• 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
      • Descenso de gradiente
      • Visualizador de PCA
      • Visualizador de Series Temporales
      • Simulador de Regresión Logística
      • Matriz de confusión e informe de clasificación
      • Visualizador de fronteras de decisión
      • Simulador de K-Means
      • Número Óptimo de Clusters
      • Simulador de DBSCAN
      • Detector de la Ley de Benford
      • Ajuste de Curvas
      • Calculadora de Matrices
    • Probabilidad
      • Calculadora de Probabilidad de Distribuciones
      • Problema del cumpleaños
      • Calculadora de Probabilidades de Lotería
      • Simulador del Problema de Monty Hall
      • La aguja de Buffon
      • Simulador de la Estrategia Martingala
      • Simulador de Cadenas de Markov
    • Finanzas
      • Calculadora de Préstamos e Hipotecas
      • Conversor TIN ↔ TAE
      • Calculadora DCA con ajuste por inflación
      • Comparador de tarifas de luz 2.0TD
      • Calculadora XIRR con Flujos Irregulares
      • Simulador FIRE (Financial Independence, Retire Early)
      • Frontera Eficiente
    • Negocios
      • CLV
      • Scoring
    • Herramientas
      • Formateador / Minificador de JSON
      • Conversor CSV ↔ JSON
      • Consultar CSV con SQL en el navegador
      • Extractor de tickets (OCR)
      • Comparador y Formateador de Texto y JSON
      • Formateador y Tester de Expresiones Regulares
      • Inspector de JWT
      • Generador y verificador de hashes
      • Calculadora HMAC
      • Codificador / Decodificador Base64 y URL
      • Conversor de bases numericas
      • Conversor de Timestamp Unix
      • Conversor de colores
      • Generador de UUIDs
      • Editor de expresiones cron
      • Conversor de unidades
    • 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

Cobertura de las pruebas unitarias en Python (Creación de paquetes de Python 4ª parte)

marzo 13, 2020 Por Daniel Rodríguez Deja un comentario
Tiempo de lectura: 5 minutos

En las entradas anteriores hemos visto cómo definir pruebas unitarias con pytest, así como ejecutarlas en diferentes versiones de Python con tox. Un dato importante de las pruebas es el nivel de cobertura, el porcentaje de código que se prueba. Para así poder identificar qué partes del código tienen pruebas asociadas y cuáles no. Con lo que se puede definir nuevas pruebas para estas últimas partes del paquete. Ya que cualquier cambio que se introduzca en el código sin cobertura puede modificar el comportamiento del paquete de una forma no desea. Que no detectaremos hasta que este se encuentre en producción. En esta cuarta parte de la serie “Creación de paquetes de Python” se va a explicar cómo medir la cobertura de las pruebas unitarias en Python con coverage.

Esta entrada forma parte de la colección “Creación de paquetes de Python” que consta de las siguientes siete entradas:

  1. Creación de paquetes de Python
  2. Pruebas unitarias en Python
  3. Probar en múltiples versiones de Python
  4. Cobertura de las pruebas unitarias en Python
  5. Gestionar las dependencias de paquetes Python
  6. Documentar paquetes de Python
  7. Distribuir paquetes de Python

Tabla de contenidos

  • 1. Instalación de coverage
  • 2. Medir el nivel de cobertura
  • 3. Configurar de los archivos en los que mide la cobertura
  • 4. Instalación del plugin pytest-cov
  • 5. Identificar los métodos sin cobertura
  • 6. Informe HTML
  • 7. Conclusiones

Instalación de coverage

La librería que vamos a utilizar para crear pruebas unitarias es coverage, dado que es fácil de utilizar y proporciona la información necesaria. Como es habitual en Python el paquete coverage lo instalaremos utilizando pip, para lo que abriremos una terminal y escribiremos:

Shallow copy vs Deep copy en Python: la mutación inesperada
En Analytics Lane
Shallow copy vs Deep copy en Python: la mutación inesperada

pip install coverage

Medir el nivel de cobertura

Tras la instalación de coverage solamente tenemos que ejecutar las pruebas unitarias a través de este. Para lo que hay que llamar a coverage seguido de la opción run y las instrucciones que hemos utilizado hasta ahora para lanzar las pruebas, es decir, tenemos que escribir:

coverage run pytest

Una vez hecho esto para ver el nivel de cobertura podemos simplemente hay que escribir coverage seguido de la opción report, para ver el informe en la terminal, o html, para crear un informe en formato HTML. En la terminal podemos ver un informe como el siguiente:

% coverage report                       
Name                                  Stmts   Miss  Cover
------------------------------------------------------------
pylane/__init__.py                        3   0   100%
pylane/arithmetic.py                      4   0   100%
tests/test_arithmetic.py                  6   0   100%
/opt/anaconda3/bin/pytest                 6   0   100%
------------------------------------------------------------
TOTAL                                    19   0   100%

En donde se puede ver que el paquete tiene una cobertura de pruebas del 100%. Lo que es una buena noticia, podemos agregar código o modificar el actual sin miedo a cometer errores.

Configurar de los archivos en los que mide la cobertura

Algo que se puede apreciar en el informe es que no solamente mide las líneas código del paquete que se ejecutan, sino que también las de del código de pruebas. Algo que generalmente no es lo que se desea. Problema que se puede solucionar mediante el archivo de configuración .coveragerc. Un archivo que se ha de situar en la raíz del proyecto.

