2

我正在为带有假设的统计分析编写测试。假设导致我ZeroDivisionError在我的代码中传递了非常稀疏的数据。所以我调整了我的代码来处理异常；就我而言，这意味着记录原因并重​​新引发异常。

try:
    val = calc(data)
except ZeroDivisionError:
    logger.error(f"check data: {data}, too sparse")
    raise

我需要通过调用堆栈向上传递异常，因为顶级调用者需要知道存在异常，以便它可以将错误代码传递给外部调用者（REST API 请求）。

编辑：我也不能为 ; 分配一个合理的值val。本质上我需要一个直方图，当我从数据中计算一个合理的 bin 宽度时就会发生这种情况。显然，当数据稀疏时，这会失败。如果没有直方图，算法就无法继续进行。

现在我的问题是，在我的测试中，当我做这样的事情时：

@given(dataframe)
def test_my_calc(df):
    # code that executes the above code path

hypothesis不断生成触发的失败示例，ZeroDivisionError我不知道如何忽略此异常。通常我会用 标记这样的测试pytest.mark.xfail(raises=ZeroDivisionError)，但在这里我不能这样做，因为相同的测试通过了表现良好的输入。

像这样的东西是理想的：

  1. 对于大多数输入，像往常一样继续测试，但是
  2. 引发时ZeroDivisionError，将其作为预期失败跳过。

我怎么能做到这一点？我是否也需要try: ... except: ...在测试主体中添加一个？我需要在 except 块中做什么才能将其标记为预期失败？

编辑：为了解决@hoefling 的评论，分离出失败的案例将是理想的解决方案。但不幸的是，hypothesis没有给我足够的手柄来控制它。最多我可以控制生成数据的总数和限制（最小值，最大值）。然而，失败的案例分布范围很窄。我没有办法控制它。我想这就是假设的重点，也许我根本不应该为此使用假设。

这是我生成数据的方式（略微简化）：

cities = [f"city{i}" for i in range(4)]
cats = [f"cat{i}" for i in range(4)]


@st.composite
def dataframe(draw):
    data_st = st.floats(min_value=0.01, max_value=50)
    df = []
    for city, cat in product(cities, cats):
        cols = [
            column("city", elements=st.just(city)),
            column("category", elements=st.just(cat)),
            column("metric", elements=data_st, fill=st.nothing()),
        ]
        _df = draw(data_frames(cols, index=range_indexes(min_size=2)))
        # my attempt to control the spread
        assume(np.var(_df["metric"]) >= 0.01)
        df += [_df]
    df = pd.concat(df, axis=0).set_index(["city", "category"])
    return df
4

1 回答 1

4 
from hypothesis import assume, given, strategies as st

@given(...)
def test_stuff(inputs):
    try:
        ...
    except ZeroDivisionError:
        assume(False)

该assume调用将告诉假设这个例子是“坏的”，它应该尝试另一个，而不会使测试失败。如果您有这样的功能，则相当于调用.filter(will_not_cause_zero_division)您的策略。 有关详细信息，请参阅文档。

于 2019-07-28T06:12:14.560 回答