: 2, price: 2 },
    { id: 7, units: 5, price: 3 },
    { id: 8, units: 1, price: 4 },
    { id: 9, units: 2, price: 3 }];

let clients = JSON.parse(JSON.stringify(clients_base));

console.time('for');
let total = 0;

for (let i = 0; i < clients.length; ++i) {
    total += clients[i].units * clients[i].price;
}

console.timeEnd('for');

clients = JSON.parse(JSON.stringify(clients_base));

console.time('forEach');

total = 0;

clients.forEach(client => {
    total += client.units * client.price;
});

console.timeEnd('forEach');

clients = JSON.parse(JSON.stringify(clients_base));

console.time('reduce');

total = clients.reduce((result, client) => {
    result += client.units * client.price;
    return result;
}, 0);

console.timeEnd('reduce');

En este se puede ver que se tiene un conjunto de diez clientes que ha comprado unas unidades a un precio unitario. En las tres aproximaciones se calcula los ingresos totales midiéndose el tiempo que se tarda cada una de ellas. La primera aproximación es un bucle for clásico, en el que se guardan los valores en una variable. La segunda aproximación es con forEach() en el que se opera de manera análoga. Finalmente, se utiliza el método reduce() en el que se suma en cada paso el resultado a la variable result.

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)

Al ejecutar el código en un ordenador con node 11.6 se obtienen los siguientes resultados:

for: 0.015ms
forEach: 0.043ms
reduce: 0.103ms

Indicando que el método más rápido es for, seguido de forEach() y el más lento es reduce().

Publicidad


Obtener el gasto de cada uno de los clientes

Por otro lado, se puede utilizar los mismos datos para obtener el gasto total de cada uno de los clientes. Esto se puede hacer con el siguiente código.

const clients_base = [
    { id: 0, units: 1, price: 4 },
    { id: 1, units: 3, price: 2 },
    { id: 2, units: 2, price: 2 },
    { id: 3, units: 5, price: 3 },
    { id: 4, units: 1, price: 4 },
    { id: 5, units: 2, price: 3 },
    { id: 6, units: 2, price: 2 },
    { id: 7, units: 5, price: 3 },
    { id: 8, units: 1, price: 4 },
    { id: 9, units: 2, price: 3 }];

let clients = JSON.parse(JSON.stringify(clients_base));

console.time('for');
for (let i = 0; i < clients.length; ++i) {
    clients[i].total = clients[i].units * clients[i].price;
}
console.timeEnd('for');

clients = JSON.parse(JSON.stringify(clients_base));

console.time('forEach');

clients.forEach(client => {
    client.total = client.units * client.price;
    return client;
});

console.timeEnd('forEach');

clients = JSON.parse(JSON.stringify(clients_base));

console.time('map');

clients.map(client => {
    client.total = client.units * client.price;
    return client;
});

console.timeEnd('map');

Ejecutando el código la misma configuración que el ejemplo anterior se obtiene el siguiente resultado:

for: 0.239ms
forEach: 0.049ms
map: 0.090ms

El cual muestra un resultado completamente diferente al del caso anterior. Ahora forEach() es la mejor solución seguido de map()

Conclusiones

En esta entrada se ha visto que el rendimiento al iterar en JavaScript depende del problema. En el primer ejemplo, al sumar los valores en una nueva variable el mejor método es for. Posiblemente aquí sea más importante el hecho de tener que llamar una función cada vez que se itera sobre un elemento del array. Por otro lado, en el segundo ejemplo, el hecho de modificar el objeto original hace que sea más eficiente el método forEach(), a pesar de tener que llamar una función.

A la hora de decidirnos por cualquiera de las implementaciones no hay que tener en cuenta solamente el rendimiento, sino que la legibilidad del código es también importante. Siendo habitualmente más legible el código que se crear utilizando el paradigma de programación funcional.

¿Qué opináis vosotros? Podéis dejar vuestras opiniones en los comentarios de la entrada.

Imágenes: Pixabay (Robert Owen-Wahl)

¿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)
  • Augurios deportivos y portadas malditas, o cuando The Economist predice mejor al revés – El bestiario de los indicadores económicos absurdos (parte 3)
  • El Binning en Credit Scoring: El Arte de Discretizar Variables
  • 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
  • Analytics Lane lanza la versión 1.3 del laboratorio con nuevas herramientas de evaluación de modelos y utilidades prácticas
  • Ley de Benford: cómo detectar datos manipulados con ejemplos reales

Publicado en: JavaScript

Interacciones con los lectores

Comentarios

  1. Anto dice

    diciembre 1, 2023 a las 8:18 am

    Hola,

    Creo que se podría optimizar un poco el ejemplo del bucle for. Si en vez de acceder constantemente a clients[i], lo guardas antes en una variable y lo reusas, tarda menos (especialmente en el segundo ejemplo).

    Para el segundo ejemplo, el código optimizado del bucle for sería así:
    for (let i = 0; i < clients.length; ++i) {
    let client = clients[i];
    client.total = client.units * client.price;
    }
    Creo que eso te va a cambiar las conclusiones sacadas en el segundo caso.

    Un saludo y gracias por el artículo

    Responder

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 1.3 del laboratorio con nuevas herramientas de evaluación de modelos y utilidades prácticas

junio 19, 2026 Por Daniel Rodríguez

Augurios deportivos y portadas malditas, o cuando The Economist predice mejor al revés – El bestiario de los indicadores económicos absurdos (parte 3)

junio 18, 2026 Por Daniel Rodríguez

El Binning en Credit Scoring: El Arte de Discretizar Variables

junio 16, 2026 Por Daniel Rodríguez

Publicidad

Es tendencia

  • Diferencias entre CPU, GPU, TPU y NPU publicado el abril 19, 2023 | en Herramientas
  • Método del codo (Elbow method) para seleccionar el número óptimo de clústeres en K-means publicado el junio 9, 2023 | en Ciencia de datos
  • Ordenadores para Machine Learning e Inteligencia Artificial en 2026: Guía completa para elegir el equipo adecuado según tu perfil y presupuesto publicado el enero 20, 2026 | en Reseñas
  • El promedio engañoso: cuando la media no cuenta toda la historia publicado el enero 13, 2026 | en Ciencia de datos
  • Creación de gráficos de barras y gráficos de columnas con Seaborn publicado el julio 18, 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