• 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

Rango en pruebas unitarias en JavaScript (Creación de una librería JavaScript 4ª parte)

Node, Unit testing

marzo 1, 2019 Por Daniel Rodríguez Deja un comentario
Tiempo de lectura: 4 minutos

JavaScript

En esta cuarta entrega de la serie se va a explicar cómo comprobar que los valores se encuentran en un rango en pruebas unitarias en JavaScript. Comprobar rangos es importante cuando se trabaja con números reales. Las operaciones que involucran números reales tienen una precisión que depende de la máquina en la que correo. Esto hace que al cambiar de motor JavaScript una función puede obtener valore ligeramente diferentes debido al cambio de precisión. Por lo tanto, comparar el resultado de una función con un número real no es una buena práctica. Es aconsejable comprobar que el valor se encuentra en un rango del valor esperado.

Además, también se mostrará cómo comparar vectores y objetos en una única prueba.

Esta entrada pertenece a la serie “Creación de una librería JavaScript” cuyo código se puede encontrar en la cuenta de GitHub de Analytics Lane. Serie compuesta por las siguientes entradas:

  • Creación de una librería JavaScript
  • Estructurar las funciones JavaScript
  • Pruebas unitarias en JavaScript
  • Rango en pruebas unitarias en JavaScript
  • Cobertura de las pruebas unitarias en JavaScript
  • Medir la calidad del código JavaScript
  • Compresión del código JavaScript
  • Ejecutar múltiples scripts npm

Nuevas funciones en la librería

En primer lugar, es necesario crear nuevas funciones para crear las pruebas. Concretamente se van a implementar las siguientes:

Los récords con asterisco, o la épica del titular sin contexto – El bestiario de los indicadores económicos absurdos (parte 8 y final)
En Analytics Lane
Los récords con asterisco, o la épica del titular sin contexto – El bestiario de los indicadores económicos absurdos (parte 8 y final)

  • mean: obtiene la media de un vector
  • summary: devuelve un objeto con la suma y la media de un vector
  • multiply: devuelve un vector con el vector original multiplicado por un escalar

Al implementar estas funciones el archivo array.js queda de la siguiente manera.

(function () {
  'use strict';

  const array = exports;

  // Sum of an array
  array.sum = function (arr) {
    let result = 0;

    for (let i = 0; i < arr.length; ++i) {
      result += arr[i];
    }

    return result;
  };

  // Mean of an array
  array.mean = function (arr) {
    return array.sum(arr) / arr.length;
  };

  // Summary of an array
  array.summary = function (arr) {
    return {
      sum: array.sum(arr),
      mean: array.mean(arr)
    };
  };

  // Multiply all values by a scalar
  array.multiply = function (arr, value) {
    const result = arr.slice();

    if (value === undefined) {
      return result;
    }

    for (let i = 0; i < arr.length; ++i) {
      result[i] = arr[i] * value;
    }

    return result;
  };
}());

Comprobación de rangos en pruebas unitarias

Hasta ahora si nos fijamos en las pruebas unitarias siempre se ha utilizado .to.be.equal() para comprobar que el resultado de la función es igual al esperado. Lo que no permite ningún margen de error. Cuando el resultado de la función es real es necesario tener en cuenta los errores debido a la precisión. Por lo que es necesario compara que los resultados se encuentran en un rango. Esto se puede comparar utilizando closeTo() en lugar de equal(). A closeTo() es necesario indicarle además del valor esperado el rango de error máximo permitido. Por ejemplo, la siguiente prueba es valida

expect(1.0001).to.be.closeTo(1, 1e-4);

Ya que la diferencia entre los dos valores es justamente rango indicado. La prueba fallará si el rango se aumenta a 1e-5.

Publicidad


Comprobación de vectores y objetos en pruebas unitarias

Una forma más compacta de comparar resultados es comparar directamente vectores u objetos. Pero si se hace como hasta ahora se puede ver que las pruebas fallan. Esto es lo que se vería si se ejecutan las siguientes pruebas.

expect([1, 2]).to.be.equal([1, 2]);<br>
expect({A: 1, B: 2}).to.be.equal({A: 1, B: 2});

La solución para esto es reemplazar be por deep, con lo que se consigue que las pruebas anteriores pasen. Esto es, escribir:

expect([1, 2]).to.deep.equal([1, 2]);<br>
expect({A: 1, B: 2}).to.deep.equal({A: 1, B: 2});

Por defecto en Chai deep no funciona con closeTo. Para solucionar este problema es necesario instalar la librería chai-deep-closeto. Lo que se consigue el siguiente comando en la carpeta del proyecto.

npm install chai-deep-closeto --save-dev

Posteriormente es necesario importar la librería e inyectarla en Chai para que se pueda utilizar. Para lo que es necesario escribir la siguiente línea de código después de importar Chai y antes de la suite.

chai.use(require('chai-deep-closeto'));

Desafortunadamente, en el momento de escribir esta entrada, chai-deep-closeto solo función con vectores, no con objetos. Por lo que si se desea closeTo en un objeto es necesario comprobar las propiedades una a una.

