• Saltar al contenido principal
  • Skip to secondary menu
  • Saltar a la barra lateral principal
  • Saltar al pie de página
  • Inicio
  • Secciones
    • Ciencia de datos
    • Criptografía
    • Herramientas
    • Machine Learning
    • Noticias
    • Opinión
    • Productividad
    • Programación
      • JavaScript
      • Julia
      • Matlab
      • Python
      • R
  • Programación
    • JavaScript
    • Julia
    • Matlab
    • Python
    • R
  • Laboratorio
    • Estadística
      • Calculadora del Tamaño Muestral en Encuestas
      • Calculadora de estadísticos descriptivos
      • Test de normalidad
      • Calculadora de contrastes de hipotesis
      • Calculadora de tamano del efecto
      • Simulador de Regresión Lineal con Ruido
      • Visualizador de PCA
      • Visualizador de Series Temporales
      • Simulador de Regresión Logística
      • Simulador de K-Means
      • Simulador de DBSCAN
      • Detector de la Ley de Benford
      • Ajuste de Curvas
      • Calculadora de Matrices
    • Probabilidad
      • Calculadora de Probabilidad de Distribuciones
      • Calculadora de Probabilidades de Lotería
      • Simulador del Problema de Monty Hall
      • Simulador de la Estrategia Martingala
    • Finanzas
      • Calculadora de Préstamos e Hipotecas
      • Conversor TIN ↔ TAE
      • Calculadora DCA con ajuste por inflación
      • Calculadora XIRR con Flujos Irregulares
      • Simulador FIRE (Financial Independence, Retire Early)
    • Negocios
      • CLV
      • Scoring
    • Herramientas
      • Formateador / Minificador de JSON
      • Conversor CSV ↔ JSON
      • Comparador y Formateador de Texto y JSON
      • Formateador y Tester de Expresiones Regulares
      • Inspector de JWT
      • Generador y verificador de hashes
      • Codificador / Decodificador Base64 y URL
      • Conversor de bases numericas
      • Conversor de Timestamp Unix
      • Conversor de colores
      • Generador de UUIDs
    • Juegos
      • Tres en Raya
      • Nim con Q-Learning
    • Más
      • Método D’Hondt
      • Generador de Contraseñas Seguras
  • Noticias
  • Boletín
  • Contacto
  • Tienda
    • Libros
    • Equipamiento de oficina
    • Equipamiento en movilidad

Analytics Lane

Ciencia e ingeniería de datos aplicada

  • Ciencia de datos
  • Machine Learning
  • IA Generativa
  • Python
  • Pandas
  • NumPy
  • R
  • Excel

Mocks en R con testthat

Unit testing

agosto 8, 2018 Por Daniel Rodríguez Deja un comentario
Tiempo de lectura: 3 minutos

Notebook

A la hora de escribir pruebas unitarias los Stubs y Mocks son herramientas clave. Se utilizan para imitar el comportamiento de objetos que devuelven resultados no determinísticos, depende de un estado difícil de crear o son lentos. Por ejemplo, una base de datos o un API. Los valores que se obtienen de estos dependerán de su estado y, por lo tanto, no se pude garantizar que sea siempre el deseado cuando se ejecuta la prueba. Otro ejemplo de uso puede ser un método que requiera un tiempo considerable para devolver el resultado. Para solucionar estos problemas es necesario saber escribir Stub y Mocks en las pruebas. El paquete testthat contienen herramientas que permiten escribir Mocks en R.

¿Qué es un Mocks?

En las pruebas unitarias los Mocks son objetos programados que simulan el comportamiento de otros objetos reales. La simulación implica reproducir la interfaz del objeto simulado. Al mismo tiempo que se programan las expectativas y respuestas de los originales. Es decir, son objetos que permiten probar si los valores que se les pasan son correctos y devolver una respuesta programada a estos. Se suelen utilizar cuando los objetos originales son difíciles de reproducir en entornos de prueba.

Por otro lado, los Stubs solamente guardan las respuestas. Aunque también pueden guardar información sobre las llamadas; como una pasarela de email que recuerda cuántos mensajes envió.

Lanzamos el video de ScoreFlow: crea scorecards de crédito de forma ágil y sin IT
En Analytics Lane
Lanzamos el video de ScoreFlow: crea scorecards de crédito de forma ágil y sin IT

Implementación de Mocks en R

El paquete testthat incorpora la posibilidad de implementar en las pruebas unitarias. Permitiendo probar operaciones que requieren componentes externos (como bases de datos o ficheros) sin la necesidad implementar estas en un entorno de simulación.

La ejecución de una prueba unitaria con un mock se realiza mediante la función with_mock. En la llamada de esta función se ha de incluir las funciones que se desean sobrescribir, las pruebas y el entorno en el que se desean realizar las pruebas. Por ejemplo, de la documentación del paquete:

with_mock(
  all.equal = function(x, y, ...) TRUE,
  expect_equal(2 * 3, 4),
  .env = "base"
)

En este ejemplo se sobrescribe la función all.equal haciendo que devuelva siempre el valor cierto. Por lo que esta prueba no fallara al ser ejecutada a pesar de que la igualdad no sea cierta.

En un entorno de ejecución se pueden utilizar más de un mock y una prueba unitaria, de la documentación del paquete se puede ver este ejemplo:

with_mock(
  base::identical = function(x, y, ...) TRUE,
  base::all.equal = function(x, y, ...) TRUE,
  expect_equal(x <- 3 * 3, 6),
  expect_identical(x + 4, 9)
)

donde no se ha indicado el entorno al ser indicado en la definición de la función a sobrescribir.

