python unit test 访问开发代码_使用python的unittest做测试

文档地址http://docs.python.org/library/unittest.html

第一个例子直接引用文档中的例子,其他的简略的写了写结论性的东西,具体的参考python_testing_cookbook一书。

一、简单的例子

View Code

1 importrandom2 importunittest3 4 classTestSequenceFunctions(unittest.TestCase):5 6 defsetUp(self):7 self.seq=range(10)8 9 deftest_shuffle(self):10 #make sure the shuffled sequence does not lose any elements11 random.shuffle(self.seq)12 self.seq.sort()13 self.assertEqual(self.seq, range(10))14 15 #should raise an exception for an immutable sequence16 self.assertRaises(TypeError, random.shuffle, (1,2,3))17 18 deftest_choice(self):19 element=random.choice(self.seq)20 self.assertTrue(elementinself.seq)21 22 deftest_sample(self):23 with self.assertRaises(ValueError):24 random.sample(self.seq,20)25 forelementinrandom.sample(self.seq,5):26 self.assertTrue(elementinself.seq)27 28 if__name__=='__main__':29 unittest.main()

实现一个继承unittest.TestCase的类,使用unittest.main()来测试该类中所有以test开头的测试用例。

简单的assert方法有如下:

self.assertEquals(100, value)

self.assertTrue(value == 0)

self.assertFalse(value > 0

self.assertRaises(TypeError, value.convert_to_decimal)

在写测试用例的时候尽量使用assertEquals而不是assertTrue、assertFalse,当assertEquals失败的时候,会打印出比较的两方值更直观

self.fail([msg])会无条件的导致测试失败,不推荐使用。

下面的例子的写法是要避免发生:

View Code

1 importunittest2 classBadTest(unittest.TestCase):3 deftest_no_roman_numeral(self):4 value=RomanNumeralConverter(None)5 try:6 value.convert_to_decimal()7 self.fail("Expected a TypeError")8 exceptTypeError, e:9 pass

这个时候推推荐使用assertRaises

二、使用setUp和tearDown

每次运行test方法时,先用setUp初始化程序,然后运行test方法,最后使用tearDown清理程序

def setUp(self):

print "Creating a new RomanNumeralConverter..."

self.cvt = RomanNumeralConverter()

def tearDown(self):

print "Destroying the RomanNumeralConverter..."

self.cvt = None

如果不同的方法需要不同的setUp和tearDown方法,那么只好写过个测试用例了。

三、使用比unittest.main()更详细的运行测试用例的方法

if __name__ == "__main__":

suite = unittest.TestLoader().loadTestsFromTestCase( \

RomanNumeralConverterTest)

unittest.TextTestRunner(verbosity=2).run(suite)

python使用unittest.TestLoader().loadTestsFromTestCase方法获取RomanNumeralConverterTest的所有test方法

然后通过TextTestRunner来运行

四、运行部分测试方法

View Code

1 if__name__=="__main__":2 importsys3 suite=unittest.TestSuite()4 iflen(sys.argv)==1:5 suite=unittest.TestLoader().loadTestsFromTestCase(\6 RomanNumeralConverterTest)7 else:8 fortest_nameinsys.argv[1:]:9 suite.addTest(\10 RomanNumeralConverterTest(test_name))11 unittest.TextTestRunner(verbosity=2).run(suite)

五、一次运行多个测试用例

View Code

1 if__name__=="__main__":2 importunittest3 fromrecipe5import*4 suite1=unittest.TestLoader().loadTestsFromTestCase( \5 RomanNumeralConverterTest)6 suite2=unittest.TestLoader().loadTestsFromTestCase( \7 RomanNumeralComboTest)8 suite=unittest.TestSuite([suite1, suite2])9 unittest.TextTestRunner(verbosity=2).run(suite)

六、在test model 中 使用test suites

View Code

1 defhigh_and_low():2 suite=unittest.TestSuite()3 suite.addTest(\4 RomanNumeralConverterTest("test_parsing_millenia"))5 suite.addTest(\6 RomanNumeralConverterTest("test_parsing_one"))7 returnsuite8 9 defcombos():10 returnunittest.TestSuite(map(RomanNumeralConverterTest,\11 ["test_combo1","test_combo2","test_combo3"]))12 13 defall():14 returnunittest.TestLoader().loadTestsFromTestCase(\15 RomanNumeralConverterTest)16 17 if__name__=="__main__":18 forsuite_funcin[high_and_low, combos, all]:19 print"Running test suite '%s'"%suite_func.func_name20 suite=suite_func()21 unittest.TextTestRunner(verbosity=2).run(suite)

