Python
Tutorial Python: Comprehensions
Aprende comprehensions en Python para crear listas, diccionarios y conjuntos de forma concisa y eficiente con ejemplos prácticos y sintaxis clara.
Aprende Python y certifícateList comprehension
Las list comprehensions son una característica elegante y concisa de Python que permite crear listas de manera expresiva en una sola línea de código. Esta construcción sintáctica proporciona una alternativa más legible y compacta a los bucles tradicionales cuando necesitamos generar, transformar o filtrar elementos para crear una nueva lista.
Sintaxis básica
La sintaxis básica de una list comprehension es:
[expresión for elemento in iterable]
Donde:
expresión
es la operación que se aplicará a cada elementoelemento
es la variable que representa cada ítem del iterableiterable
es la colección sobre la que iteramos (lista, tupla, cadena, etc.)
Comparación con bucles tradicionales
Para entender mejor el valor de las list comprehensions, comparemos cómo se crearía una lista con un bucle tradicional y con una list comprehension:
Usando un bucle tradicional:
# Crear una lista con los cuadrados de los números del 0 al 9
cuadrados = []
for numero in range(10):
cuadrados.append(numero ** 2)
print(cuadrados) # [0, 1, 4, 9, 16, 25, 36, 49, 64, 81]
Usando list comprehension:
# El mismo resultado con list comprehension
cuadrados = [numero ** 2 for numero in range(10)]
print(cuadrados) # [0, 1, 4, 9, 16, 25, 36, 49, 64, 81]
Como puedes ver, la list comprehension es más concisa y expresiva, reduciendo cuatro líneas de código a una sola, sin sacrificar la legibilidad.
Añadiendo condiciones
Las list comprehensions también pueden incluir condiciones para filtrar elementos:
[expresión for elemento in iterable if condición]
Por ejemplo, si queremos obtener solo los números pares del 0 al 9:
# Con bucle tradicional
pares = []
for numero in range(10):
if numero % 2 == 0:
pares.append(numero)
print(pares) # [0, 2, 4, 6, 8]
# Con list comprehension
pares = [numero for numero in range(10) if numero % 2 == 0]
print(pares) # [0, 2, 4, 6, 8]
Casos de uso prácticos
Transformación de datos
Las list comprehensions son ideales para transformar datos de una lista:
# Convertir temperaturas de Celsius a Fahrenheit
celsius = [0, 10, 20, 30, 40]
fahrenheit = [(9/5) * temp + 32 for temp in celsius]
print(fahrenheit) # [32.0, 50.0, 68.0, 86.0, 104.0]
Extracción de datos
Podemos extraer información específica de estructuras complejas:
# Extraer nombres de una lista de diccionarios
usuarios = [
{"nombre": "Ana", "edad": 28},
{"nombre": "Carlos", "edad": 35},
{"nombre": "Elena", "edad": 23}
]
nombres = [usuario["nombre"] for usuario in usuarios]
print(nombres) # ['Ana', 'Carlos', 'Elena']
Manipulación de cadenas
Las list comprehensions son muy útiles para procesar texto:
# Convertir una lista de palabras a mayúsculas
palabras = ["python", "es", "genial"]
mayusculas = [palabra.upper() for palabra in palabras]
print(mayusculas) # ['PYTHON', 'ES', 'GENIAL']
# Extraer la primera letra de cada palabra
primeras_letras = [palabra[0] for palabra in palabras]
print(primeras_letras) # ['p', 'e', 'g']
Filtrado de datos
Podemos filtrar elementos basados en condiciones:
# Filtrar números mayores que 5
numeros = [2, 8, 1, 6, 3, 9, 4]
mayores_que_cinco = [num for num in numeros if num > 5]
print(mayores_que_cinco) # [8, 6, 9]
# Filtrar palabras que empiezan con 'a'
frutas = ["manzana", "banana", "arándano", "pera", "aguacate"]
frutas_con_a = [fruta for fruta in frutas if fruta.startswith('a')]
print(frutas_con_a) # ['arándano', 'aguacate']
Rendimiento y consideraciones
Las list comprehensions no solo son más concisas, sino que también suelen ser más eficientes que los bucles tradicionales para crear listas. Esto se debe a que están optimizadas a nivel de implementación en Python.
