05 深入浅出字符串
你好，我是景霄。
Python的程序中充满了字符串（string），在平常阅读代码时也屡见不鲜。字符串同样是Python中很常见的一种数据类型，比如日志的打印、程序中函数的注释、数据库的访问、变量的基本操作等等，都用到了字符串。
当然，我相信你本身对字符串已经有所了解。今天这节课，我主要带你回顾一下字符串的常用操作，并对其中的一些小tricks详细地加以解释。
字符串基础
什么是字符串呢？字符串是由独立字符组成的一个序列，通常包含在单引号（''）双引号（""）或者三引号之中（''' '''或""" """，两者一样），比如下面几种写法。
这里定义了name、city和text三个变量，都是字符串类型。我们知道，Python中单引号、双引号和三引号的字符串是一模一样的，没有区别，比如下面这个例子中的s1、s2、s3完全一样。
Python同时支持这三种表达方式，很重要的一个原因就是，这样方便你在字符串中，内嵌带引号的字符串。比如：
Python的三引号字符串，则主要应用于多行字符串的情境，比如函数的注释等等。
def calculate_similarity(item1, item2):
"""
Calculate similarity between two items
Args:
item1: 1st item
item2: 2nd item
Returns:
similarity score between item1 and item2
"""
同时，Python也支持转义字符。所谓的转义字符，就是用反斜杠开头的字符串，来表示一些特定意义的字符。我把常见的的转义字符，总结成了下面这张表格。
为了方便你理解，我举一个例子来说明。
这段代码中的'\n'，表示一个字符——换行符；'\t'也表示一个字符——横向制表符。所以，最后打印出来的输出，就是字符a，换行，字符b，然后制表符，最后打印字符c。不过要注意，虽然最后打印的输出横跨了两行，但是整个字符串s仍然只有5个元素。
在转义字符的应用中，最常见的就是换行符'\n'的使用。比如文件读取，如果我们一行行地读取，那么每一行字符串的末尾，都会包含换行符'\n'。而最后做数据处理时，我们往往会丢掉每一行的换行符。
字符串的常用操作
讲完了字符串的基本原理，下面我们一起来看看字符串的常用操作。你可以把字符串想象成一个由单个字符组成的数组，所以，Python的字符串同样支持索引，切片和遍历等等操作。
和其他数据结构，如列表、元组一样，字符串的索引同样从0开始，index=0表示第一个元素（字符），[index:index+2]则表示第index个元素到index+1个元素组成的子字符串。
遍历字符串同样很简单，相当于遍历字符串中的每个字符。
特别要注意，Python的字符串是不可变的（immutable）。因此，用下面的操作，来改变一个字符串内部的字符是错误的，不允许的。
s = 'hello'
s[0] = 'H'
Traceback (most recent call last):
File "<stdin>", line 1, in <module>
TypeError: 'str' object does not support item assignment
Python中字符串的改变，通常只能通过创建新的字符串来完成。比如上述例子中，想把'hello'的第一个字符'h'，改为大写的'H'，我们可以采用下面的做法：
- 第一种方法，是直接用大写的
'H'，通过加号'+'操作符，与原字符串切片操作的子字符串拼接而成新的字符串。 - 第二种方法，是直接扫描原字符串，把小写的
'h'替换成大写的'H'，得到新的字符串。
你可能了解到，在其他语言中，如Java，有可变的字符串类型，比如StringBuilder，每次添加、改变或删除字符（串），无需创建新的字符串，时间复杂度仅为O(1)。这样就大大提高了程序的运行效率。
但可惜的是，Python中并没有相关的数据类型，我们还是得老老实实创建新的字符串。因此，每次想要改变字符串，往往需要O(n)的时间复杂度，其中，n为新字符串的长度。
你可能注意到了，上述例子的说明中，我用的是“往往”、“通常”这样的字眼，并没有说“一定”。这是为什么呢？显然，随着版本的更新，Python也越来越聪明，性能优化得越来越好了。
这里，我着重讲解一下，使用加法操作符'+='的字符串拼接方法。因为它是一个例外，打破了字符串不可变的特性。
操作方法如下所示：
我们来看下面这个例子：
你觉得这个例子的时间复杂度是多少呢？
每次循环，似乎都得创建一个新的字符串；而每次创建一个新的字符串，都需要O(n)的时间复杂度。因此，总的时间复杂度就为O(1) + O(2) + … + O(n) = O(n^2)。这样到底对不对呢？
乍一看，这样分析确实很有道理，但是必须说明，这个结论只适用于老版本的Python了。自从Python2.5开始，每次处理字符串的拼接操作时（str1 += str2），Python首先会检测str1还有没有其他的引用。如果没有的话，就会尝试原地扩充字符串buffer的大小，而不是重新分配一块内存来创建新的字符串并拷贝。这样的话，上述例子中的时间复杂度就仅为O(n)了。
因此，以后你在写程序遇到字符串拼接时，如果使用’+='更方便，就放心地去用吧，不用过分担心效率问题了。
另外，对于字符串拼接问题，除了使用加法操作符，我们还可以使用字符串内置的join函数。string.join(iterable)，表示把每个元素都按照指定的格式连接起来。