Suite de ejemplo

Con todo lo visto en esta entrada se puede crear una suite para evaluar el funcionamiento de las nuevas funciones creadas. En el archivo array.test.js se pueden incluir ahora pruebas para mean, summary y multiply.

En este ejemplo, en las pruebas de la función mean se puede observa la utilización de closeTo() para comprobar que el resultado es similar a lo esperado. Por otro lado, en las de mean se puede apreciar la utilización de deep. Finalmente, en las pruebas de multiply se utiliza la opción deep.closeTo().

const chai = require('chai');
const chaiDeepCloseTo = require('chai-deep-closeto');
const expect = chai.expect;
const jslane = require('../index.js');

// Provides deep.closeTo for the Chai assertion
chai.use(chaiDeepCloseTo);

suite('Array test', function () {
  test('Array sum test', function (done) {
    expect(jslane.array.sum([1, 1, 1])).to.be.equal(3);
    expect(jslane.array.sum([1, 2, 3])).to.be.equal(6);

    expect(jslane.array.sum([1, 2, 4])).to.be.equal(7);

    done();
  });

  test('Array mean test', function (done) {
    expect(jslane.array.mean([1, 1, 1])).to.be.equal(1);
    expect(jslane.array.mean([1, 2, 3])).to.be.equal(2);

    expect(jslane.array.mean([1, 2, 4])).to.be.closeTo(2.3333333333, 1e-6);

    done();
  });

  test('Array mean test', function (done) {
    expect(jslane.array.summary([1, 1, 1])).to.deep.equal({
      sum: 3,
      mean: 1
    });
    expect(jslane.array.summary([1, 2, 3])).to.deep.equal({
      sum: 6,
      mean: 2
    });

    done();
  });

  test('Array multiply test', function (done) {
    expect(jslane.array.multiply([1, 1, 1], 2.50001)).to.deep.closeTo([2.5, 2.5, 2.5], 1e-4);

    expect(jslane.array.multiply([1, 1, 1])).to.deep.equal([1, 1, 1]);

    done();
  });
});

Conclusiones

Al finalizar la cuarta entrega de la serie se puede comprobar que los valores de una función se encuentran en un rango en pruebas unitarias en JavaScript. Esto permite mejorar las pruebas y aumentar los casos de uso. En la próxima entrada se verá cómo medir la cobertura de las pruebas unitarias.

Imágenes: Pixabay (skylarvision)

¿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?

Publicidad


Publicaciones relacionadas

  • Los récords con asterisco, o la épica del titular sin contexto – El bestiario de los indicadores económicos absurdos (parte 8 y final)
  • Segmentación RFM: cómo clasificar tu cartera de clientes antes de calcular el CLV
  • PSI: Cómo Saber Cuándo tu Modelo de Credit Scoring se ha Degradado
  • Champion vs Challenger: Cómo los Bancos Validan Modelos Nuevos antes de Ponerlos en Producción
  • Gini, KS y AUC: Cómo Medir la Calidad de un Modelo de Credit Scoring
  • Errores habituales al trabajar con DataFrames grandes en Pandas (y cómo evitarlos)
  • BG/NBD + Gamma/Gamma: el modelo probabilístico para CLV en compras continuas
  • Curiosidad: De dónde vienen foo, bar y foobar
  • Cómo Comparar Dos Hipotecas con Todos los Gastos Incluidos

Publicado en: JavaScript Etiquetado como: Node, 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

Gini, KS y AUC: Cómo Medir la Calidad de un Modelo de Credit Scoring

agosto 18, 2026 Por Daniel Rodríguez

Curiosidad: De dónde vienen foo, bar y foobar

agosto 13, 2026 Por Daniel Rodríguez

BG/NBD + Gamma/Gamma: el modelo probabilístico para CLV en compras continuas

agosto 11, 2026 Por Daniel Rodríguez

Publicidad

Es tendencia

  • Gini, KS y AUC: Cómo Medir la Calidad de un Modelo de Credit Scoring publicado el agosto 18, 2026 | en Ciencia de datos
  • Utilizar R desde Python con rpy2 publicado el enero 11, 2019 | en Python, R
  • Ecuaciones multilínea en Markdown publicado el septiembre 14, 2022 | en Herramientas
  • Cómo validar nombres de hojas (sanitizar) y archivos Excel con Python publicado el noviembre 4, 2024 | en Herramientas, Python
  • Champion vs Challenger: Cómo los Bancos Validan Modelos Nuevos antes de Ponerlos en Producción publicado el agosto 4, 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

  • Daniel Rodríguez en Los récords con asterisco, o la épica del titular sin contexto – El bestiario de los indicadores económicos absurdos (parte 8 y final)
  • Juan en Los récords con asterisco, o la épica del titular sin contexto – El bestiario de los indicadores económicos absurdos (parte 8 y final)
  • 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

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