Sin embargo, es importante considerar algunas recomendaciones:
Legibilidad: Aunque son concisas, evita crear list comprehensions demasiado complejas que dificulten la lectura del código.
Memoria: Ten cuidado con crear list comprehensions sobre colecciones muy grandes, ya que se crea una lista completa en memoria.
# Para colecciones muy grandes, considera usar generadores en lugar de list comprehensions
# Esto no crea toda la lista en memoria de una vez
numeros_grandes = (x for x in range(1_000_000)) # Paréntesis en lugar de corchetes
- Expresividad: Las list comprehensions brillan cuando la operación a realizar es simple y directa. Para lógica más compleja, un bucle tradicional puede ser más apropiado.
Ejemplo de aplicación real
Veamos un ejemplo más completo donde las list comprehensions pueden simplificar significativamente el código:
# Supongamos que tenemos datos de ventas por producto
ventas = [
{"producto": "laptop", "unidades": 20, "precio": 800},
{"producto": "teclado", "unidades": 50, "precio": 25},
{"producto": "mouse", "unidades": 30, "precio": 15},
{"producto": "monitor", "unidades": 10, "precio": 200}
]
# Calcular el valor total de ventas por producto
valor_por_producto = [item["unidades"] * item["precio"] for item in ventas]
print(valor_por_producto) # [16000, 1250, 450, 2000]
# Encontrar productos con ventas superiores a $1000
productos_alto_valor = [item["producto"] for item in ventas if item["unidades"] * item["precio"] > 1000]
print(productos_alto_valor) # ['laptop', 'teclado', 'monitor']
Las list comprehensions son una herramienta poderosa en Python que te permite escribir código más limpio, conciso y a menudo más eficiente. Dominarlas es esencial para escribir código Python idiomático y expresivo.
Dict comprehension
Las dict comprehensions son una extensión natural de las list comprehensions en Python, permitiéndonos crear diccionarios de manera concisa y elegante en una sola línea de código. Esta construcción sintáctica es especialmente útil cuando necesitamos generar, transformar o filtrar pares clave-valor para crear un nuevo diccionario.
Sintaxis básica
La sintaxis básica de una dict comprehension es:
{clave: valor for elemento in iterable}
Donde:
clave
es la expresión que generará las claves del diccionariovalor
es la expresión que generará los valores asociadoselemento
es la variable que representa cada ítem del iterableiterable
es la colección sobre la que iteramos
Comparación con métodos tradicionales
Veamos cómo se crearía un diccionario con un enfoque tradicional versus una dict comprehension:
Usando un bucle tradicional:
# Crear un diccionario con números como claves y sus cuadrados como valores
cuadrados = {}
for numero in range(5):
cuadrados[numero] = numero ** 2
print(cuadrados) # {0: 0, 1: 1, 2: 4, 3: 9, 4: 16}
Usando dict comprehension:
# El mismo resultado con dict comprehension
cuadrados = {numero: numero ** 2 for numero in range(5)}
print(cuadrados) # {0: 0, 1: 1, 2: 4, 3: 9, 4: 16}
La dict comprehension reduce significativamente la cantidad de código necesario, haciéndolo más expresivo y directo.
