• 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

Diferencias entre str y repr en Python

julio 3, 2020 Por Daniel Rodríguez Deja un comentario
Tiempo de lectura: 3 minutos

Las clases de Python tienen por defecto dos métodos que a primera vista pueden parecen el mismo __str__ y __repr__. Aunque realmente son diferentes. Por eso, para acceder a cada una de los métodos Python cuenta con dos funciones diferentes: str() y repr(). A la hora de crear nuestros objetos es necesario conocer cuales son las diferencias existen y cuando se deben usar str y repr en Python.

Los métodos en los tipos primitivos

En primer lugar, podemos ver qué pasa al usar las funciones str y repr de Python en tipos de datos primitivos. Así, podemos ver que pasa cuando se utilizan con enteros.

valor = 12

str(valor)   # '12'
repr(valor)  # '12'

No se aprecia ninguna diferencia entre uno y otro. Lo que nos puede inducir a pensar que son el mismo. Pero no sucede los mismo cuando se trabaja con otros tipos de datos como pueden ser las cadenas de texto.

cadena = 'cadena'

str(cadena)  # 'cadena'
repr(cadena) # "'cadena'"

En este caso se observa una pequeña diferencia, la función str devuelve la cadena de texto mientras que repr devuelve una cadena de texto dentro de otra. Lo que indica que no son la misma función.

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)

Diferencias entre str y repr en Python

Ahora podemos enumerar cuales son las principales diferencias que existe entre las dos funciones son:

  • En el método __str__ debe usarse para crear los mensajes que serán presentados al usuario final, por lo que deben ser fácilmente legibles. Mientras que el método __repr__ se usa para depuración y desarrollo, por lo que sus mensajes ha de ser inequívocos.
  • Además, __repr__ calcula la representación de cadena “oficial” de un objeto y __str__ se usa para calcular la representación de cadena “informal” de un objeto. Por lo que la primera ha de contener más información que la segunda.
  • La función print() usa __str__, al igual que la función str() para generar la cadena que representa al objeto. Solo si no se ha definido una implementación de __str__, las dos funciones usarán la implementación que exista de __repr__.

Publicidad


Implementación en clases

Ahora podemos crear una clase para ver nos devuelve por defecto ambas funciones.

class Clase():
    def __init__(self, valor):
        self.valor = valor

clase = Clase('uno')

str(clase)  # '<__main__.Clase object at 0x7fd903d330d0>'
repr(clase) # '<__main__.Clase object at 0x7fd903d330d0>'

Lo primero que podemos ver es que no devuelve el nombre del objeto seguido de un de un de un identificador en ambos casos. Esto es porque, como no se ha definido el método __str__ ambos usan la misma definición por defecto.

Ahora se puede definir la función __str__ para comprobar que el resultado de str() cambia, pero no el de repr()(salvo el identificador del objeto que es algo de esperar, ya que no es el mismo que antes).

class Clase():
    def __init__(self, valor):
        self.valor = valor

    def __str__(self):
        return f'El valor es {valor}'

clase = Clase('uno')

str(clase)  # 'El valor es 12'
repr(clase) # '<__main__.Clase object at 0x7fd903d33ad0>'

Finalmente se puede implementar únicamente el método __repr__, para comprobar que este reemplaza a __str__ cuando no se ha definido.

class Clase():
    def __init__(self, valor):
        self.valor = valor

    def __repr__(self):
        return f'{self.__class__.__name__}({repr(self.valor)})'

clase = Clase('uno')

str(clase)  # "Clase('uno')"
repr(clase) # "Clase('uno')"

El uso de eval

Es aconsejable que cuando implementemos nuestros el métodos __repr__ en nuestras clases estos puedan ser interpretados por eval(). Pudiendo así construir el objeto a partir del mensaje. Algo que sucede en el ejemplo anterior.

Conclusiones

En la entrada de hoy se ha visto las diferencias entre str y repr en Python, dos métodos que existen en todos los objetos y, a primera vista, pueden parecer los mismos. Hemos descubierto que básicamente __str__ se debe utilizar para crear la salida que se le mostrará al usuario, mientras que __repr__ en depuración cuando sea necesario incluir información que no es de interés para el usuario. Pudiendo disponer de esta manera de diferentes mensajes, con diferente grado de detalle, en función de que el código se ejecute en producción o mientras se esta depurando durante su escritura o mantenimiento.

Imagen de S. Hermann & F. Richter en Pixabay

¿Te ha parecido de utilidad el contenido?

¡Puntúalo entre una y cinco estrellas!

Puntuación promedio 2.7 / 5. Votos emitidos: 6

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)
  • 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
  • Número óptimo de clústeres con Silhouette e implementación en Python publicado el junio 23, 2023 | en Ciencia de datos
  • Hoja de cálculo para repartir los escaños en base al método D’Hont Aplicar el método D’Hondt en Excel publicado el abril 14, 2021 | en Herramientas
  • Creación de gráficos de barras y gráficos de columnas con Seaborn publicado el julio 18, 2023 | en Python
  • Guía definitiva para trabajar con JSON en SQL Server publicado el noviembre 18, 2025 | en Herramientas

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