• 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
    • Encuestas: Tamaño de Muestra
    • Lotería: Probabilidad de Ganar
    • Reparto de Escaños (D’Hondt)
    • Tres en Raya con IA
  • Noticias
  • Boletín
  • Contacto
  • Tienda
    • Libros
    • Equipamiento de oficina
    • Equipamiento en movilidad
    • Tiendas afiliadas
      • AliExpress
      • Amazon
      • Banggood
      • GeekBuying
      • Lenovo

Analytics Lane

Ciencia e ingeniería de datos aplicada

  • Ciencia de datos
  • Machine Learning
  • IA Generativa
  • Python
  • Pandas
  • NumPy
  • Excel
  • Matlab

Diferencia entre a=a+b y a+=b en Python

noviembre 28, 2022 Por Daniel Rodríguez Deja un comentario
Tiempo de lectura: 3 minutos

El operador de asignación y suma (+=) se puede usar en Python para sumar el valor de un variable a la de otra o concatenar tanto cadenas de texto como listas. El resultado es el mismo que se obtendría realizando la operación y asignando el resultado a la primera variable. Aparentemente no es más que azúcar sintáctico (syntactic sugar). Pero no es así, existen unas pequeñas diferencias en cuanto al uso de la memoria cuando se utiliza a=a+b y a+=b en Python, especialmente al trabajar con listas. Diferencias que también afectan al operador de asignación y multiplicación (*=).

Concatenar dos listas con a=a+b y a+=b en Python

Ejecutar tanto la instrucción a=a+b como a+=b en Python produce el mismo resultado; suma o concatena los valores de a y b, dependiendo del tipo de dato, y asigna el resultado a a. Pero cuando se trabaja con listas existe una pequeña diferencia. La instrucción a=a+b realiza la operación y crea un nuevo objeto que asigna a la variable a. Pero, en el caso de la operación a+=b lo que se hace es modificar la lista original agregando los elementos de la segunda lista. Esto se puede comprobar fácilmente usando la función id() que devuelve el identificador de un objeto.

Si la concatenación de las listas se realiza mediante la instrucción a=a+b, el identificador del primer objeto cambia, pero no el del segundo.

Curiosidad: La maldición de la dimensionalidad, o por qué añadir más datos puede empeorar tu modelo
En Analytics Lane
Curiosidad: La maldición de la dimensionalidad, o por qué añadir más datos puede empeorar tu modelo

list1 = [1, 2, 3]
list2 = [4, 5, 6]
print(id(list1), id(list2))

list1 = list1 + list2
print(id(list1), id(list2))
4401730624 4401730880
4401732544 4401730880

Por otro lado, si la concatenación se hace mediante el operador a+=b el identificador del primer objeto no cambia.

list1 = [1, 2, 3]
list2 = [4, 5, 6]
print(id(list1), id(list2))

list1 += list2
print(id(list1), id(list2))
4401731776 4401640896
4401731776 4401640896

Esto es, realmente a+=b funciona como el método append de las listas.

list1 = [1, 2, 3]
list2 = [4, 5, 6]
print(id(list1), id(list2))

list1.append(list2)
print(id(list1), id(list2))
4399020928 4401737856
4399020928 4401737856

Publicidad


Consecuencia del diferente funcionamiento

Aparentemente la diferencia entre los dos operadores no es más que una curiosidad, pero no es así, usar el operador de asignación y suma en lugar de la suma para concatenar dos listas es más rápido y requiere menos memoria. Debido a que la primera operación es más sencilla. Usar a+=b no requiere crear una nueva lista y liberar de memoria la anterior, solamente concatenar los datos. Algo que se puede comprobar fácilmente con timeit. En primer lugar se puede medir el tiempo necesario para obtener el resultado con el operador suma.

import timeit
    
timeit.timeit("""list1 = [1, 2, 3]
list2 = [4, 5, 6]
list1 = list1 + list2""", number=100000000)
8.567127583000001

Repitiendo el ejercicio para el operador de asignación y suma

timeit.timeit("""list1 = [1, 2, 3]
list2 = [4, 5, 6]
list1 += list2""", number=100000000)
7.644791791999978

En este caso, donde se ha repetido la concatenación 100 millones de veces, el tiempo de ejecución ha bajado de 8,6 a 7,6 segundos. Lo que supone una mejora de en torno al 12%.

