• 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

Distribución de paquetes de Python (Creación de paquetes de Python 7ª y última parte)

abril 3, 2020 Por Daniel Rodríguez Deja un comentario
Tiempo de lectura: 4 minutos

En las entradas anteriores de esta serie hemos visto cómo crear un paquete Python a partir de las plantillas que ofrece Cookiecutter. Una vez hecho esto creamos pruebas, gestionamos las dependencias y documentamos el paquete. Al terminar es necesarios distribuirlo. Quizás el método más conocido para la distribución de paquetes de Python es mediante PyPi, aunque no es el único. También es posible distribuirlo como un archivo comprimido o desde un repositorio Git, como pude ser el caso de GitHub o Bitbucket. En esta entrada final vamos a ver cómo distribuir los paquetes de Python.

Esta entrada forma parte de la colección “Creación de paquetes de Python” que consta de las siguientes siete entradas:

  1. Creación de paquetes de Python
  2. Pruebas unitarias en Python
  3. Probar en múltiples versiones de Python
  4. Cobertura de las pruebas unitarias en Python
  5. Gestionar las dependencias de paquetes Python
  6. Documentar paquetes de Python
  7. Distribuir paquetes de Python

Tabla de contenidos

  • 1 Creación de un archivo comprimido
    • 1.1 Instalación de los archivos comprimidos
  • 2 Distribución de paquetes de Python mediante Git
  • 3 Distribución mediante PyPI
    • 3.1 Configuración en nuestro ordenador
    • 3.2 Instalación de twine
    • 3.3 Subida del paquete a los servidores de PyPI
  • 4 Conclusiones

Creación de un archivo comprimido

El método más sencillo para distribuir nuestro paquete es crear un archivo comprimido. Además, PyPI require que se cree un archivo comprimido antes de poder subir un paquete. Algo que se hace comprimiendo la carpeta, sino que usando el archivo setup.py. Para lo que solamente nos tenemos que situar en la carpeta del proyecto y escribir

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

python setup.py  sdist

lo que creará un archivo comprimido en la carpeta dist. Por defecto en sistemas Unix se creará un archivo tar.gz, mientras que en Windows el formato será zip. En caso de que deseemos otro formato se lo podemos indicar mediante la propiedad --formats. Incluso más de uno, como el siguiente ejemplo con el que se genere tanto gztar como zip:

python setup.py sdist --formats=gztar,zip

Los archivos creados tendrán en nombre del paquete seguido del número de versión.

Instalación de los archivos comprimidos

Una vez generados los archivos comprimidos los podemos distribuir por cualquier medio habitual. La instalación también se realiza con pip, pero en lugar del nombre del paquete hay que indicar la ruta relativa o absoluta al archivo. Por ejemplo, si nos encontramos en la carpeta que contiene el paquete comprimido se puede instalar con

pip install ./pylan-0.1.0.tar.gz

Lo que ejecutara el proceso de instalación como si se hubiese bajado el paquete desde PyPi.

Publicidad


Distribución de paquetes de Python mediante Git

Hoy en día es habitual instalar los paquetes en repositorios Git, tanto públicos como privados. Esta es otra alternativa para que los usuarios puedan instalar los paquetes. El comando pip permite instalar directamente desde un repositorio Git indicando la ruta al repositorio, por ejemplo para un repositorio de GitHub

pip install git+https://github.com/user/repository.git

donde user se tiene que reemplazar por el nombre del usuario y repository por el nombre del repositorio. También se puede instalar directamente desde los archivos zip que se pueden descargar GitHub indicando la ruta a este:

pip install https://github.com/user/repository/archive/branch.zip

Este proceso también se puede utilizar si el repositorio se encuentra en otro servicio o en un servidor privado.

Distribución mediante PyPI

PyPI es el lugar donde se encuentran la mayoría de los paquetes de Python, por lo que si nuestro paquete es libre lo podemos distribuir a través de este servicio. Para distribuir paquetes mediante PyPI es necesario crear una cuenta en el servicio. Siendo aconsejable crear una cuenta primero en PyPI test para donde es posible realizar pruebas antes de subir nuestros paquetes.

Configuración en nuestro ordenador

Una vez se ha creado la cuenta de usuario es necesario crear un archivo, llamado .pypirc y ubicado en la carpeta raíz del usuario, en el que se guardarán las credenciales de la cuenta. Básicamente este archivo ha de tener la siguiente información

[distutils]
index-servers =
  pypi

[pypi]
username=your_username
password=your_password

donde your_username es el nombre del usuario y your_password la contraseña.

Publicidad


Instalación de twine

Para subir los paquetes es necesario tener instalado el paquete twine, el cual se puede instalar con pip:

pip install twine

Subida del paquete a los servidores de PyPI

Una vez instalado twine y configurada la cuenta se puede subir el paquete se pude subir el archivo comprimido con el paquete. Para lo cual es necesario seguir los pasos que se indicaron al principio de la entrada. Es aconsejable subirlo en primer lugar a la cuenta de prueba, para lo que usaremos la siguiente expresión

twine upload --repository-url https://test.pypi.org/legacy/ dist/*

Punto en el que se pedirá el usuario y la contraseña del servicio pruebas. Una vez subido el paquete se pude comprobar si este se instala correctamente con el comando

pip install --index-url https://test.pypi.org/simple/ pylane

en donde reemplazamos pylane por el nombre de nuestro paquete. En caso de que todo sea correcto se puede subir el paquete a PyPI con el siguiente comando.

twine upload dist/*

Publicando ya el paquete en PyPI.

Conclusiones

En esta última entrada de la serie “Creación de paquetes de Python” se ha visto cómo realizar la distribución de paquetes de Python. Un proceso que varía en función de a quienes sean nuestros usuarios. Si los paquetes no son públicos la mejor opción es mediante archivo comprimido o un repositorio Git privado. Por otro lado, si son públicos los podemos subir a PyPI o dejarlos en GitHub.

El código utilizado en esta serie se puede encontrar en un repositorio de la cuenta de GitHub de Analytics Lane.

Imagen de seth0s 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?

Publicidad


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 Etiquetado como: PyPI

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
  • El método de la secante e implementación en Python publicado el junio 17, 2022 | en Ciencia de datos
  • Cómo encontrar la posición de elementos en una lista de Python publicado el abril 12, 2021 | 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

  • 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