Compartir en LinkedIn Compartir en Twitter Compartir en Facebook

keyword del en Python

La keyword del en Python se utiliza para eliminar objetos. En Python, todo es un objeto, por lo que la palabra clave del también se puede usar para eliminar variables, listas o partes de una lista, etc.

La palabra reservada de esta lección forma parte del núcleo del lenguaje Python. No puedes usarla como nombre de variable; su significado es fijo y universal en cualquier proyecto.

Entender keywords reduce errores de sintaxis y acelera la lectura de código ajeno.

En esta lección de keyword del en Python combinamos explicación clara y código ejecutable. El objetivo es que entiendas el concepto y puedas reutilizarlo en tus propios scripts de Python.

Las palabras reservadas forman parte de la gramática del lenguaje: no puedes usarlas como nombres de variables. Memorizar su función te ayuda a leer código ajeno con fluidez.

Errores frecuentes: olvidar la indentación en bloques if, for o def; confundir = con ==; no importar un módulo antes de usarlo.

En esta lección de keyword del en Python combinamos explicación clara y código ejecutable. El objetivo es que entiendas el concepto y puedas reutilizarlo en tus propios scripts de Python.

Las palabras reservadas forman parte de la gramática del lenguaje: no puedes usarlas como nombres de variables. Memorizar su función te ayuda a leer código ajeno con fluidez.

Errores frecuentes: olvidar la indentación en bloques if, for o def; confundir = con ==; no importar un módulo antes de usarlo.

Ejemplo

Eliminar un objeto:

    persona = {"nombre": "Elena", "edad": 28}
del persona["edad"]
print(persona)
  

Ejemplo

Borra una variable

    frutas = ["pera", "mango", "fresa"]
del frutas[0]
print(frutas)
  

Ejemplo

Eliminar el primer elemento de una lista:

    frutas = ["pera", "mango", "fresa"]

del frutas[0]
print(frutas)
  

Practica keyword del en Python en el editor

Pon en práctica lo aprendido con nuestro editor Python interactivo. Cada ejercicio incluye el código de partida y un botón para abrirlo en una nueva pestaña, donde puedes modificarlo y ejecutarlo.

    import numpy as np
import pandas as pd
from sklearn.linear_model import LinearRegression
from sklearn.model_selection import train_test_split
from sklearn.metrics import r2_score

data = {
    "Presupuesto": [5000, 3500, 6000, 4500, 5500],
    "Clics": [12000, 8000, 15000, 10000, 11000],
    "Conversiones": [450, 320, 580, 390, 420],
}
df = pd.DataFrame(data)
X = df[["Presupuesto", "Clics"]]
y = df["Conversiones"]
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
model = LinearRegression().fit(X_train, y_train)
y_pred = model.predict(X_test)
print(r2_score(y_test, y_pred))
  

    from sklearn.datasets import load_iris
from sklearn.linear_model import LogisticRegression
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score

X, y = load_iris(return_X_y=True)
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
model = LogisticRegression(max_iter=200).fit(X_train, y_train)
y_pred = model.predict(X_test)
print(accuracy_score(y_test, y_pred))
  

    persona = {"nombre": "Elena", "edad": 28}
del persona["edad"]
print(persona)
  

Resumen

• Ejecuta y modifica cada ejemplo antes de seguir.
• Revisa errores de indentación y de importación de módulos.
• Consulta la lección anterior y la siguiente del menú lateral.