由于列表的append操作是O(1)复杂度，字符串同理。因此，这个含有for循环例子的时间复杂度为n*O(1)=O(n)。
接下来，我们看一下字符串的分割函数split()。string.split(separator)，表示把字符串按照separator分割成子字符串，并返回一个分割后子字符串组合的列表。它常常应用于对数据的解析处理，比如我们读取了某个文件的路径，想要调用数据库的API，去读取对应的数据，我们通常会写成下面这样：
def query_data(namespace, table):
"""
given namespace and table, query database to get corresponding
data
"""
path = 'hive://ads/training_table'
namespace = path.split('//')[1].split('/')[0] # 返回'ads'
table = path.split('//')[1].split('/')[1] # 返回 'training_table'
data = query_data(namespace, table)
此外，常见的函数还有：
- string.strip(str)，表示去掉首尾的str字符串；
- string.lstrip(str)，表示只去掉开头的str字符串；
- string.rstrip(str)，表示只去掉尾部的str字符串。
这些在数据的解析处理中同样很常见。比如很多时候，从文件读进来的字符串中，开头和结尾都含有空字符，我们需要去掉它们，就可以用strip()函数：
当然，Python中字符串还有很多常用操作，比如，string.find(sub, start, end)，表示从start到end查找字符串中子字符串sub的位置等等。这里，我只强调了最常用并且容易出错的几个函数，其他内容你可以自行查找相应的文档、范例加以了解，我就不一一赘述了。
字符串的格式化
最后，我们一起来看看字符串的格式化。什么是字符串的格式化呢？
通常，我们使用一个字符串作为模板，模板中会有格式符。这些格式符为后续真实值预留位置，以呈现出真实值应该呈现的格式。字符串的格式化，通常会用在程序的输出、logging等场景。
举一个常见的例子。比如我们有一个任务，给定一个用户的userid，要去数据库中查询该用户的一些信息，并返回。而如果数据库中没有此人的信息，我们通常会记录下来，这样有利于往后的日志分析，或者是线上bug的调试等等。
我们通常会用下面的方法来表示：
其中的string.format()，就是所谓的格式化函数；而大括号{}就是所谓的格式符，用来为后面的真实值——变量name预留位置。如果id = '123'、name='jason'，那么输出便是：
这样看来，是不是非常简单呢？
不过要注意，string.format()是最新的字符串格式函数与规范。自然，我们还有其他的表示方法，比如在Python之前版本中，字符串格式化通常用%来表示，那么上述的例子，就可以写成下面这样：
其中%s表示字符串型，%d表示整型等等，这些属于常识，你应该都了解。
当然，现在你写程序时，我还是推荐使用format函数，毕竟这是最新规范，也是官方文档推荐的规范。
也许有人会问，为什么非要使用格式化函数，上述例子用字符串的拼接不也能完成吗？没错，在很多情况下，字符串拼接确实能满足格式化函数的需求。但是使用格式化函数，更加清晰、易读，并且更加规范，不易出错。
总结
这节课，我们主要学习了Python字符串的一些基本知识和常用操作，并且结合具体的例子与场景加以说明，特别需要注意下面几点。
- Python中字符串使用单引号、双引号或三引号表示，三者意义相同，并没有什么区别。其中，三引号的字符串通常用在多行字符串的场景。
- Python中字符串是不可变的（前面所讲的新版本Python中拼接操作’+='是个例外）。因此，随意改变字符串中字符的值，是不被允许的。
- Python新版本（2.5+）中，字符串的拼接变得比以前高效了许多，你可以放心使用。
- Python中字符串的格式化（string.format）常常用在输出、日志的记录等场景。
思考题
最后，给你留一道思考题。在新版本的Python（2.5+）中，下面的两个字符串拼接操作，你觉得哪个更优呢？欢迎留言和我分享你的观点，也欢迎你把这篇文章分享给你的同事、朋友。
- Jingxiao 👍（131） 💬（5）
关于思考题，如果字符串拼接的次数较少，比如range(100)，那么方法一更优，因为时间复杂度精确的来说第一种是O(n)，第二种是O(2n)，如果拼接的次数较多，比如range(1000000)，方法二稍快一些，虽然方法二会遍历两次，但是join的速度其实很快，列表append和join的开销要比字符串+=小一些。
2019-05-20 - 古明地觉 👍（240） 💬（7）
思考题：个人提一个更加pythonic，更加高效的办法 s = " ".join(map(str, range(0, 10000)))
2019-05-20 - Geek_morty137 👍（33） 💬（2）
%format形式在东西多了以后比较费事，结构冗长，会导致错误，比如不能正确显示元组或字典。幸运的是，未来有更光明的日子。 str.format格式相对好一些，但参数多了或者处理更长字符串时还是冗长。 f-string这种方式可以更加简化表达过程。还支持大小写（f.或者F.）
