• 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

Concatenar cadenas de texto en Python de forma óptima

junio 8, 2020 Por Daniel Rodríguez Deja un comentario
Tiempo de lectura: 3 minutos

La concatenación de cadenas de texto es una tarea habitual. Por eso en Python, al igual que otros lenguajes de programación, esta se puede realizar simplemente con el operador adicción +. Pero también existe un método de las cadenas de texto para esta tarea join. El cual permite concatenar cadenas de texto en Python de una forma más rápida y óptima para nuestros códigos.

Concatenar cadenas de texto en Python

La forma más popular para concatenar cadenas de texto en Python es el uso del operador adicción (+). Una forma que es fácil de usar al mismo tiempo que también se usa en muchos otros lenguajes de programación. Algo que se puede ver en el siguiente ejemplo.

str_1 = "Hola "
str_2 = "Python"

str_1 + str_2
'Hola Python'

Ahora bien, esta tarea también se puede hacer mediante el uso del método join que tienen todas las cadenas de texto. Por ejemplo, el caso anterior se puede repetir con el siguiente código.

''.join([str_1, str_2])
'Hola Python'

Ventajas de join sobre + concatenar

Si el operador adicción permite concatenar dos cadenas de texto de forma tan sencilla, ¿por qué existe el método join? Esto es así porque el operador + no es óptimo en tareas más complejas como la concatenación de varias cadenas de texto. Por ejemplo, si tenemos que concatenar las cadenas de texto de una lista sería necesario hacer algo como:

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)

strs = ['Python', 'es', 'un', 'gran', 'lenguaje', 'de', 'programación']

result = ''
for s in strs:
    result += s + ' '
    
result = result[:-1]
result
'Python es un gran lenguaje de programación'

Lo que nos obliga a crear una variable result en la que almacenar los resultados intermedios, agregar en cada caso un carácter para separar las cadenas y, finalmente, eliminar el último separador que no es necesario. Algo que es mucho más fácil de implementar con el método join

' '.join(strs)
'Python es un gran lenguaje de programación'

Publicidad


Mejora del rendimiento

El uso del método join para concatenar cadenas de texto en Python no solo es una mejora en cuanto a facilidad de codificación, sino que representa una mejora del rendimiento. Algo que se puede comprobar repitiendo varias veces los ejemplos anteriores y midiendo el tiempo de ejecución. Así para el uso del operador + se puede usar:

%%time

for i in range(1000):
    result = ''
    for s in strs:
        result += s + ' '

    result = result[:-1]
CPU times: user 1.68 ms, sys: 24 µs, total: 1.7 ms
Wall time: 1.74 ms

Mientras que para el caso del método join se obtiene:

%%time

for i in range(1000):
    ' '.join(strs)
CPU times: user 433 µs, sys: 19 µs, total: 452 µs
Wall time: 520 µs

Pudiendo ver que en el primer caso el tiempo total de ejecución es de 1.7 ms, mientras que en el segundo es de 0,4 ms, lo que supone casi un factor 4. Algo a tener en cuenta cuándo esta es una tarea habitual.

El motivo de esto es que en nuestra primera operación es necesario crear y destruir una variable en memoria cada vez que concatena una cadena. Lo que hace que el proceso sea más lento y requiere más memoria que la segunda aproximación.

Conclusiones

En la entrada de hoy se ha visto las ventajas que tiene usar el método join para concatenar cadenas de texto en Python sobre el operador adicción (+). Quizás las ventajas no sean apreciables cuándo se usa el operador para generar una salida por pantalla, pero es bueno conocer la diferencia para el resto de los casos. Este resultado es algo que deberíamos tener en cuenta y agregar a nuestro arsenal de herramientas para el procesado de cadenas de texto en Python.

Imagen de Pexels en 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

  • 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

  • Matriz en tabla con Excel Cómo convertir una matriz en tabla con Excel sin VBA publicado el diciembre 4, 2020 | en Herramientas
  • Diferencias entre CPU, GPU, TPU y NPU publicado el abril 19, 2023 | en Herramientas
  • ¿Cómo saber la versión de Pandas o cualquier otra librería en Python? publicado el septiembre 25, 2023 | en Python
  • Calcular la similitud de Jaccard en Python publicado el enero 19, 2024 | en Ciencia de datos
  • ¿Qué es la estadística y por qué todos deberíamos comprenderla? publicado el noviembre 22, 2024 | en Opinión

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

4.9 (11)

Pandas: Cambiar los tipos de datos en los DataFrames

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