Añadiendo condiciones
Al igual que con las list comprehensions, podemos incluir condiciones para filtrar elementos:
{clave: valor for elemento in iterable if condición}
Por ejemplo, si queremos crear un diccionario solo con los números pares y sus cuadrados:
# Con bucle tradicional
pares_cuadrados = {}
for numero in range(10):
if numero % 2 == 0:
pares_cuadrados[numero] = numero ** 2
print(pares_cuadrados) # {0: 0, 2: 4, 4: 16, 6: 36, 8: 64}
# Con dict comprehension
pares_cuadrados = {numero: numero ** 2 for numero in range(10) if numero % 2 == 0}
print(pares_cuadrados) # {0: 0, 2: 4, 4: 16, 6: 36, 8: 64}
Casos de uso prácticos
Transformación de diccionarios existentes
Las dict comprehensions son ideales para transformar diccionarios:
# Convertir valores de un diccionario a mayúsculas
frutas = {"a": "apple", "b": "banana", "c": "cherry"}
frutas_mayusculas = {clave: valor.upper() for clave, valor in frutas.items()}
print(frutas_mayusculas) # {'a': 'APPLE', 'b': 'BANANA', 'c': 'CHERRY'}
Invertir un diccionario
Podemos invertir fácilmente las claves y valores de un diccionario:
# Invertir claves y valores
original = {"a": 1, "b": 2, "c": 3}
invertido = {valor: clave for clave, valor in original.items()}
print(invertido) # {1: 'a', 2: 'b', 3: 'c'}
Creación de diccionarios a partir de listas
Podemos crear diccionarios a partir de una o más listas:
# Crear un diccionario a partir de dos listas
claves = ["nombre", "edad", "ciudad"]
valores = ["Ana", 28, "Madrid"]
persona = {claves[i]: valores[i] for i in range(len(claves))}
print(persona) # {'nombre': 'Ana', 'edad': 28, 'ciudad': 'Madrid'}
# Alternativa usando zip (más idiomático en Python)
persona = {clave: valor for clave, valor in zip(claves, valores)}
print(persona) # {'nombre': 'Ana', 'edad': 28, 'ciudad': 'Madrid'}
Filtrado de diccionarios
Podemos filtrar elementos de un diccionario basándonos en condiciones:
# Filtrar elementos de un diccionario por valor
stock = {"manzanas": 10, "plátanos": 3, "naranjas": 25, "peras": 0}
disponibles = {fruta: cantidad for fruta, cantidad in stock.items() if cantidad > 0}
print(disponibles) # {'manzanas': 10, 'plátanos': 3, 'naranjas': 25}
Procesamiento de datos estructurados
Las dict comprehensions son muy útiles para procesar y transformar datos estructurados:
# Extraer información específica de una lista de diccionarios
estudiantes = [
{"id": 1, "nombre": "Ana", "nota": 8.5},
{"id": 2, "nombre": "Carlos", "nota": 7.2},
{"id": 3, "nombre": "Elena", "nota": 9.3}
]
# Crear un diccionario con id como clave y nombre como valor
id_nombre = {estudiante["id"]: estudiante["nombre"] for estudiante in estudiantes}
print(id_nombre) # {1: 'Ana', 2: 'Carlos', 3: 'Elena'}
# Crear un diccionario con nombre como clave y nota como valor
nombre_nota = {estudiante["nombre"]: estudiante["nota"] for estudiante in estudiantes}
print(nombre_nota) # {'Ana': 8.5, 'Carlos': 7.2, 'Elena': 9.3}
Combinando condiciones en clave y valor
Podemos aplicar lógica tanto a las claves como a los valores:
# Crear un diccionario con nombres en mayúsculas y notas redondeadas
nombre_nota_formateado = {
estudiante["nombre"].upper(): round(estudiante["nota"])
for estudiante in estudiantes
}
print(nombre_nota_formateado) # {'ANA': 8, 'CARLOS': 7, 'ELENA': 9}
Rendimiento y consideraciones
Las dict comprehensions, al igual que las list comprehensions, suelen ser más eficientes que los bucles tradicionales para crear diccionarios. Sin embargo, hay algunas consideraciones importantes:
Legibilidad: Mantén las dict comprehensions simples. Si la expresión se vuelve demasiado compleja, considera usar un bucle tradicional.
Claves únicas: Recuerda que los diccionarios requieren claves únicas. Si tu dict comprehension genera claves duplicadas, las posteriores sobrescribirán a las anteriores.
# Ejemplo de sobrescritura de claves
letras = ["a", "b", "a", "c"]
conteo = {letra: letras.count(letra) for letra in letras}
print(conteo) # {'a': 2, 'b': 1, 'c': 1}
# Para evitar duplicados, puedes usar un conjunto
conteo = {letra: letras.count(letra) for letra in set(letras)}
print(conteo) # {'a': 2, 'b': 1, 'c': 1}
- Memoria: Para colecciones muy grandes, considera si realmente necesitas todo el diccionario en memoria a la vez.