2019-05-20 - Wing·三金 👍（27） 💬（5）
直观上看似乎第二种方法的复杂度高一倍，但实际运行了下，第二种方法效率略高，当调高到50万的时候第二种的效率比第一种高出两倍以上。
2019-05-20 - farFlight 👍（18） 💬（3）
这两个操作实际上时间相差无几，我把循环次数提高到一百万次还是伯仲之间。 另外请问老师python中对字符串采用 is 对比的问题。 比如代码： a = 'string' b = 'string' a is b 将返回True 而 a = 'string' a += '1' b = 'string1' a is b 则返回False 这个怎么解释比较好呢？为何第一个例子中a,b会指向同一个object呢？
2019-05-20 - 黑铁打野王 👍（5） 💬（2）
既然是提升，能不能讲一下Python解释器对于String类型内存分配的知识？
2019-05-20 - 豊 👍（4） 💬（1）
代码1复杂度：O（1）×n，即O（n）；代码2复杂度：O（1）×n+ O（1）×n=o（2n）,因此代码1效率更高？
2019-05-20 - carpe_diem 👍（2） 💬（1）
第一种更优，虽然在时间复杂度上，两种方式都是O(n)，但是第一种方法的空间复杂度优于第二种方式，第一种方法的空间复杂度为O(1)，第二种方法的空间复杂度为O(n)。另外，第一种写法显然也更简洁一些
2019-05-20 - bbbi 👍（0） 💬（1）
老师能够讲字符串稍微底层一点的东西吗? 例如字符串的内存分配回收，常量啥的？
2020-01-21 - 拉拉 👍（0） 💬（1）
老师，可不可以认为字符串是一个由字符组成的特殊元祖
2019-09-03 - 栾~龟虽寿！ 👍（0） 💬（1）
感谢一切，说了更优方法的，感谢写了代码，并写了结果的，咱进步。你们是怎么把代码写进留言的？手机上写代码？请指教
2019-05-20 - 陈柏林 👍（0） 💬（2）
老师这段话的意思不是跟理解，不是应该str1有引用了就扩张吗（自从 Python2.5 开始，每次处理字符串的拼接操作时（str1 += str2），Python 首先会检测 str1 还有没有其他的引用。如果没有的话，就会尝试原地扩充字符串 buffer 的大小，而不是重新分配一块内存来创建新的字符串并拷贝。）
2019-05-20 - 刘朋 👍（218） 💬（4）
# 测试 1000 条数据，方式一 import time start_time = time.perf_counter() s = '' for n in range(0, 1000): s += str(n) end_time = time.perf_counter() print('Time elapse: {}'.format(end_time - start_time)) 返回结果: Time elapse: 0.0004374515265226364 # 测试 1000 条数据，方式二 import time start_time = time.perf_counter() s = [] for n in range(0, 1000): s.append(str(n)) ''.join(s) end_time = time.perf_counter() print('Time elapse: {}'.format(end_time - start_time)) 返回结果: Time elapse: 0.0004917513579130173 # 测试 1000 条数据，方式三 import time start_time = time.perf_counter() s = ''.join(map(str, range(0, 1000))) end_time = time.perf_counter() print('Time elapse: {}'.format(end_time - start_time)) 返回结果：Time elapse: 0.00021015387028455734 分别测试一百万和一千万条数据，结果如下： 100万: 方式一：Time elapse: 0.3384760869666934 方式二：Time elapse: 0.34538754168897867 方式三：Time elapse: 0.2445415174588561 1000万： 方式一：Time elapse: 4.24716751743108 方式二：Time elapse: 3.1754934675991535 方式三：Time elapse: 2.2939002392813563 综上，方式三性能最优，其次是在超过1000万条数据以上时，方式二优于方式一，相反，方式一优于方式二。
2019-05-20 - LJK 👍（59） 💬（5）
最新的f""用法了解一下？
2019-05-20 - ssikiki 👍（25） 💬（8）
使用加法操作符'+='的字符串拼接方法。因为它是一个例外 ... 可是 x = 'a' id(x) # 4345659208 x += 'b' id(x) # 4376614424 做完+=操作后， x的内存地址变了， 说明新生成了字符串，请问老师这为什么说是例外？
2019-05-21