• 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

¿Cómo saber la versión de Pandas o cualquier otra librería en Python?

septiembre 25, 2023 Por Daniel Rodríguez Deja un comentario
Tiempo de lectura: 3 minutos

Pandas, al igual que la mayoría de las librerías de Python, es un software del que se están publicando continuamente versiones con mejoras y nuevas funcionalidades. Por eso, saber la versión de Pandas puede ser algo necesario. Especialmente cuando se desea utilizar nuevas funcionalidades que solamente se encuentran a partir de una versión. Veamos cómo se puede saber en Python cuál es la versión instalada de Pandas o de cualquier otra librería.

Comprobar la versión de Pandas instalada en Python

La forma más sencilla para conocer la versión de Pandas instada en nuestro sistema es usar la propiedad __version__ que existe en liberas de Python. Algo que se puede hacer una vez importada la librería.

import pandas

print(pandas.__version__)
1.5.3

En este caso, la versión de Python que está instalada en el sistema es la 1.5.3. La última revisión de la versión 1 de Pandas fue lanzada el 18 de enero de 2023.

Habitualmente Pandas se suele importar empleando el alias pd, lo que no se ha hecho en ejemplo anterior. Cuando se hace esto no existen pandas en el espacio de trabajo, por lo que para acceder a la propiedad se debe usar el alias como se muestra a continuación.

import pandas as pd

print(pd.__version__)
1.5.3

Como es de esperar, el número de versión es el mismo que antes, pero ahora si se hubiese usado pandas.__version__ se produciría un error.

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)

Significado del número de versión

En Python las librerías suelen emplear el esquema de numeración semántica (SemVer, del inglés Semantic Versioning). Una convección estándar para numerar las versiones de software que se ha vuelto ampliamente adoptada en la industria.

El esquema de numeración semántica permite comprender de una forma rápida la compatibilidad y el alcance de los cambios en una nueva versión del software. Para lo que se emplean tres números: principal (major), secundario (minor) y revisión (patch). Cada uno de los cuales tiene un significado específico.

  1. Número Principal (Major Version): El primer número (1 en este caso) representa la versión principal del software. Los cambios en el número principal generalmente indican cambios significativos y pueden implicar incompatibilidades con versiones anteriores. Por ejemplo, un cambio de la versión 1.x a la versión 2.0 a menudo indica importantes reescrituras o adiciones al software que pueden requerir modificaciones en el código existente.
  2. Número Secundario (Minor Version): El segundo número (2 en este caso) representa la versión secundaria del software. Los cambios en la versión secundaria generalmente indican nuevas características o mejoras importantes que son compatibles con la versión principal actual. Por ejemplo, una actualización de la versión 1.2 a la versión 1.3 podría agregar nuevas características o mejoras, pero no debería causar incompatibilidades importantes.
  3. Número de Revisión (Patch Version): El tercer número (3 en este caso) representa el número de revisión o parche del software. Los cambios en el número de revisión suelen indicar correcciones de errores, mejoras menores o actualizaciones de seguridad. Estas actualizaciones generalmente son totalmente compatibles con las versiones principales y secundarias actuales.

Así la versión de Pandas 1.5.3 indica que se está usando la versión principal 1, la versión secundaria 5 y el número de revisión 3. Las actualizaciones de versión principal, como es el caso de la 2.0.0, puede afectar a la compatibilidad, por lo que antes de actualizar se debería evaluar las posibles implicaciones del cambio. En el caso de las versiones secundarias, a pesar de incluir cambios importantes, estos no deberían afectar a la compatibilidad. Finalmente, las revisiones solo contienen soluciones de errores, por lo que no debería existir problema a la hora de actualizar.

Publicidad


Conclusiones

En esta entrada se ha visto cómo se puede saber la versión de Pandas o cualquier otra librería instalada en nuestro sistema Python. Saber este dato es importante ya que existen características que se introducen en algunas versiones y no están disponibles en las anteriores. También se ha visto cómo interpretar el número de versión para saber cuándo las actualizaciones pueden tener problemas y cuando no.

Imagen de Willfried Wende 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?

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)
  • Analytics Lane lanza la versión 1.1 del laboratorio con nuevas suites de CLV y Scoring
  • 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
  • Ley de Benford: cómo detectar datos manipulados con ejemplos reales
  • Síndrome del objeto brillante en ciencia de datos: el error simétrico a los costes hundidos
  • De la Regresión Logística al Scorecard: La Transformación Matemática

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

Noticias

Analytics Lane lanza la versión 1.2 del laboratorio con nuevas herramientas de ajuste de curvas y cálculo matricial

junio 12, 2026 Por Daniel Rodríguez

La vanidad del paisaje, o por qué un becario sale a contar grúas a Manhattan – El bestiario de los indicadores económicos absurdos (parte 2)

junio 11, 2026 Por Daniel Rodríguez

Cómo comparar tendencias con gráficos de líneas en Matplotlib: guía práctica paso a paso

junio 9, 2026 Por Daniel Rodríguez

Publicidad

Es tendencia

  • Método del codo (Elbow method) para seleccionar el número óptimo de clústeres en K-means publicado el junio 9, 2023 | en Ciencia de datos
  • Probabilidad básica: cómo entender el azar en nuestra vida diaria publicado el junio 24, 2025 | en Ciencia de datos, Opinión
  • Cómo solucionar problemas de red en VirtualBox: Guía completa publicado el junio 11, 2025 | en Herramientas
  • Cómo dar formato a datos en Pandas publicado el junio 17, 2024 | en Python
  • 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

4.9 (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