Ejemplo de aplicación real
Veamos un ejemplo más completo donde las dict comprehensions pueden simplificar significativamente el código:
# Supongamos que tenemos datos de ventas por región
ventas_por_region = [
{"region": "Norte", "producto": "A", "ventas": 100},
{"region": "Norte", "producto": "B", "ventas": 200},
{"region": "Sur", "producto": "A", "ventas": 300},
{"region": "Sur", "producto": "B", "ventas": 150},
{"region": "Este", "producto": "A", "ventas": 250},
{"region": "Oeste", "producto": "B", "ventas": 50}
]
# Crear un diccionario con el total de ventas por región
total_por_region = {}
for venta in ventas_por_region:
region = venta["region"]
if region in total_por_region:
total_por_region[region] += venta["ventas"]
else:
total_por_region[region] = venta["ventas"]
print(total_por_region)
# {'Norte': 300, 'Sur': 450, 'Este': 250, 'Oeste': 50}
# La misma operación con dict comprehension y defaultdict
from collections import defaultdict
# Primero agrupamos las ventas por región
ventas_agrupadas = defaultdict(int)
for venta in ventas_por_region:
ventas_agrupadas[venta["region"]] += venta["ventas"]
# Luego convertimos el defaultdict a un diccionario normal
total_por_region = dict(ventas_agrupadas)
print(total_por_region)
# {'Norte': 300, 'Sur': 450, 'Este': 250, 'Oeste': 50}
# O de forma más directa con dict comprehension (para casos simples)
# Nota: esto funciona porque estamos creando un nuevo diccionario, no agrupando
productos_a = {venta["region"]: venta["ventas"] for venta in ventas_por_region if venta["producto"] == "A"}
print(productos_a)
# {'Norte': 100, 'Sur': 300, 'Este': 250}
Las dict comprehensions son una herramienta potente que te permite escribir código más conciso y expresivo para la creación y transformación de diccionarios en Python. Dominar esta técnica te ayudará a escribir código más elegante y mantenible.
Set comprehension
Las set comprehensions completan la familia de comprehensions en Python, proporcionando una forma elegante y concisa de crear conjuntos (sets) en una sola línea de código. Al igual que sus contrapartes para listas y diccionarios, esta construcción permite generar, transformar y filtrar elementos para crear un nuevo conjunto de manera expresiva.
Sintaxis básica
La sintaxis básica de una set comprehension es:
{expresión for elemento in iterable}
Donde:
expresión
es la operación que se aplicará a cada elementoelemento
es la variable que representa cada ítem del iterableiterable
es la colección sobre la que iteramos
Observa que la sintaxis es muy similar a la list comprehension, con la diferencia de que usamos llaves {}
en lugar de corchetes []
.
Comparación con métodos tradicionales
Veamos cómo se crearía un conjunto usando un enfoque tradicional versus una set comprehension:
Usando un bucle tradicional:
# Crear un conjunto con los cuadrados de los números del 0 al 4
cuadrados = set()
for numero in range(5):
cuadrados.add(numero ** 2)
print(cuadrados) # {0, 1, 4, 9, 16}
Usando set comprehension:
# El mismo resultado con set comprehension
cuadrados = {numero ** 2 for numero in range(5)}
print(cuadrados) # {0, 1, 4, 9, 16}
La set comprehension reduce el código a una sola línea, haciéndolo más conciso y directo.
