7. Ambientes Virtuales

Python es un proyecto de código libre muy popular, lo que significa que muchos desarrolladores talentosos contribuyen a la comunidad de Python desarrollando librerías y software también con licencias de código abierto. En caso de necesitar una librería que no se incluya en la distribución actual de Python, es muy probable que algún desarrollador en algún lugar del mundo ya haya implementado una buena solución y que otros desarrolladores que utilizan dicha herramienta colaboren para mantenerla al día. El desarrollo de librerías en Python también puede tener el apoyo de empresas que invierten recursos para mantener y agregarles nuevas funcionalidades. Pero, lamentablemente también puede suceder que alguna librería no tenga suficientes usuarios o no haya tanto interés en su desarrollo y sufra de abandono.

7.1. pip

Los lenguajes modernos incluyen herramientas que permiten a los programadores compartir fácilmente su código, e incluyen comandos para instalar cierta versión anterior de una librería, o actualizar la versión actual a una versión más reciente. En el caso de Python, el programa preferido de instalación de módulos es pip (pip installs packages) ya partir de Python 3.4 se incluye dentro de la distribución binaria del lenguaje.

Antes de empezar con el uso de pip, vamos conocer otros componentes importantes del ecosistema:

PyPI es el índice oficial de paquetes de la comunidad de programadores de Python. Funciona como un repositorio de acceso abierto que permite a los desarrolladores publicar, compartir y reutilizar sus contribuciones de software.

El sitio web principal es https://pypi.org, y es el punto de entrada para explorar e instalar paquetes mediante herramientas como pip.

El software que da vida a PyPI está construido sobre una plataforma llamada Warehouse, que es el sistema backend desarrollado por la Python Packaging Authority (PyPA) el grupo encargado de mantener herramientas como pip y wharehouse. La plataforma es confiable y se considera en producción. PyPI es hoy el estándar de facto para la distribución de paquetes en Python.

Como programador puedes iniciar tu búsqueda en el repositorio y ver los detalles del módulo:

En esta página podemos ver información del módulo y también el comando que debemos ejecutar para instalar la última versión (release). En este caso, el comando:

pip install numpy

Instalaría la última versión al momento de escribir esta sección: 2.3.1. Como debe ser, la instalación de nuevas librerías se realiza desde la línea de comandos.

7.2. venv

Si ejecutamos el comando de instalación de pip, se instalará en la distribución de Python de nuestra computadora. Esto puede ser práctico si queremos probar alguna librería nueva rápidamente, pero no es recomendable cuándo vayamos a incluir algún paquete en un proyecto de software que pensamos mantener a largo plazo. Para esto es mejor crear una «ambiente virtual» de desarrollo. Esto nos permitirá instalar nuevos paquetes en una localidad aislada de la instalación global.

Un ambiente virtual nos permite crear proyectos a largo plazo utilizando versiones de los paquetes posiblemente distintas a las instaladas en otros proyectos o en la instalación global. Si yo hago un proyecto utilizando el framework de «django» version 5.1, pero tengo un proyecto viejo con la versión 4.1 que no he tenido tiempo de actualizar. Si utilizo un ambiente virtual para cada uno, no tengo problema. Además, dependiendo de las necesidades, en un proyecto podría tener algunos paquetes que en el otro no necesito.

Entonces, antes de instalar cualquier cosa, primero vamos a crear un ambiente virtual nuevo.

Linux/Mac OS

python3 -m venv ejemplo_venv
source ejemplo_venv/bin/activate
(ejemplo_venv) >

Windows

py -m venv ejemplo_venv
ejemplo_env\Scripts\activate
(ejemplo_venv) >

El módulo venv crea un nuevo ambiente llamado ejemplo_venv, esto es realmente un directorio que se crea en la ruta en la que ejecutamos el comando.

Después procedemos a «activar» el ambiente. Esto se hace ejecutando un script que se encuentra precisamente dentro del directorio que contiene el ambiente. Este script dependerá del sistema operativo y del intérprete de comandos que utilicemos, por ejemplo: bash, fish, etc. O en Windows PowerShell o Command Prompt.

Una vez activado el ambiente el prompt nos muestra un indicador, en mi caso muestra el ambiente entre paréntesis: (ejemplo_venv), esto varía dependiendo del formato actual de tu intérprete de comandos.

Nota

Este directorio puede crearse en la raíz de un proyecto y normalmente se llama venv o .venv. Esto es importante, porque algunas herramientas como Visual Studio Code buscan algún directorio que incluya un ambiente para activarlo de manera automática.

Nota

Para desactivar un ambiente utilizamos el comando deactivate. Cada que iniciemos una nueva sesión en la línea de comandos debemos activar el ambiente.

Una vez activado el ambiente podemos ver el listado de módulos instalados actualmente:

En mi computadora actual:

(ejemplo_venv) PS C:\Users\Mario> py -m pip list
Package Version
------- -------
pip     24.3.1

Esto es muy distinto a la cantidad de paquetes en la instalación global de Python o de otros ambientes que tengo en la máquina. Aunque el ambiente parece vacío, incluye todos los módulos de la biblioteca estándar. Vamos instalando algún nuevo módulo.