七、将已有的测试代码迁移到unittest

不使用unittest

View Code

1 fromrecipe7import*2 3 classRomanNumeralTester(object):4 def__init__(self):5 self.cvt=RomanNumeralConverter()6 7 defsimple_test(self):8 print"+++ Converting M to 1000"9 assertself.cvt.convert_to_decimal("M")==100010 11 defcombo_test1(self):12 print"+++ Converting MMX to 2010"13 assertself.cvt.convert_to_decimal("MMXX")==201014 15 defcombo_test2(self):16 print"+++ Converting MMMMDCLXVIII to 4668"17 val=self.cvt.convert_to_decimal("MMMMDCLXVII")18 self.check(val,4668)19 20 defother_test(self):21 print"+++ Converting MMMM to 4000"22 val=self.cvt.convert_to_decimal("MMMM")23 self.check(val,4000)24 25 defcheck(self, actual, expected):26 if(actual!=expected):27 raiseAssertionError("%s doesn't equal %s"%\28 (actual, expected))29 30 deftest_the_system(self):31 self.simple_test()32 self.combo_test1()33 self.combo_test2()34 self.other_test()35 36 if__name__=="__main__":37 tester=RomanNumeralTester()38 tester.test_the_system()

迁移到unittest

View Code

1 fromrecipe7import*2 fromrecipe7_legacyimport*3 importunittest4 5 if__name__=="__main__":6 tester=RomanNumeralTester()7 8 suite=unittest.TestSuite()9 fortestin[tester.simple_test, tester.combo_test1, \10 tester.combo_test2, tester.other_test]:11 testcase=unittest.FunctionTestCase(test)12 suite.addTest(testcase)13 14 unittest.TextTestRunner(verbosity=2).run(suite)

八、简单化

一个测试函数里面写一个assert***,便于查看bug

九、测试边缘

比如测试一个到4000为止的整数,需要测试

1,4000, 0 4001, -1, None, 1.2

错误的输入也是必要的

通过迭代测试边缘

View Code

1 deftest_bad_inputs(self):2 r=self.cvt.convert_to_roman3 d=self.cvt.convert_to_decimal4 edges=[("equals", r,"", None),\5 ("equals", r,"I",1.2),\6 ("raises", d, TypeError, None),\7 ("raises", d, TypeError,1.2)\8 ]9 [self.checkout_edge(edge)foredgeinedges]10 11 defcheckout_edge(self, edge):12 ifedge[0]=="equals":13 f, output, input=edge[1], edge[2], ed14 print("Converting %s to %s..."%(input15 self.assertEquals(output, f(input))16 elifedge[0]=="raises":17 f, exception, args=edge[1], edge[2],18 print("Converting %s, expecting %s"%\19 (args, exception))20 self.assertRaises(exception, f,*args)

使用优化算法,以优化VMD算法的惩罚因子惩罚因子 (α) 和分解层数 (K)。 1、将量子粒子群优化(QPSO)算法与变分模态分解(VMD)算法结合 VMD算法背景: VMD算法是一种自适应信号分解算法,主要用于分解信号为不同频率带宽的模态。 VMD的关键参数包括: 惩罚因子 α:控制带宽的限制。 分解层数 K:决定分解出的模态数。 QPSO算法背景: 量子粒子群优化(QPSO)是一种基于粒子群优化(PSO)的一种改进算法,通过量子行为模型增强全局搜索能力。 QPSO通过粒子的量子行为使其在搜索空间不受位置限制,从而提高算法的收敛速度与全局优化能力。 任务: 使用QPSO优化VMD的惩罚因子 α 和分解层数 K,以获得信号分解的最佳效果。 计划: 定义适应度函数:适应度函数根据VMD分解的效果来定义,通常使用重构信号的误差(例如均方误差、交叉熵等)来衡量分解的质量。 初始化QPSO粒子:定义粒子的位置和速度,表示 α 和 K 两个参数。初始化时需要在一个合理的范围内为每个粒子分配初始位置。 执行VMD分解:对每一组 α 和 K 参数,运行VMD算法分解信号。 更新QPSO粒子:使用QPSO算法更新粒子的状态,根据适应度函数调整粒子的搜索方向和位置。 迭代求解:重复QPSO的粒子更新步骤,直到满足终止条件(如适应度函数达到设定阈值,或最大迭代次数)。 输出优化结果:最终,QPSO算法会返回一个优化的 α 和 K,从而使VMD分解效果最佳。 2、将极光粒子(PLO)算法与变分模态分解(VMD)算法结合 PLO的优点与适用性 强大的全局搜索能力:PLO通过模拟极光粒子的运动,能够更高效地探索复杂的多峰优化问题,避免陷入局部最优。 鲁棒性强:PLO在面对高维、多模态问题时有较好的适应性,因此适合海上风电时间序列这种非线性、多噪声的数据。 应用场景:PLO适合用于优化VMD参数(α 和 K),并将其用于风电时间序列的预测任务。 进一步优化的建议 a. 实现更细致的PLO更新策略,优化极光粒子的运动模型。 b. 将PLO优化后的VMD应用于真实的海上风电数据,结合LSTM或XGBoost等模型进行风电功率预测。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值