Sumar dos números con a=a+b y a+=b en Python

Lo visto hasta ahora no afecta a la suma de enteros y reales ni a la concatenación de cadenas de texto. Esto es así porque para estos tipos de datos el id del dato cambia siempre, por lo que existe la diferencia.

Publicidad


Conclusiones

En esta ocasión se ha visto que no es lo mismo realizar la operación a=a+b o a+=b en Python cuando se trabaja con listas. El primer caso es más lento dado que se tiene que crear una nueva lista y asignar está a la variable. Para el segundo caso no se crea una nueva lista, sino que se concatena la primera con la segunda. Por los que es más eficiente usar el operador de asignación y suma cuando se trabaja con listas. Si se trabaja con números o cadenas de texto esto no es así debido a la naturaleza de los tipos de datos.

Image by Ulrike Leone from Pixabay

¿Te ha parecido de utilidad el contenido?

¡Puntúalo entre una y cinco estrellas!

Puntuación promedio 0 / 5. Votos emitidos: 0

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?

Publicaciones relacionadas

  • Curiosidad: La maldición de la dimensionalidad, o por qué añadir más datos puede empeorar tu modelo
  • ¿Está concentrado el MSCI World? Un análisis con Gini, Lorenz y leyes de potencia
  • Curiosidad: ¿Por qué usamos p < 0.05? Un umbral que cambió la historia de la ciencia
  • Programador de tareas de Windows: Guía definitiva para automatizar tu trabajo (BAT, PowerShell y Python)
  • La Paradoja del Cumpleaños, o por qué no es tan raro compartir fecha de nacimiento
  • Cómo abrir una ventana de Chrome con tamaño y posición específicos desde la línea de comandos en Windows
  • Curiosidad: El sesgo de supervivencia, o por qué prestar atención sólo a los que “llegaron” puede engañarte
  • Documentar tu API de Express con TypeScript usando OpenAPI (Swagger)
  • Data Lake y Data Warehouse: diferencias, usos y cómo se complementan en la era del dato

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

Data Lake y Data Warehouse: diferencias, usos y cómo se complementan en la era del dato

octubre 23, 2025 Por Daniel Rodríguez

Documentar tu API de Express con TypeScript usando OpenAPI (Swagger)

octubre 21, 2025 Por Daniel Rodríguez

Curiosidad: El sesgo de supervivencia, o por qué prestar atención sólo a los que “llegaron” puede engañarte

octubre 16, 2025 Por Daniel Rodríguez

Publicidad

Es tendencia

  • La tabla de la web finalmente importada en Excel Importar tablas desde la web en Excel publicado el octubre 21, 2020 | en Herramientas
  • Cómo calcular el tamaño de la muestra para encuestas publicado el septiembre 9, 2025 | 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
  • Número óptimo de clústeres con Silhouette e implementación en Python publicado el junio 23, 2023 | en Ciencia de datos
  • Introducción a igraph en R (Parte 9): Centralidad de Prestigio y Autoridad (modelo HITS, Hyperlink-Induced Topic Search) publicado el mayo 14, 2025 | en R

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

4.5 (10)

Diferencias entre var y let en JavaScript

Publicidad

Comentarios recientes

  • 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
  • CARLOS ARETURO BELLO CACERES en Justicio: La herramienta gratuita de IA para consultas legales
  • Piera en Ecuaciones multilínea en Markdown
  • Daniel Rodríguez en Tutorial de Mypy para Principiantes

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 © 2018-2025 Analytics Lane ·Términos y condiciones ·Política de Cookies ·Política de Privacidad ·Herramientas de privacidad ·Contacto