• 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.

Los récords con asterisco, o la épica del titular sin contexto – El bestiario de los indicadores económicos absurdos (parte 8 y final)
En Analytics Lane
Los récords con asterisco, o la épica del titular sin contexto – El bestiario de los indicadores económicos absurdos (parte 8 y final)

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

  • Los récords con asterisco, o la épica del titular sin contexto – El bestiario de los indicadores económicos absurdos (parte 8 y final)
  • Segmentación RFM: cómo clasificar tu cartera de clientes antes de calcular el CLV
  • PSI: Cómo Saber Cuándo tu Modelo de Credit Scoring se ha Degradado
  • Champion vs Challenger: Cómo los Bancos Validan Modelos Nuevos antes de Ponerlos en Producción
  • Gini, KS y AUC: Cómo Medir la Calidad de un Modelo de Credit Scoring
  • Errores habituales al trabajar con DataFrames grandes en Pandas (y cómo evitarlos)
  • BG/NBD + Gamma/Gamma: el modelo probabilístico para CLV en compras continuas
  • Curiosidad: De dónde vienen foo, bar y foobar
  • Cómo Comparar Dos Hipotecas con Todos los Gastos Incluidos

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

Gini, KS y AUC: Cómo Medir la Calidad de un Modelo de Credit Scoring

agosto 18, 2026 Por Daniel Rodríguez

Curiosidad: De dónde vienen foo, bar y foobar

agosto 13, 2026 Por Daniel Rodríguez

BG/NBD + Gamma/Gamma: el modelo probabilístico para CLV en compras continuas

agosto 11, 2026 Por Daniel Rodríguez

Publicidad

Es tendencia

  • Normalización de datos: Maximizando el rendimiento de los modelos de Aprendizaje Automático publicado el marzo 22, 2024 | en Ciencia de datos
  • Codificación JSON Archivos JSON con Python: lectura y escritura publicado el julio 16, 2018 | en Python
  • ¿Por qué es necesario estandarizar los datos en análisis de clúster? publicado el mayo 19, 2023 | en Ciencia de datos
  • La tabla de la web finalmente importada en Excel Importar tablas desde la web en Excel publicado el octubre 21, 2020 | en Herramientas
  • Solución del error 504 Gateway Timeout en NGINX publicado el abril 10, 2024 | 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

  • Daniel Rodríguez en Los récords con asterisco, o la épica del titular sin contexto – El bestiario de los indicadores económicos absurdos (parte 8 y final)
  • Juan en Los récords con asterisco, o la épica del titular sin contexto – El bestiario de los indicadores económicos absurdos (parte 8 y final)
  • 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

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