Características únicas de los conjuntos
Es importante recordar que los conjuntos en Python tienen dos características fundamentales:
- No mantienen un orden específico de los elementos
- No permiten elementos duplicados
Estas características hacen que las set comprehensions sean particularmente útiles para eliminar duplicados de una secuencia:
# Eliminar duplicados de una lista
numeros = [1, 2, 2, 3, 4, 3, 5, 5, 1]
numeros_unicos = {numero for numero in numeros}
print(numeros_unicos) # {1, 2, 3, 4, 5}
Añadiendo condiciones
Al igual que con las otras comprehensions, podemos incluir condiciones para filtrar elementos:
{expresión for elemento in iterable if condición}
Por ejemplo, si queremos obtener un conjunto con los cuadrados de los números pares del 0 al 9:
# Con bucle tradicional
pares_cuadrados = set()
for numero in range(10):
if numero % 2 == 0:
pares_cuadrados.add(numero ** 2)
print(pares_cuadrados) # {0, 4, 16, 36, 64}
# Con set comprehension
pares_cuadrados = {numero ** 2 for numero in range(10) if numero % 2 == 0}
print(pares_cuadrados) # {0, 4, 16, 36, 64}
Casos de uso prácticos
Eliminación de duplicados
Una de las aplicaciones más comunes de las set comprehensions es eliminar duplicados mientras se transforma la información:
# Obtener las primeras letras únicas de una lista de palabras
palabras = ["manzana", "banana", "mango", "melón", "mora", "naranja"]
primeras_letras = {palabra[0] for palabra in palabras}
print(primeras_letras) # {'m', 'b', 'n'}
Filtrado de datos únicos
Podemos filtrar elementos basados en condiciones y asegurar que sean únicos:
# Obtener las vocales únicas en un texto
texto = "python es un lenguaje de programación versátil"
vocales = {letra for letra in texto.lower() if letra in "aeiou"}
print(vocales) # {'a', 'e', 'i', 'o', 'u'}
Transformación de datos con eliminación de duplicados
Las set comprehensions son ideales cuando necesitamos transformar datos y eliminar duplicados en un solo paso:
# Obtener las longitudes únicas de palabras en una lista
palabras = ["casa", "perro", "sol", "luna", "mar", "montaña"]
longitudes_unicas = {len(palabra) for palabra in palabras}
print(longitudes_unicas) # {3, 4, 5, 7}
Operaciones matemáticas sobre conjuntos
Podemos usar set comprehensions para realizar operaciones matemáticas sobre conjuntos:
# Crear un conjunto con los residuos de dividir números entre 5
residuos = {numero % 5 for numero in range(20)}
print(residuos) # {0, 1, 2, 3, 4}
Combinación con operaciones de conjuntos
Las set comprehensions se pueden combinar con operaciones de conjuntos como unión, intersección y diferencia:
# Definimos dos conjuntos
A = {1, 2, 3, 4, 5}
B = {4, 5, 6, 7, 8}
# Crear un conjunto con los elementos que están en A o B, multiplicados por 2
union_doble = {elemento * 2 for elemento in A.union(B)}
print(union_doble) # {2, 4, 6, 8, 10, 12, 14, 16}
# Crear un conjunto con los elementos comunes a A y B, elevados al cuadrado
interseccion_cuadrado = {elemento ** 2 for elemento in A.intersection(B)}
print(interseccion_cuadrado) # {16, 25}
Ejemplo de aplicación real
Veamos un ejemplo más completo donde las set comprehensions pueden ser muy útiles:
# Supongamos que tenemos datos de productos comprados por diferentes clientes
compras = [
{"cliente": "Ana", "producto": "laptop"},
{"cliente": "Juan", "producto": "teléfono"},
{"cliente": "Ana", "producto": "auriculares"},
{"cliente": "Pedro", "producto": "laptop"},
{"cliente": "Juan", "producto": "auriculares"},
{"cliente": "Ana", "producto": "teléfono"}
]
# Obtener el conjunto de productos únicos comprados
productos_unicos = {compra["producto"] for compra in compras}
print(productos_unicos) # {'laptop', 'teléfono', 'auriculares'}
# Obtener el conjunto de clientes que compraron laptops
compradores_laptop = {compra["cliente"] for compra in compras if compra["producto"] == "laptop"}
print(compradores_laptop) # {'Ana', 'Pedro'}
# Obtener las primeras letras de los nombres de clientes
iniciales_clientes = {cliente["cliente"][0] for cliente in compras}
print(iniciales_clientes) # {'A', 'J', 'P'}
Rendimiento y consideraciones
Las set comprehensions, al igual que las otras comprehensions, suelen ser más eficientes que los bucles tradicionales para crear conjuntos. Sin embargo, hay algunas consideraciones importantes:
- Orden: Recuerda que los conjuntos no mantienen un orden específico. Si el orden es importante, considera usar list comprehension y luego convertir a conjunto si es necesario.
