Python 拼字符串为什么别在循环里用 +=？拆开 join 的两遍账：191.8 微秒与 6.8 微秒写 Pytho

写 Python 的人几乎都听过一句话：字符串不可变，循环里别用 += 拼接，用 join。

这句话是对的，但很多文章只说结论，不告诉你贵在哪。本文用 1000 段字符串的实测，把 += 和 join 的账拆到底，顺手验证一个常被说错的细节：CPython 对 += 的"原地优化"到底在什么条件下失效。

一、结论先行

循环 += 拼接 1000 段：191.8 µs；list.append 后 join：45.1 µs；已有列表直接 join：6.8 µs
+= 贵的根源是每一轮都可能复制整个已拼好的字符串；join 先扫一遍算总长，再一次性分配
CPython 对 s += x 有原地扩容优化，但它依赖引用计数条件：手工加一个别名后，同样循环涨到 459.8 µs（扣掉别名基线约 442.6 µs，是纯 += 的 2.3 倍）
少片段场景（3 段）别迷信 join：f-string 约 251.8 ns，% 约 249.1 ns，join 列表约 306.4 ns，str.format 约 490.8 ns

一句话：循环里攒字符串用 join；只有两三个片段要拼，用 f-string 就行。

测试条件：1000 段、每段 8 个字符，timeit 取 7 轮中位数。

注意最后一行：分块 join 并没有更快。它多了一次中间列表构造和多次 join 调用，反而从 45.1 µs 涨到 136.0 µs。只有当数据本身是流式到达、无法一次性拿到全部片段时，分块 join 才值得考虑。

str.join 的实现思路是两遍：

而 s += p 每一轮做的是"造一个新字符串，把旧内容复制进去，再追加新片段"。随着 s 越来越长，每轮要复制的内容也越来越多——这是二次级别的复制成本，不是 1000 次小操作。

所以差距不是"join 的 C 循环更快"这么简单，而是分配次数和复制量级的差距。

LOAD_FAST_LOAD_FAST   16 (s, x)
BINARY_OP             13 (+=)
STORE_FAST            1 (s)

3.13 里 s += x 编译成 BINARY_OP 13 (+=)，没有专门的"原地拼接"指令。真正的优化发生在解释器执行这条指令时：当左侧是 str 且引用计数允许复用时，CPython 会尝试原地扩容而不是新建一个对象。

验证方法：在每轮拼接前加一个别名 t = s，让对象多一个引用，再删掉别名。

扣掉 17.2 µs 的别名操作基线，破坏引用计数条件后约 442.6 µs，是纯 += 的 2.3 倍。

这也解释了为什么这个优化"看不见摸不着"：本次还测了 200 次 += 后的 id(s)，出现了 165 个不同 id。也就是说，扩容时对象地址可能变化，不能靠 id 是否相同判断有没有原地优化——真正的证据是上面这组时间差。

把片段减到 3 个，结论会反转：

原因很直白：join 要先构造一个列表，这层开销在只有 3 个片段时盖过了它的复制优势。str.format 最慢，是因为它要走完整的格式规范解析。

所以不要背"永远用 join"。片段多、来自可迭代对象 → join；片段少、写死在代码里 → f-string。

一句话总结：字符串拼接的成本不在"加"，在"复制"。join 用两遍扫描换一次分配，这就是它比循环 += 快 28 倍的全部秘密。