Finalmente, los stubs no esta incluidos en el paquete testthat aunque se pueden conseguir mediante un sencillo truco, crear una función que implemente la prueba a partir de la entrada. Por ejemplo:

with_mock(
  print = function(x, y, ...) expect_that(x, equals(7)),
  print(7),
  .env = "base"
)

donde se prueba que al método print() se le pasa el valor 7.

Publicidad


Conclusiones

En esta entrada se ha realizado un repaso de las posibilidades que se tienen a la hora de escribir Stub y Mocks en R. Estas herramientas son claves a la hora de implementar pruebas de sistemas complejos que pueden depender de diferentes recursos.

¿Te ha parecido de utilidad el contenido?

¡Puntúalo entre una y cinco estrellas!

Puntuación promedio 0 / 5. Votos emitidos: 0

Ya que has encontrado útil este contenido...

¡Síguenos en redes sociales!

¡Siento que este contenido no te haya sido útil!

¡Déjame mejorar este contenido!

Dime, ¿cómo puedo mejorar este contenido?

Publicaciones relacionadas

  • Lanzamos el video de ScoreFlow: crea scorecards de crédito de forma ágil y sin IT
  • El bestiario de los indicadores económicos absurdos: El zoo patrio
  • Las fórmulas con DNI, o cómo dividir cualquier cosa entre cualquier otra cosa puede acabar publicado en un titular serio – El bestiario de los indicadores económicos absurdos (parte 5)
  • Data Leakage en Credit Scoring: El Error que Invalida tu Modelo
  • La liga internacional, o cuando Harvard y Johns Hopkins suman peras con manzanas – El bestiario de los indicadores económicos absurdos (parte 6)
  • Los indicadores que se autocumplen, o cuando medir es modificar – El bestiario de los indicadores económicos absurdos (parte 7)
  • Customer Lifetime Value: la fórmula clásica que todo analista debería dominar
  • PSI: Cómo Saber Cuándo tu Modelo de Credit Scoring se ha Degradado
  • DBSCAN y la selección de ε: teoría, intuición y aplicación práctica

Publicado en: R Etiquetado como: Unit testing

Interacciones con los lectores

Deja una respuesta Cancelar la respuesta

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *

I accept the Terms and Conditions and the Privacy Policy

Este sitio usa Akismet para reducir el spam. Aprende cómo se procesan los datos de tus comentarios.

Barra lateral principal

Suscríbete a nuestro boletín

Suscríbete al boletín semanal para estar al día de todas las publicaciones.

Política de Privacidad

Analytics Lane en redes sociales

  • Amazon
  • Bluesky
  • Facebook
  • GitHub
  • Instagram
  • Mastodon
  • Pinterest
  • RSS
  • Telegram
  • Tumblr
  • Twitter
  • YouTube

Publicidad

Entradas recientes

PSI: Cómo Saber Cuándo tu Modelo de Credit Scoring se ha Degradado

julio 21, 2026 Por Daniel Rodríguez

Los indicadores que se autocumplen, o cuando medir es modificar – El bestiario de los indicadores económicos absurdos (parte 7)

julio 16, 2026 Por Daniel Rodríguez

Customer Lifetime Value: la fórmula clásica que todo analista debería dominar

julio 14, 2026 Por Daniel Rodríguez

Publicidad

Es tendencia

  • PSI: Cómo Saber Cuándo tu Modelo de Credit Scoring se ha Degradado publicado el julio 21, 2026 | en Ciencia de datos
  • Método del codo (Elbow method) para seleccionar el número óptimo de clústeres en K-means publicado el junio 9, 2023 | en Ciencia de datos
  • ¿Por qué recibo ‘NameError: name X is not defined’ en Python? Aprende cómo solucionarlo publicado el marzo 17, 2025 | en Python
  • Nuevo simulador del problema de Monty Hall en el laboratorio de aplicaciones de Analytics Lane publicado el abril 8, 2026 | en Noticias
  • WOE e IV: La Base Matemática del Credit Scoring publicado el mayo 5, 2026 | en Ciencia de datos

Publicidad

Lo mejor valorado

4.9 (24)

Seleccionar filas y columnas en Pandas con iloc y loc

4.6 (16)

Archivos JSON con Python: lectura y escritura

4.4 (14)

Ordenación de diccionarios en Python mediante clave o valor

4.7 (13)

Operaciones de filtrado de DataFrame con Pandas en base a los valores de las columnas

4.1 (11)

Aplicar el método D’Hondt en Excel

Comentarios recientes

  • bif en JSON en bases de datos: cuándo es buena idea y cuándo no
  • bif en Cómo desinstalar Oracle Database 19c en Windows
  • M. Pilar en Cómo eliminar las noticias en Windows 11 y recuperar tu concentración
  • Daniel Rodríguez en Probabilidad básica: cómo entender el azar en nuestra vida diaria
  • Pepe en Probabilidad básica: cómo entender el azar en nuestra vida diaria

Publicidad


Footer

Analytics Lane

  • Acerca de Analytics Lane
  • Boletín de noticias
  • Contacto
  • Libros
  • Lo más popular
  • Noticias
  • Tienda
  • Tiendas afiliadas

Secciones

  • Ciencia de datos
  • Criptografía
  • Herramientas
  • Machine Learning
  • Opinión
  • Productividad
  • Programación
  • Reseñas

Sobre de Analytics Lane

En Analytics Lane tratamos de explicar los principales conceptos de la ciencia e ingeniería de datos con un enfoque práctico. Los principales temas tratados son ciencia de datos, ingeniería de datos, inteligencia artificial, machine learning, deep learning y criptografía. Además, también se habla de los principales lenguajes de programación y herramientas utilizadas por los científicos e ingenieros de datos.

Copyright © 2018-2026 Analytics Lane ·Términos y condiciones ·Política de Cookies ·Política de Privacidad ·Herramientas de privacidad ·Contacto