• 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
    • Encuestas: Tamaño de Muestra
    • Lotería: Probabilidad de Ganar
    • Reparto de Escaños (D’Hondt)
    • Tres en Raya con IA
  • Noticias
  • Boletín
  • Contacto
  • Tienda
    • Libros
    • Equipamiento de oficina
    • Equipamiento en movilidad
    • Tiendas afiliadas
      • AliExpress
      • Amazon
      • Banggood
      • GeekBuying
      • Lenovo

Analytics Lane

Ciencia e ingeniería de datos aplicada

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

4 ventajas de TDD

febrero 20, 2019 Por Daniel Rodríguez Deja un comentario
Tiempo de lectura: 3 minutos

El desarrollo guiado por pruebas (TDD, test driven development) es una metodología muy popular entre los desarrolladores. El software construido bajo esta aproximación es muy robusto y fácil evolucionar. No utilizar TDD posiblemente signifique que no se pueda alcanzar la máxima calidad posible. Ya que al aplicar el código producido consigue las importantes ventajas de TDD.

Fundamentos de TDD

La metodología TDD es bastante sencilla, básicamente consiste en escribir las pruebas que el código ha de superar, comprobar que estas fallan, implementar la mínima cantidad de código que permita pasar las pruebas y, una vez superadas las pruebas, refactorizar el código. Como se explicó al explicar las pruebas unitarias en Python. Seguir estos permite obtener las ventajas de TDD, entre las que se pueden enumerar

  • Confianza
  • Minimiza la cantidad de código a escribir
  • Mejora el diseño del código
  • Desarrollo más rápido

A continuación, se explican con mayor detalle en qué consisten estas ventajas.

Publicidad


Confianza

La primera ventaja es un código en el que se puede confiar. Cada una de las especificaciones implementadas tiene una prueba que garantiza su correcto funcionamiento.

Si el lector alguna vez ha recibido código para mantener o evolucionar sabrá lo complicado que suele ser esta tarea. Incluso códigos propios escritos hace pocos años. Si el código heredado no cuenta con pruebas unitarias es fácil romper de forma accidental el mismo. La existencia de pruebas unitarias, lo que garantiza TDD, ofrece una red de seguridad que evita la aparición de errores.

Faker en Python: qué es, para qué sirve y cómo generar datos sintéticos realistas
En Analytics Lane
Faker en Python: qué es, para qué sirve y cómo generar datos sintéticos realistas

Mejora el diseño del código escrito

La obligación de escribir pruebas antes de implementar la funcionalidad ayuda a mejorar la calidad del código. Esto es así porque todas las funcionalidades poder probarse. Así todas las dependencias que tenga nuestra solución se han de inyectar para poder ser testeadas. Evitando la inclusión de estas en el código. Repetanso así los principios SOLID (Single responsibility, Open-closed, Liskov substitution, Interface segregation and Dependency inversion) de la programación orientada a objetos.

Por ejemplo, si es necesario acceder a una base de datos se tendrá que inyectar una para las pruebas. Con lo que se evita la tentación de escribir directamente el acceso en el código.

Publicidad


Minimiza la cantidad de código a escribir

Esta es otra afirmación antiintuitiva, ¿cómo escribir pruebas puede reducir la cantidad de código escrita? Al disponer de un conjunto de pruebas que indican lo que ha de hacer el software se evita la posibilidad de escribir código que no se va a utilizar. Reduciendo así el código incensario. Además, como indico al explicar la metodología, después de una prueba es necesario “implementar la mínima cantidad de código que permita pasar las pruebas.”

Permite un desarrollo más rápido

Parece algo antiintuitivo, si casi no hay tiempo para escribir el código. ¿Cómo escribir además pruebas unitarias puede acelerar el desarrollo? La respuesta es sencilla, al escribir pruebas permite probar más rápido las nuevas características al mismo tiempo que se comprueba que no se rompen las anteriores.

Muchas veces al añadir una nueva característica puede que rompamos las previas. Pero ¿si no se prueba cómo se puede saber que esto no es así? Posiblemente el fallo pase a producción y será necesario corregirlo más tarde.

Además, es importante recordar la mayor parte del tiempo es para el mantenimiento y evolución del código. Por lo que es clave optimizar el tiempo gastado en esta fase.

Publicidad


Conclusiones

En esta entrada se han visto cuatro ventajas de TDD. Posiblemente solo una de ellas ya pueda justificar la utilización de la metodología en los nuevos proyectos. Al sumar las cuatro las dudas deberían de reducirse a cero.

Pero ¿hay situaciones en las que utilizar TDD no ofrece una ventaja? Realmente en los proyectos simples que no van a requerir mantenimiento o evolución del código puede ser contraproducente.

Imágenes: Pixabay (malte1612)

¿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

  • Faker en Python: qué es, para qué sirve y cómo generar datos sintéticos realistas
  • Probabilidades y tests: por qué un resultado positivo no significa lo que crees
  • JSON en bases de datos: cuándo es buena idea y cuándo no
  • Roles en ciencia de datos: Guía completa de perfiles técnicos
  • Exactitud, precisión, recall… qué mide realmente cada métrica (y qué no)
  • Hardening de SSH en Rocky Linux 9: cómo desactivar KEX débiles y reforzar la seguridad
  • Nueva herramienta en Analytics Lane: generador de contraseñas seguras y frases de contraseña
  • Hardening de NGINX en 2026: configuración segura básica paso a paso

Publicado en: Opinión 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

Hardening de NGINX en 2026: configuración segura básica paso a paso

marzo 12, 2026 Por Daniel Rodríguez

Nueva herramienta en Analytics Lane: generador de contraseñas seguras y frases de contraseña

marzo 10, 2026 Por Daniel Rodríguez

Hardening de SSH en Rocky Linux 9: cómo desactivar KEX débiles y reforzar la seguridad

marzo 5, 2026 Por Daniel Rodríguez

Publicidad

Es tendencia

  • Curiosidad: El origen del análisis exploratorio de datos y el papel de John Tukey publicado el septiembre 4, 2025 | en Ciencia de datos, Opinión
  • Cómo solucionar problemas de red en VirtualBox: Guía completa publicado el junio 11, 2025 | en Herramientas
  • Cómo calcular el tamaño de la muestra para encuestas publicado el septiembre 9, 2025 | en Ciencia de datos
  • Cómo instalar paquetes en Jupyter Notebook de forma eficiente: Guía completa con ejemplo publicado el febrero 3, 2025 | en Python
  • Gráfica con los datos y las anomalías detectadas con OneClass SVM One-Class SVM: Detección de anomalías con máquinas de vector soporte publicado el marzo 15, 2024 | 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

4.5 (10)

Diferencias entre var y let en JavaScript

Publicidad

Comentarios recientes

  • 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
  • CARLOS ARETURO BELLO CACERES en Justicio: La herramienta gratuita de IA para consultas legales
  • Piera en Ecuaciones multilínea en Markdown

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