Zkoušky

Search

SearchSearch

Testování - principy a možnosti

Jan 15, 20253 min read

  • Jedná se o nedílnou součást vývoje jakéhokoliv SW
  • Některé typy testů je možné automatizovat
  • Budeme se bavit o tzv. unit testech (jednotkové testy)
    • = každý testuje právě jednu věc
  • Testování probíhá následujícím způsobem
    1. předáme vstup
    2. očekáváme daný výstup
    3. pokud výstup neodpovídá vstupu, test selže

Info

test driven developement … nejdříve napíšeme testy potom až kód

  • V Pythonu máme k dispozici nativní možnost unit testů, avšak rozšířenější formou je balíček pytest

Balíček pytest

# soubor "test_inc.py"
 
def inc(x):
   return x + 1
 
 
# funkce test_inc provádějící test funkce inc
# assert již známe, pokud selže, selže i celkový test
def test_inc():
   assert inc(3) == 5
  • Spuštěním příkazu pytest spustíme test
$ pytest
=========================== test session starts ============================
platform linux -- Python 3.x.y, pytest-6.x.y, py-1.x.y, pluggy-1.x.y
cachedir: $PYTHON_PREFIX/.pytest_cache
rootdir: $REGENDOC_TMPDIR
collected 1 item
 
test_sample.py F                                                     [100%]
 
================================= FAILURES =================================
_______________________________ test_answer ________________________________
 
   def test_answer():
>       assert inc(3) == 5
E       assert 4 == 5
E        +  where 4 = inc(3)
 
test_sample.py:6: AssertionError
========================= short test summary info ==========================
FAILED test_sample.py::test_answer - assert 4 == 5
============================ 1 failed in 0.12s =============================

Organizace testů

  • Především jde o strukturu v adresáři
setup.py
mypkg/
   __init__.py
   app.py
   view.py
tests/
   test_app.py
   test_view.py
   ...
  • V případě větší možné kombinace vstupů a výstupů je vhodné použít dekorátor @pytest.mark.parametrize (test je parametrizovaný)
import pytest
 
from algebra.vector import dot_product
 
 
@pytest.mark.parametrize(
   "v1, v2, result",
   [([1, 2, 3], [3, 2, 1], 10),
    ([-1, 2, 3], [3, 2, 1], 4)],
)
def test_dot_product(v1, v2, result):
   assert dot_product(v1, v2) == result

Fixtures

  • Vidíme, že je nutné pro každý test vytvořit novou instanci třídy
  • Použití tohoto dekorátoru nám zaručí, že se data pro každý test vytvoří znovu
import pytest
 
from data.index import Index
 
 
@pytest.fixtures
def labels():
   return ["key 1", "key 2", "key 3", "key 4", "key 5"]
 
 
@pytest.fixtures
def values():
   return [0, 1, 2, 3, 4]
 
 
# fixture může používat ostatní fixture
@pytest.fixtures
def index(labels):
   return Index(labels=labels)
 
 
# test používající dvě fixtures - index a labels
def test_index(index, labels):
   assert index.labels == test_labels
   assert isinstance(index.labels, list)
   assert index.name == ""
 
 
# test používající dvě fixtures - index a labels
def test_get_loc(index, values):
   assert values[index.get_loc("key 2")] == 1

Testování výjimek

# testování situace kdy metoda musí vyvolat vyjimku
def test_invalid_key(index):
   with pytest.raises(KeyError):
       index.get_loc("key 10")

Testování v rámci docstringů

  • Elegantní testy pro jednoduché funkce
  • Příklady se rovněž zobrazí v nápovědě k funkci
def sum_two_numbers(a, b):
   """Sums two numbers.
 
   Args:
       a: first number
       b: second number
 
   Example:
       >>> sum_two_numbers(10, 20)
       30
       >>> sum_two_numbers(-10, 20)
       10
   """
 
   return a + b
  • Poté stačí přidat argument --doctest-modules při spuštění pytest
$ pytest --doctest-modules
======================= test session starts ========================
platform darwin -- Python 3.10.0, pytest-6.2.5, py-1.10.0, pluggy-1.0.0
rootdir: /Users/tomasmikula/Downloads/vyuka
plugins: cov-3.0.0
collected 1 item                                                  
 
sum_two_numbers.py .                                         [100%]
 
======================== 1 passed in 0.03s =========================

Code coverage

  • Jedná se o procentuální pokrytí testů, neboli jaké procento zdrojového kódu je testováno
  • V ideálním případě je dobré docílit 100% pokrytí, v praxi jsou však hodnoty nad 90% dostatečné

Jak počítat?

  • V kombinaci s knihovnou pytest lze nainstalovat knihovnu coverage, která code coverage vypočítá
$ py -m pip install coverage
  • Dále můžeme code coverage spočítat příkazem coverage run -m pytest (případně musíme dodat další argumenty jako --doctest-modules)
$ coverage run -m pytest
 
# Výsledek
$ coverage report -m
Name                      Stmts   Miss  Cover   Missing
-------------------------------------------------------
my_program.py                20      4    80%   33-35, 39
my_other_module.py           56      6    89%   17-23
-------------------------------------------------------
TOTAL                        76     10    87%

Graph View

Backlinks