La instalación de la última versión de un nuevo paquete (o módulo) y sus dependencias en PyPI se hace con el parámetro install aquí te muestro algunas variantes:

python -m pip install algúnPaquete
python -m pip install algúnPaquete==2.2.4    # instala la versión especificada
python -m pip install "algúnPaquete>=2.2.4"  # la versión o superior
python -m pip install "algúnPaquete>=1,<2"   # rangos

En caso de que el módulo ya se encuentre instalado se puede actualizar:

python -m pip install --upgrade algúnPaquete

Y para desinstalar:

python -m pip uninstall algúnPaquete

Vamos a instalar la última versión de la librería numpy que nos va a permitir trabajar con matrices y arreglos multidimensionales:

(ejemplo_venv) PS C:\Users\Mario> py -m pip install numpy
Collecting numpy
Using cached numpy-2.3.1-cp313-cp313-win_amd64.whl.metadata (60 kB)
Downloading numpy-2.3.1-cp313-cp313-win_amd64.whl (12.7 MB)
   ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ 12.7/12.7 MB 12.3 MB/s eta 0:00:00
Installing collected packages: numpy
Successfully installed numpy-2.3.1

[notice] A new release of pip is available: 24.3.1 -> 25.1.1
[notice] To update, run: python.exe -m pip install --upgrade pip
(ejemplo_venv) PS C:\Users\Mario>

Si te fijas, pip utilizó una versión almacenada en un directorio local de los metadatos de la librería (Using cached ..). Bajó los archivos y los instaló correctamente. Se utilizó una versión en caché porque ya habíamos instalado la librería en otro ambiente.

Vamos a entrar al intérprete y vamos a revisar que se instaló el paquete correctamente:

>>> import numpy as np
>>> arr = np.array([[1, 2, 3],[4, 5, 6]])
>>> print(arr)
[[1 2 3]
[4 5 6]]
>>>

7.3. pip freeze

Ya que tenemos una o más librerías para nuestro proyecto, estas se consideran requerimientos para el proyecto. El ambiente una vez creado se considera como un recurso efímero que solo sirve para la instalación local:

• Si queremos ejecutar nuestro proyecto en otra máquina, no copiamos el ambiente, lo reconstruimos.

• Tampoco debemos mantener el directorio de ambiente en sistemas de control de versiones como git, ya que es un recurso independiente de nuestro código.

Una manera básica de reconstruir un ambiente es utilizando el comando pip para que nos de un listado de los paquetes incluidos en el ambiente en este momento. Este listado lo guardamos en un archivo que después podemos utilizar para recrear el ambiente instalando todos los paquetes necesarios. Veamos un ejemplo.

Primero instalaré un paquete con dependencias para que el ejemplo se vea mejor: .. code-block:: bash

(ejemplo_venv)> py -m pip install requests

Una vez de instalar la librería request, vamos a ejecutar el comando freeze que nos da un listado de los paquetes del ambiente actual:

> py -m pip freeze
certifi==2025.7.9
charset-normalizer==3.4.2
idna==3.10
numpy==2.3.1
requests==2.32.4
urllib3==2.5.0

Vemos que está numpy==2.3.1 y requests==2.32.4. Se incluyen además otras dependencias, cada una con su versión.

Vamos a ejecutar el comando de nuevo pero esta vez la salida del comando la vamos a guardar en un archivo al que llamaremos requirements.txt. Este nombre es común dentro de los proyectos de Python.

> py -m pip freeze > requirements.txt

El archivo de requirements.txt si es muy importante y debemos mantenerlo como parte de nuestro proyecto. Si otro programador desea instalar nuestro proyecto, deba bajar el código fuente y el archivo de requirements.txt para instalar las dependencias. Esto se hace con el comando pip:

> py -m pip install -r .\requirements.txt

Utilizamos el parámetro -r para indicar que instale la lista de paquetes que se encuentra en el archivo requirements.txt. Si ejecutamos el comando en el ambiente actual, el comando nos dirá que ya están instalados los paquetes. Este mecanismo garantiza la reproducibilidad del entorno de ejecución.

Resumen del capítulo

En este capítulo estudiamos cómo Python gestiona librerías externas y dependencias mediante herramientas del ecosistema oficial como pip y venv.

Analizamos el papel de PyPI como repositorio central de paquetes, así como el funcionamiento básico de pip para instalar, actualizar y eliminar librerías. Posteriormente introdujimos el concepto de ambientes virtuales, destacando su importancia para aislar dependencias, evitar conflictos de versiones y facilitar el mantenimiento de proyectos a largo plazo.

Vimos cómo crear y activar ambientes virtuales utilizando el módulo estándar venv, así como la forma correcta de instalar paquetes dentro de estos entornos. Finalmente, explicamos cómo capturar las dependencias de un proyecto mediante pip freeze y el archivo requirements.txt, permitiendo reconstruir el ambiente de manera reproducible en otras máquinas o sistemas.