• 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

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.

Lanzamos el video de ScoreFlow: crea scorecards de crédito de forma ágil y sin IT
En Analytics Lane
Lanzamos el video de ScoreFlow: crea scorecards de crédito de forma ágil y sin IT

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

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%.

Publicidad


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.

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

  • Lanzamos el video de ScoreFlow: crea scorecards de crédito de forma ágil y sin IT
  • El bestiario de los indicadores económicos absurdos: El zoo patrio
  • Las fórmulas con DNI, o cómo dividir cualquier cosa entre cualquier otra cosa puede acabar publicado en un titular serio – El bestiario de los indicadores económicos absurdos (parte 5)
  • Data Leakage en Credit Scoring: El Error que Invalida tu Modelo
  • La liga internacional, o cuando Harvard y Johns Hopkins suman peras con manzanas – El bestiario de los indicadores económicos absurdos (parte 6)
  • Los indicadores que se autocumplen, o cuando medir es modificar – El bestiario de los indicadores económicos absurdos (parte 7)
  • Customer Lifetime Value: la fórmula clásica que todo analista debería dominar
  • PSI: Cómo Saber Cuándo tu Modelo de Credit Scoring se ha Degradado
  • DBSCAN y la selección de ε: teoría, intuición y aplicación práctica

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

PSI: Cómo Saber Cuándo tu Modelo de Credit Scoring se ha Degradado

julio 21, 2026 Por Daniel Rodríguez

Los indicadores que se autocumplen, o cuando medir es modificar – El bestiario de los indicadores económicos absurdos (parte 7)

julio 16, 2026 Por Daniel Rodríguez

Customer Lifetime Value: la fórmula clásica que todo analista debería dominar

julio 14, 2026 Por Daniel Rodríguez

Publicidad

Es tendencia

  • PSI: Cómo Saber Cuándo tu Modelo de Credit Scoring se ha Degradado publicado el julio 21, 2026 | en Ciencia de datos
  • Método del codo (Elbow method) para seleccionar el número óptimo de clústeres en K-means publicado el junio 9, 2023 | en Ciencia de datos
  • Nuevo simulador del problema de Monty Hall en el laboratorio de aplicaciones de Analytics Lane publicado el abril 8, 2026 | en Noticias
  • ¿Por qué recibo ‘NameError: name X is not defined’ en Python? Aprende cómo solucionarlo publicado el marzo 17, 2025 | en Python
  • Libros de Machine Learning en castellano publicado el diciembre 18, 2020 | en Ciencia de datos, Reseñas

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