• 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

Importar un Notebook Python como un archivo py

marzo 21, 2022 Por Daniel Rodríguez 3 comentarios
Tiempo de lectura: 2 minutos

Reutilizar el código que se ha escrito en un archivo py es tremendamente sencillo, solamente se tiene que usar la instrucción import seguida del nombre de este. Un método que no funciona en el caso de los Notebooks. Afortunadamente, para solucionar este problema y facilitar la reutilización de nuestras funciones se puede recurrir al paquete ipynb. Gracias al cual se pueden importar un Notebook Python en otro, o en código Python, de una manera similar a cómo se hace para los py.

Instalación de ipynb

Antes de poder usar las funcionalidades del paquete ipynb es necesario instalarlo en nuestro sistema. Para lo que se puede recurrir, como es habitual, a pip y escribir el siguiente comando en una terminal

pip install ipynb

A partir de este momento ya podremos importar todo el contenido de otros Notebooks o solamente algunas funciones o clases de este.

Importar todo el contenido del Notebook

En el caso de que se disponga de un Notebook llamado notebook.ipynb y se quiere importar íntegramente, esto es, ejecutar todo el contenido y cargar las funciones, clases y variables se puede mediante un import. Para ello se debe escribir import ipynb.fs.full. seguido del nombre del archivo sin la extensión. Para el archivo del ejemplo se debería escribir lo siguiente

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 ipynb.fs.full.notebook

Si no se desea importar todo el contenido se puede emplear la construcción from ... import e indicar los recursos que se desean importar

from ipynb.fs.full.notebook import my_function, MyClass

Es importante recordar que en ambos casos se ejecutará todo el código de Notebook, algo que en muchas ocasiones puede no ser necesario ni eficiente. Por lo que también es posible importar solamente las definiciones.

Publicidad


Importar las definiciones de Notebook en Python

Para el caso en el que solamente se desee importar las definiciones, esto es, las funciones, clases o importaciones, se puede hacer como anteriormente reemplazando full por defs. Así lo que se debería escribir es import ipynb.fs.defs. seguido del nombre del archivo. En el caso de nuestro Notebook de ejemplo sería

import ipynb.fs.defs.notebook

O en el caso de querer importar solamente algunos recursos

from ipynb.fs.defs.notebook import my_function, MyClass

Conclusiones

En esta ocasión se ha visto cómo se puede importar un Notebook Python de una forma similar a la forma que se hace con archivos py. Para lo que solamente hay que importar un paquete. Posiblemente una solución alternativa a esta sea exportar el contenido del Notebook a un archivo py e importarlo desde ahí. Aunque se pierde flexibilidad ya que después de cada cambio en el documento original es necesario hacer una nueva exportación.

Imagen de jplenio en Pixabay

¿Te ha parecido de utilidad el contenido?

¡Puntúalo entre una y cinco estrellas!

Puntuación promedio 3 / 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?

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: Python Etiquetado como: Jupyter

Interacciones con los lectores

Comentarios

  1. Germán Cifuentes Contreras dice

    mayo 5, 2022 a las 3:45 pm

    Muchas gracias, muy buen artículo, los ejemplos claros, me funcionó perfectamente.

    Atento saludo,

    Responder
  2. Humberto dice

    junio 1, 2023 a las 12:34 am

    Quiero tener un file de funciones definidas y correrlas en una sola linea desde otra nb, por alguna razon no me esta funcionando esto

    Responder
  3. Daniel Rodríguez dice

    junio 1, 2023 a las 7:42 pm

    El error se puede deber a múltiples motivos, sin más información es difícil saber cuál es la causa del fallo.

    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

  • Gráficos de barras en Matplotlib publicado el julio 5, 2022 | en Python
  • Buscar en Excel con dos o más criterios publicado el septiembre 7, 2022 | en Herramientas
  • Hoja en la que se puede obtener el último valor de una columna en Excel Obtener el último valor de una columna en Excel publicado el mayo 5, 2021 | en Herramientas
  • NumPy NumPy: Concatenar matrices en NumPy con np.concatenate() publicado el agosto 17, 2021 | en Python
  • Seis comandos mágicos de Jupyter Notebooks publicado el abril 12, 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

4.9 (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