• 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

¿Qué significa if __name__ == “__main__”: en Python?

noviembre 29, 2021 Por Daniel Rodríguez Deja un comentario
Tiempo de lectura: 3 minutos

Al revisar programas escritos en Python es bastante probable encontrarse con una línea de código cómo la siguiente: if __name__ == "__main__":. El código dentro del bloque if solamente se ejecutará cuando el archivo es llamado directamente con el intérprete de Python, no cuando es importado como un módulo. Permitiendo de este modo reutilizar el código de manera más sencilla. Así, en este bloque if, es habitual encontrar las instrucciones para inicializar un programa o ejemplos con los que probar las funciones y clases escritas.

El valor de la variable __name__

__name__ es una variable especial de Python que existe en todos los módulos e indica su nombre. Por defecto es el nombre del archivo en el que se encuentra el código, salvo el archivo que se indica al intérprete de Python cuyo nombre es __main__. Esto es algo que se puede entender bastante bien con un ejemplo. Se puede crear un archivo name_1.py en el que se escribe el siguiente código

print("El valor de __name__ en 1 es {}".format(__name__))

Ahora, si se ejecuta desde la terminal se puede ver que el valor de la variable __name__ es __main__.

% python name_1.py 
El valor de __name__ en 1 es __main__

Una vez hecho esto se puede crear un segundo archivo name_2.py como el siguiente que importe el anterior como como un módulo.

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)

import name_1
     
print("El valor de __name__ en 2 es {}".format(__name__))

Al ejecutar este segundo archivo se puede ver que el resultado es diferente al anterior.

% python name_2.py
El valor de __name__ en 1 es name_1
El valor de __name__ en 2 es __main__

Ahora, el valor de la variable __name__ en el archivo name_1.py es name_1, mientras que en name_2.py es __main__. Lo que nos indica que el programa se ha iniciado en el segundo archivo.

Aplicaciones de if __name__ == "__main__":

Al revisar el ejemplo anterior se pueden apreciar varias cosas interesantes sobre el funcionamiento de Python. En primer lugar, el valor de la variable __name__ indica si el archivo se ha llamado directamente desde el intérprete o se ha cargado como un módulo. Por otro lado, al cargar el módulo el código dentro de este se ejecuta. Algo que se puede apreciar al ver por pantalla la línea generada por ambos archivos. Lo que es un problema al importar un archivo como módulo.

Cuando se crea un archivo Python, al que se puede llamar program_1.py, para resolver un problema se escriben varias funciones y se ejecutan dentro del mismo.

def function_1(name):
    print("Función 1 con {}".format(name))

def function_2(name):
    print("Función 2 con {}".format(name))

function_1('uno')
function_2('dos')
% python program_1.py 
Función 1 con uno
Función 2 con dos

Una vez implementado el código se puede ver que estas funciones son útiles en otra situación. En vez de copiar y pegar el código simple que sea necesario es más eficiente importar el primer archivo como un módulo. Simplificando el nuevo archivo.

import program_1

program_1.function_1("A")
program_1.function_2("B")
% python program_2.py 
Función 1 con uno
Función 2 con dos
Función 1 con A
Función 2 con B

El problema, como ya se ha visto antes, es que el código del primer archivo también se ejecuta. Algo que no es deseable cuando es un módulo. Para evitar este problema se puede usar la línea if __name__ == "__main__": y dejar dentro del bloque el caso particular. De este modo, si se modifica program_1.py como se muestra a continuación.

def function_1(name):
    print("Función 1 con {}".format(name))

def function_2(name):
    print("Función 2 con {}".format(name))

if __name__ == "__main__":
    function_1('uno')
    function_2('dos')

Ahora, al ejecutar el contenido de program_2.py se obtendrá el resultado deseado.

% python program_2.py 
Función 1 con A
Función 2 con B

Publicidad


Conclusiones

En esta entrada se ha visto que lo que se encuentra detrás de la línea if __name__ == "__main__":, la cual se puede ver en múltiples programas de Python. Algo que sí nos acostumbramos a incluir en nuestro código hará que este sea más fácilmente reutilizable.

Imagen de Aaron Olson en Pixabay

¿Te ha parecido de utilidad el contenido?

¡Puntúalo entre una y cinco estrellas!

Puntuación promedio 5 / 5. Votos emitidos: 1

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 bestiario de los indicadores económicos absurdos: El zoo patrio
  • El Binning en Credit Scoring: El Arte de Discretizar Variables
  • 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)
  • 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
  • Analytics Lane lanza la versión 1.3 del laboratorio con nuevas herramientas de evaluación de modelos y utilidades prácticas

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

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)

julio 2, 2026 Por Daniel Rodríguez

Analytics Lane lanza ScoreFlow, un SaaS para construir y desplegar scorecards de crédito

julio 1, 2026 Por Daniel Rodríguez

DBSCAN y la selección de ε: teoría, intuición y aplicación práctica

junio 30, 2026 Por Daniel Rodríguez

Publicidad

Es tendencia

  • 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) publicado el julio 2, 2026 | en Opinión
  • La caverna del consumo, o cómo Greenspan miraba calzoncillos para hacer política monetaria – El bestiario de los indicadores económicos absurdos (parte 1) publicado el junio 4, 2026 | en Opinión
  • Cómo usar Ollama con Node.js y TypeScript para ejecutar modelos LLM locales publicado el febrero 19, 2025 | en JavaScript
  • Inteligencia artificial generativa en seguros: Cinco aplicaciones que están transformando la industria publicado el marzo 14, 2025 | en Ciencia de datos, Opinión
  • Operaciones de filtrado de DataFrame con Pandas en base a los valores de las columnas publicado el mayo 10, 2019 | 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