# Si necesitas mantener el orden y eliminar duplicados
numeros = [5, 2, 3, 1, 4, 3]
numeros_unicos_ordenados = list(dict.fromkeys(numeros)) # Truco para mantener orden
print(numeros_unicos_ordenados) # [5, 2, 3, 1, 4]
- Hashabilidad: Los elementos de un conjunto deben ser hashables (inmutables). No puedes incluir listas o diccionarios en un conjunto.
# Esto causará un error
# conjunto_invalido = {[1, 2], [3, 4]} # TypeError: unhashable type: 'list'
# Pero puedes usar tuplas (que son inmutables)
conjunto_valido = {(1, 2), (3, 4)}
print(conjunto_valido) # {(1, 2), (3, 4)}
- Eficiencia en búsquedas: Los conjuntos están optimizados para operaciones de pertenencia (verificar si un elemento está en el conjunto), lo que los hace ideales para eliminar duplicados y realizar búsquedas rápidas.
# Verificar pertenencia en un conjunto es más rápido que en una lista
numeros_grandes = range(10000)
conjunto_numeros = {n for n in numeros_grandes}
# Esto es muy eficiente
print(9999 in conjunto_numeros) # True
Combinando diferentes tipos de comprehensions
A veces, es útil combinar diferentes tipos de comprehensions para resolver problemas más complejos:
# Crear un diccionario donde las claves son palabras únicas y los valores son sus longitudes
texto = "el perro corre tras el gato y el gato corre tras el ratón"
palabras = texto.split()
diccionario_longitudes = {palabra: len(palabra) for palabra in {p for p in palabras}}
print(diccionario_longitudes)
# {'perro': 5, 'el': 2, 'corre': 5, 'tras': 4, 'gato': 4, 'y': 1, 'ratón': 5}
Las set comprehensions son una herramienta poderosa en Python que te permite crear conjuntos de manera concisa y elegante. Son especialmente útiles cuando necesitas eliminar duplicados mientras transformas o filtras datos, aprovechando la naturaleza única de los conjuntos en Python.
Ejercicios de esta lección Comprehensions
Evalúa tus conocimientos de esta lección Comprehensions con nuestros retos de programación de tipo Test, Puzzle, Código y Proyecto con VSCode, guiados por IA.
Módulo math
Reto herencia
Excepciones
Introducción a Python
Reto variables
Funciones Python
Reto funciones
Módulo datetime
Reto acumulación
Reto estructuras condicionales
Polimorfismo
Módulo os
Reto métodos dunder
Diccionarios
Reto clases y objetos
Reto operadores
Operadores
Estructuras de control
Funciones lambda
Reto diccionarios
Reto función lambda
Encapsulación
Reto coleciones
Reto funciones auxiliares
Crear módulos y paquetes
Módulo datetime
Excepciones
Operadores
Diccionarios
Reto map, filter
Reto tuplas
Proyecto gestor de tareas CRUD
Tuplas
Variables
Tipos de datos
Conjuntos
Reto mixins
Módulo csv
Módulo json
Herencia
Análisis de datos de ventas con Pandas
Reto fechas y tiempo
Reto estructuras de iteración
Funciones
Reto comprehensions
Variables
Reto serialización
Módulo csv
Reto polimorfismo
Polimorfismo
Clases y objetos
Reto encapsulación
Estructuras de control
Importar módulos y paquetes
Módulo math
Funciones lambda
Reto excepciones
Listas
Reto archivos
Encapsulación
Reto conjuntos
Clases y objetos
Instalación de Python y creación de proyecto
Reto listas
Tipos de datos
Crear módulos y paquetes
Tuplas
Herencia
Reto acceso a sistema
Proyecto sintaxis calculadora
Importar módulos y paquetes
Clases y objetos
Módulo os
Listas
Conjuntos
Reto tipos de datos
Reto matemáticas
Módulo json
Todas las lecciones de Python
Accede a todas las lecciones de Python y aprende con ejemplos prácticos de código y ejercicios de programación con IDE web sin instalar nada.