Existen dos opciones que son interesantes, una es limitar los archivos en los que se mide el nivel de cobertura y otro es mostrar las líneas que no se ejecutan en las pruebas. Cosa que no veíamos en el ejemplo anterior. Para limitar los archivos se usa la opción include donde se indica la ruta donde se medirá la cobertura. Por otro lado, para mostrar o no las líneas de código que no se prueban existe la opción show_missing que se ha de poner a verdadero si queremos verlas. Así se puede usar el siguiente archivo:

[run]
include = aprendizaje_automatico_aplicado/*
 
[report]
show_missing = True

Una vez guardado este archivo el informe de cobertura será como el que se muestra a continuación. En donde la nueva columna Missing se indicará que líneas de cada uno de los archivos no se prueba. En este ejemplo, como la cobertura es del 100%, la columna se encuentra vacía.

Name               	Stmts   Miss  Cover   Missing
----------------------------------------------------
pylane/__init__.py     	3  	0   100%
pylane/arithmetic.py   	4  	0   100%
----------------------------------------------------
TOTAL                  	7  	0   100%

Instalación del plugin pytest-cov

Instalar el plugin pytest-cov permite ejecutar las pruebas y generar el informe en un único paso. Simplificando el flujo de trabajo. Al igual que anteriormente converge la podemos instalar con pip:

pip install pytest-cov

Una vez instalado el plugin solamente tenemos que lanzar las pruebas con la opción --cov para obtener inmediatamente el informe de cobertura.

pytest --cov=pylane tests/

Identificar los métodos sin cobertura

Hasta ahora el código del paquete tiene una cobertura del 100%, pero sin creamos una nueva función multiplicar podremos comprobar como el informe nos indica las líneas que no tienen cobertura.

def addition(a, b):
    return a + b


def subtraction(a, b):
    return a - b


def multiplicar(a, b):
     return a * b

Así agregando la función al archivo arithmetic.py, sin crear una nueva prueba, se obtiene el siguiente informe:

Name                Stmts   Miss  Cover   Missing
----------------------------------------------------
pylane/__init__.py      3   0      100%
pylane/arithmetic.py    6   1       83%   10
----------------------------------------------------
TOTAL                   9   1       89%

En donde nos indica que la línea 10 de arithmetic.py no se ejecuta las pruebas. Por lo que el nivel de cobertura baja hasta un 83% para ese archivo y 89% para el total del proyecto.

Informe HTML

El informa en HTML además de ser más vistoso que la versión de terminal también nos permite navegar ver las líneas que no tienen cobertura. Así si escribimos el siguiente comando podremos acceder al documento web.

coverage html
Versión web del informe de cobertura
Versión web del informe de cobertura

En la web se puede ver el mismo informe, pero si pulsamos sobre cada uno de los archivos se puede ver visualmente qué líneas se prueban y cuáles no. Algo que se puede ver en la siguiente captura de pantalla.

Detalle del informe de cobertura
Detalle del informe de cobertura

Conclusiones

En esta entrada se ha visto cómo medir la cobertura de las pruebas unitarias en Python con coverage. Un paquete que nos puede ayudar a comprobar que no se deja código sin probar. La próxima semana aprenderemos a gestionar las dependencias de paquetes de terceros.

Imagen de seth0s en Pixabay

¿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

  • Shallow copy vs Deep copy en Python: la mutación inesperada
  • Cómo Proyectar Cuándo Alcanzarás la Independencia Financiera
  • Cómo Saber si una Diferencia Significativa es Importante
  • Curiosidad: “Wi-Fi” no significa “Wireless Fidelity”
  • Cómo Explorar un Dataset antes de Modelar
  • Cómo Elegir el Test de Hipótesis Correcto para tus Datos
  • Tuplas vs Listas en Python: parecen lo mismo, pero no
  • == vs is en Python: la diferencia que causa bugs misteriosos
  • Curiosidad: El puerto 80 y los números de puerto

Publicidad

Publicado en: Python

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

Cómo Explorar un Dataset antes de Modelar

noviembre 17, 2026 Por Daniel Rodríguez

Curiosidad: “Wi-Fi” no significa “Wireless Fidelity”

noviembre 12, 2026 Por Daniel Rodríguez

Shallow copy vs Deep copy en Python: la mutación inesperada

noviembre 10, 2026 Por Daniel Rodríguez

Publicidad

Es tendencia

  • Hoja de cálculo para repartir los escaños en base al método D’Hont Aplicar el método D’Hondt en Excel publicado el abril 14, 2021 | en Herramientas
  • Buscar en Excel con dos o más criterios publicado el septiembre 7, 2022 | en Herramientas
  • Método del codo (Elbow method) para seleccionar el número óptimo de clústeres en K-means publicado el junio 9, 2023 | en Ciencia de datos
  • WOE e IV: La Base Matemática del Credit Scoring publicado el mayo 5, 2026 | en Ciencia de datos
  • Copiar y pegar Activar copiar y pegar en VirtualBox publicado el mayo 1, 2019 | en Herramientas

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 Curiosidad: La Paradoja de Simpson, o por qué no siempre debes fiarte de los promedios
  • Hatepi en Curiosidad: La Paradoja de Simpson, o por qué no siempre debes fiarte de los promedios
  • 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

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