python数据库self函数_如何在Python的unittest fram中模拟返回self的方法

为什么没有self参数

声明类时，您定义的function在实例中绑定为method。下面是一个实例：>>> def function():

... pass

...

>>> type(function)

>>> class A:

... def b(self):

... print(self)

>>> type(A.b)

>>> a = A()

>>> type(a.b)

# So you have the same behavior between the two following calls

>>> A.b(a)

<__main__.A object at 0x7f734511afd0>

>>> a.b()

<__main__.A object at 0x7f734511afd0>

解决方案

我可以提出一些解决方案，但并不都是有说服力的，取决于您的使用和需要。在

嘲笑全班同学

您可以模拟整个类来重写函数定义。

如前所述，这考虑到您不使用类的抽象。在

^{pr2}$

Wich将输出：>>> from test_mock import test_mock

>>> test_mock()

直接调用函数

我不喜欢这个，因为它会让你改变测试的代码。

您可以将调用从instance.method()转换为class.method(instance)。

这将按预期将参数发送到模拟函数。在# my_input.py

import tensorflow as tf

def data_generator():

for i in itertools.count(1):

yield (i, [1] * i)

def create_dataset():

_load_example = lambda x, y: x+y

buffer_size = 3

output_types = (tf.int64, tf.int64)

output_shapes = (tf.TensorShape([]), tf.TensorShape([None]))

raw_dataset = tf.data.Dataset.from_generator(data_generator, output_types, output_shapes)

shuffled_dataset = tf.data.Dataset.shuffle(raw_dataset, buffer_size)

assert raw_dataset == shuffled_dataset

assert raw_dataset is shuffled_dataset

dataset = shuffled_dataset.map(_load_example)

return dataset

# test_mock.py

import unittest.mock as mk

import my_input

def shuffle(self, buffer_size):

print("Shuffle! {}, {}".format(self, buffer_size))

return self

with mk.patch('my_input.tf.data.Dataset.shuffle') as shuffle_mock:

shuffle_mock.side_effect = shuffle

dataset = my_input.create_dataset()

运行时，将有以下输出：$ python test_mock.py

Shuffle! (, 3)

将使用的方法包装在函数中

这几乎与前面的答案相同，但您可以将其包装为以下内容，而不是从类中调用该方法：# my_input.py

import tensorflow as tf

def data_generator():

for i in itertools.count(1):

yield (i, [1] * i)

def shuffle(instance, buffer_size):

return instance.shuffle(buffer_size)

def create_dataset():

_load_example = lambda x, y: x+y

buffer_size = 3

output_types = (tf.int64, tf.int64)

output_shapes = (tf.TensorShape([]), tf.TensorShape([None]))

raw_dataset = tf.data.Dataset.from_generator(data_generator, output_types, output_shapes)

shuffled_dataset = tf.data.Dataset.shuffle(raw_dataset, buffer_size)

assert raw_dataset == shuffled_dataset

assert raw_dataset is shuffled_dataset

dataset = shuffled_dataset.map(_load_example)

return dataset

# test_mock.py

import unittest.mock as mk

import my_input

def shuffle(self, buffer_size):

print("Shuffle! {}, {}".format(self, buffer_size))

return self

with mk.patch('my_input.shuffle') as shuffle_mock:

shuffle_mock.side_effect = shuffle

dataset = my_input.create_dataset()