• 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

Ordenar listas de objetos en Python

marzo 16, 2020 Por Daniel Rodríguez 1 comentario
Tiempo de lectura: 3 minutos

Cuando queremos ordenar una lista en Python se puede utilizar el método sorted(). Un método que nos devuelve una lista con los objetos ordenados. Aunque si el contenido de la lista no es no son datos primitivos, como por ejemplo tuplas, diccionarios u objetos el método no funcionará. Para ello es necesario pasar una función con la que sorted() pueda ordenar los datos. Siendo esto lo que veremos a continuación: cómo ordenar listas de objetos en Python.

Ordenar una lista de tipos primitivos

Si queremos ordenar una lista de números o caracteres solo hay que pasar la lista al método sorted() para que este nos devuelva una nueva lista ordenada. Como el ejemplo que se muestra a continuación.

lista = [2 ,7, 2, 1, 6, 3]

sorted(lista)
[1, 2, 2, 3, 6, 7]

El método tiene la opción de cambiar la forma de ordenación, por defecto es ascendente, pero se puede indicar que sea descendente asignando el valor verdadero a la propiedad reverse. Lo que se puede ver en el siguiente ejemplo

sorted(lista, reverse=True)
[7, 6, 3, 2, 2, 1]

Ordenación de tuplas

En el caso de que tengamos una lista de tuplas, en las que cada valor significa algo, el método sorted() ordena la lista en base al primer valor. Como se muestra a continuación:

Lanzamos el video de ScoreFlow: crea scorecards de crédito de forma ágil y sin IT
En Analytics Lane
Lanzamos el video de ScoreFlow: crea scorecards de crédito de forma ágil y sin IT

tuplas = [(1, 14), (2, 12), (0, 22), (3, 13)]

sorted(tuplas)
[(0, 22), (1, 14), (2, 12), (3, 13)]

Si esto es lo que se desea no hay ningún problema, pero no es extraño que necesitemos ordenar la tupla por el segundo, tercero o incluso la suma de los elementos. Para esto se le puede indicar al método un criterio de ordenación mediante la propiedad key. Para lo que generalmente se utilizará una función lambda. Por ejemplo, para ordenar por el segundo elemento:

sorted(tuplas, key=lambda x: x[1])
[(2, 12), (3, 13), (1, 14), (0, 22)]

Otra opción puede ser usar la suma de las tuplas para ordenar esta.

sorted(tuplas, key=lambda x: sum(x))
[(2, 12), (1, 14), (3, 13), (0, 22)]

Publicidad


Ordenación de diccionarios

El caso de los diccionarios es similar al de las tuplas, solo que ahora el método no tiene un método de ordenación por defecto, por lo que es necesario indicarlo siempre. Ya que si intentamos ordenar un diccionario sin esta función el método sorted() nos devolverá un error. Así un diccionario con la propiedad edad se puede ordenar fácilmente como se muestra en el siguiente ejemplo.

dictionary = [{'edad':23}, {'edad':21}, {'edad':44}, {'edad':19}]

sorted(dictionary, key=lambda x: x['edad'])
[{'edad': 19}, {'edad': 21}, {'edad': 23}, {'edad': 44}]

Ordenación de objetos

Finalmente, si lo que deseamos es ordenar una lista de objetos dependerá de cómo se hubiesen definidos estos. En el caso de que se hubiese definido un método __gt__ en la clase sorted() funcionara sin problema, teniendo en cuenta este valor. En caso contrario es necesario indicar la función de ordenación. Por ejemplo, si se crea una clase Persona con las propiedades nombre y edad y no se implementa el método __gt__ una lista de estos objetos se tiene que ordenar indicando a sorted() el criterio. Ya que en caso contrario sorted() daría un error.

class Persona():
    def __init__(self, nombre, edad):
        self.nombre = nombre
        self.edad = edad
        
    def __repr__(self):
        return "{0}:{1}".format(self.nombre, self.edad) 
        
personas = [Persona('Juan', 23), Persona('Pedro', 18), Persona('Antonio', 33)]

sorted(personas, key=lambda x: x.edad)
[Pedro:18, Juan:23, Antonio:33]

Por otro lado, si se define el método __gt__ no es necesario indicar el criterio de ordenación.

class Persona():
    def __init__(self, nombre, edad):
        self.nombre = nombre
        self.edad = edad
    
    def __repr__(self):
        return "{0}:{1}".format(self.nombre, self.edad) 
    
    def __gt__(self, persona):
        return self.edad > persona.edad

    
personas = [Persona('Juan', 23), Persona('Pedro', 18), Persona('Antonio', 33)]

sorted(personas)
[Pedro:18, Juan:23, Antonio:33]

Salvo que se desee ordenar en base a un criterio diferente, como ordenar alfabeticamente por nombre el lugar de por edad.

sorted(personas, key=lambda x: x.nombre)
[Antonio:33, Juan:23, Pedro:18]

Conclusiones

En esta entrada se ha visto cómo ordenar listas de objetos en Python. Comprobado como se puede utilizar el método sorted() no solo para ordenar valores primitivos, sino que cualquier componente como puede ser una tupla, diccionario u objeto.

Imagen de fancycrave1 en Pixabay

¿Te ha parecido de utilidad el contenido?

¡Puntúalo entre una y cinco estrellas!

Puntuación promedio 5 / 5. Votos emitidos: 2

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

  • Lanzamos el video de ScoreFlow: crea scorecards de crédito de forma ágil y sin IT
  • El bestiario de los indicadores económicos absurdos: El zoo patrio
  • Las fórmulas con DNI, o cómo dividir cualquier cosa entre cualquier otra cosa puede acabar publicado en un titular serio – El bestiario de los indicadores económicos absurdos (parte 5)
  • Data Leakage en Credit Scoring: El Error que Invalida tu Modelo
  • La liga internacional, o cuando Harvard y Johns Hopkins suman peras con manzanas – El bestiario de los indicadores económicos absurdos (parte 6)
  • Los indicadores que se autocumplen, o cuando medir es modificar – El bestiario de los indicadores económicos absurdos (parte 7)
  • Los récords con asterisco, o la épica del titular sin contexto – El bestiario de los indicadores económicos absurdos (parte 8 y final)
  • Customer Lifetime Value: la fórmula clásica que todo analista debería dominar
  • PSI: Cómo Saber Cuándo tu Modelo de Credit Scoring se ha Degradado

Publicado en: Python

Interacciones con los lectores

Comentarios

  1. Joshua Zamorano Fuentes dice

    septiembre 27, 2021 a las 5:14 am

    Este si Funciona , Gracias

    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

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

julio 23, 2026 Por Daniel Rodríguez

PSI: Cómo Saber Cuándo tu Modelo de Credit Scoring se ha Degradado

julio 21, 2026 Por Daniel Rodríguez

Los indicadores que se autocumplen, o cuando medir es modificar – El bestiario de los indicadores económicos absurdos (parte 7)

julio 16, 2026 Por Daniel Rodríguez

Publicidad

Es tendencia

  • Programador de tareas de Windows: Guía definitiva para automatizar tu trabajo (BAT, PowerShell y Python) publicado el octubre 7, 2025 | en Herramientas, Productividad
  • Comprobar hash SHA-256 o MD5 en Windows, macOS y Linux publicado el noviembre 1, 2023 | en Criptografía, Herramientas
  • Gráficos de barras en Matplotlib publicado el julio 5, 2022 | en Python
  • Ganar con números calientes y fríos en la Primitiva publicado el septiembre 25, 2020 | en Opinión
  • Inclusión de barras de error en Matplotlib publicado el octubre 17, 2022 | 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

  • 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