Introducción A Python
Introducción
Instalación Y Creación De Proyecto
Introducción
Tema 2: Tipos De Datos, Variables Y Operadores
Introducción
Instalación De Python
Introducción
Tipos De Datos
Sintaxis
Variables
Sintaxis
Operadores
Sintaxis
Estructuras De Control
Sintaxis
Funciones
Sintaxis
Estructuras Control Iterativo
Sintaxis
Estructuras Control Condicional
Sintaxis
Testing Con Pytest
Sintaxis
Listas
Estructuras De Datos
Tuplas
Estructuras De Datos
Diccionarios
Estructuras De Datos
Conjuntos
Estructuras De Datos
Comprehensions
Estructuras De Datos
Clases Y Objetos
Programación Orientada A Objetos
Excepciones
Programación Orientada A Objetos
Encapsulación
Programación Orientada A Objetos
Herencia
Programación Orientada A Objetos
Polimorfismo
Programación Orientada A Objetos
Mixins Y Herencia Múltiple
Programación Orientada A Objetos
Métodos Especiales (Dunder Methods)
Programación Orientada A Objetos
Composición De Clases
Programación Orientada A Objetos
Funciones Lambda
Programación Funcional
Aplicación Parcial
Programación Funcional
Entrada Y Salida, Manejo De Archivos
Programación Funcional
Decoradores
Programación Funcional
Generadores
Programación Funcional
Paradigma Funcional
Programación Funcional
Composición De Funciones
Programación Funcional
Funciones Orden Superior Map Y Filter
Programación Funcional
Funciones Auxiliares
Programación Funcional
Reducción Y Acumulación
Programación Funcional
Archivos Comprimidos
Entrada Y Salida Io
Entrada Y Salida Avanzada
Entrada Y Salida Io
Archivos Temporales
Entrada Y Salida Io
Contexto With
Entrada Y Salida Io
Módulo Csv
Biblioteca Estándar
Módulo Json
Biblioteca Estándar
Módulo Datetime
Biblioteca Estándar
Módulo Math
Biblioteca Estándar
Módulo Os
Biblioteca Estándar
Módulo Re
Biblioteca Estándar
Módulo Random
Biblioteca Estándar
Módulo Time
Biblioteca Estándar
Módulo Collections
Biblioteca Estándar
Módulo Sys
Biblioteca Estándar
Módulo Statistics
Biblioteca Estándar
Módulo Pickle
Biblioteca Estándar
Módulo Pathlib
Biblioteca Estándar
Importar Módulos Y Paquetes
Paquetes Y Módulos
Crear Módulos Y Paquetes
Paquetes Y Módulos
Entornos Virtuales (Virtualenv, Venv)
Entorno Y Dependencias
Gestión De Dependencias (Pip, Requirements.txt)
Entorno Y Dependencias
Python-dotenv Y Variables De Entorno
Entorno Y Dependencias
Acceso A Datos Con Mysql, Pymongo Y Pandas
Acceso A Bases De Datos
Acceso A Mongodb Con Pymongo
Acceso A Bases De Datos
Acceso A Mysql Con Mysql Connector
Acceso A Bases De Datos
Novedades Python 3.13
Características Modernas
Operador Walrus
Características Modernas
Pattern Matching
Características Modernas
Instalación Beautiful Soup
Web Scraping
Sintaxis General De Beautiful Soup
Web Scraping
Tipos De Selectores
Web Scraping
Web Scraping De Html
Web Scraping
Web Scraping Para Ciencia De Datos
Web Scraping
Autenticación Y Acceso A Recursos Protegidos
Web Scraping
Combinación De Selenium Con Beautiful Soup
Web Scraping
En esta lección
Objetivos de aprendizaje de esta lección
- Comprender la sintaxis y uso de list comprehensions para crear y transformar listas.
- Aprender a utilizar dict comprehensions para generar y filtrar diccionarios de manera concisa.
- Conocer las set comprehensions para crear conjuntos únicos y filtrar datos.
- Identificar casos prácticos y ventajas de las comprehensions frente a bucles tradicionales.
- Evaluar consideraciones de rendimiento y legibilidad al usar comprehensions en Python.