• 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

Desempaquetado en Python de una tupla o lista

septiembre 12, 2022 Por Daniel Rodríguez Deja un comentario
Tiempo de lectura: 3 minutos

En algunas ocasiones, como puede ser los valores que devuelve una función, nos podemos encontrar con una tupla, o lista, que contiene varios valores de los cuales solamente nos interesan unos pocos. Por lo que extraer solamente estos valores y quedarnos con los necesarios puede simplificar los posteriores análisis. Algo que se puede conseguir mediante el desempaquetado en Python de una tupla o lista. Una tarea más sencilla de lo que parece.

Desempaquetando en Python de una tupla

Supongamos que en una sesión de Python se tienen en la variable datos una tupla con tres valores. En el caso de que se desee extraer cada uno de estos valores a una variable diferente se puede conseguir seleccionado cada uno de ellos usando los índices y asignándoles a cada una de ellas. Aunque existe una opción más sencilla, el desempaquetado de la tupla. Algo que simplemente requiere escribir entre paréntesis, o corchetes, el nombre de tres variables y asignar a este la tupla. Lo que se puede ver en el siguiente código.

datos = ('Elemento 1', 'Elemento 2', 'Elemento 3')

(var1, var2, var3) = datos

print(var1)
print(var2)
print(var3)
Elemento 1
Elemento 2
Elemento 3

Un ejemplo en el que primero se crean una tupla con tres cadenas de texto y posteriormente se asigna cada una de estas cadenas a una variable. Lo que se puede comprobar sacando por pantalla cada una de las variables.

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)

El número de variables tiene que ser igual al de elementos

A la hora de desempaquetar en Python de una tupla es necesario tener en cuenta que es necesario indicar tantas variables como elementos. En caso contrario se producirá un error, algo que se puede comprobar ejecutando el siguiente código.

(var1, var2) = datos
ValueError                                Traceback (most recent call last)
Input In [2], in <cell line: 1>()
----> 1 (var1, var2) = datos

ValueError: too many values to unpack (expected 2)

Produciendo un error que nos indica que hay demasiados valores para desempaquetar. Sucediendo algo similar en el caso contrario, cuando hay demasiados valores como sucede en el siguiente ejemplo.

(var1, var2, var3, var4) = datos
ValueError                                Traceback (most recent call last)
Input In [3], in <cell line: 1>()
----> 1 (var1, var2, var3, var4) = datos

ValueError: not enough values to unpack (expected 4, got 3)

Aunque en este caso el error generado es diferente, señalando que hay pocos valores para desempaquetar.

Publicidad


Uso de * para guardar valores en una tupla

Cuando se desconoce el número de elementos, o solamente se desean los primeros, se puede usar * antes de la última variable para indicar que el resto de los objetos de carguen en esta. Así el último elemento será una nueva tupla con todos los valores no asignados. En el siguiente trozo de código se puede ver el funcionamiento de este modificador.

(var1, *var2) = datos

print(var1)
print(var2)
Elemento 1
['Elemento 2', 'Elemento 3']

En los resultados se puede ver que los dos últimos valores se han cargado en una nueva lista.

Desempaquetando en Python de una lista

Lo que se ha visto hasta ahora para las tuplas aplica también para las listas sin necesidad de hacer ningún cambio. El siguiente código, donde datos es ahora una lista, funciona igual que los ejemplos anteriores.

datos = ['Elemento 1', 'Elemento 2', 'Elemento 3']

(var1, var2, var3) = datos

print(var1)
print(var2)
print(var3)
Elemento 1
Elemento 2
Elemento 3

Conclusiones

El proceso de desempaquetado en Python de una tupla o lista es una operación sencilla con la que se puede asignar el contenido de uno de estos objetos a unas variables. Haciendo que el código sea más fácil de leer al poder asignar un nombre significativo a cada una de las variables.

Imagen de Mediamodifier 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

  • 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