• 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

Pruebas automáticas en R con testthat (Creación de paquetes en R 3ª parte)

Unit testing

mayo 8, 2020 Por Daniel Rodríguez Deja un comentario
Tiempo de lectura: 4 minutos

Seguimos con nuestra serie en la que explicamos cómo crear un paquete R en la que se realizará una introducción a las pruebas automáticas. Incluir pruebas automáticas en nuestro código es clave para poder mantener a medida que crece. Las pruebas no solo permiten garantizar que el código funciona correctamente hoy en día, sino que permite garantizar que continuará funcionando correctamente en un futuro. Avisandonos de error que se pueden en el futuro debido a cambios en otros paquetes de los que dependamos o del propio R. La forma más fácil de escribir pruebas automáticas en R es con el paquete testthat.

Esta entrada forma parte de la serie “Creación de paquetes en R” cuyo código se puede encontrar en el repositorio y consta de las siguientes ocho entradas:

  1. Creación de paquetes en R
  2. El archivo DESCRIPTION
  3. Pruebas automáticas con testthat
  4. Pruebas avanzadas con testthat
  5. Medir la cobertura de las automáticas unitarias
  6. Documentación de los paquetes
  7. Creación de vignette
  8. Validación y distribución de los paquetes

El paquete testthat

En primer lugar, necesitamos instalar el paquete testthat para poder escribir y ejecutar pruebas automáticas. Un paquete que se puede instalar desde el CRAN simplemente escribiendo:

install.packages("testthat")

Creación de la estructura de pruebas

Las pruebas automáticas se guardan en la carpeta test de proyecto, una carpeta que no ha creado el asistente de RStudio. Pero esto no es un problema porque esta se puede crear automáticamente con devtools. La primera vez que lanzamos el comando devtools::test(), con el que habitualmente se lanzaran las pruebas unitarias, nos preguntará si deseamos crear la infraestructura para las pruebas. Al contestar de forma afirmativa creará la carpeta tests, encontrando en el interior de esta carpeta encontraremos un archivo testthat.R y una carpeta testthat. El archivo R es el que se encarga de cargar los paquetes necesario y lanzar las pruebas, pruebas que se almacenarán en la carpeta testthat.

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)

Publicidad


Creación de una función para probar

En primer lugar, para nuestro paquete podemos crear una función básica que sume dos números. Función que se debe guardar en un archivo en la carpeta R. Para nuestro ejemplo vamos la siguiente función en el archivo suma.R.

suma <- function(a,b) {
  return(a + b)
}

Además de ello también podemos borrar el archivo hello.R creado por el asistente de RStudio, el cual no necesitamos.

Probar el comportamiento de la función suma

Para probar el código es necesario crear un archivo R cuyo nombre comience por test dentro de la carpeta tests/testthat. Es importante que el archivo comienza por test, ya que sino no se ejecutarán las pruebas de este. En nuestro ejemplo crearemos un archivo testSuma.R en el que incluirá el siguiente código:

context("Suma")

test_that("Suma", {
  expect_equal(suma(1, 1), 2)
  expect_equal(suma(1, 2), 3)
})

En la primera línea, con la función context() se indica el contexto en el que ejecutan las pruebas, algo clave para identificar rápidamente donde se produce los fallos. Posteriormente se utiliza la función test_that() para definir un conjunto de pruebas con un nombre, nombre que se pasa como primer parámetro de la función. Como segundo parámetro se pasa el código que ha de ejecutar y las valores que se espera obtener.

En el ejemplo las operaciones son bastante sencillas, simplemente se comprueba si la función suma para los valores 1 y 1 da como resultado 2 y si para 1 y 2 da como resultado 3. Lo que se esperaría de una función suma.

Ahora solamente se tiene que escribir devtools::test() para comprobar que nuestro código pasa las pruebas. Lo que, si todo está bien, nos debería indicar que el código ha pasado dos pruebas positivamente y no se han producido ni fallos ni warnings.

Tolerancia en las comprobaciones

Siempre que se trabaja con número reales es necesario tener en cuenta una cierta tolerancia, ya que pequeños errores numéricos pueden dar al traste las comprobaciones. Por eso las funciones de expectación de testthat incluye por defecto un grado de tolerancia. En el caso de que necesitemos aumentar el grado de tolerancia se puede usar la propiedad tolerance para modificar el valor. Por ejemplo, la siguiente comparación es válida ya que la diferencia entre los dos valores está por debajo de 1e-4.

expect_equal(1, 1.00001, tolerance=1e-4)

Publicidad


Conclusiones

En esta entrada se ha visto cómo crear pruebas automáticas en R con testthat e incluirlas en nuestro paquete. Pruebas que nos garantizan el correcto funcionamiento del código hoy y en un futuro indicando cuando una tarea de mantenimiento o una dependencia externa cambia el comportamiento de la librería. La próxima semana continuaremos con pruebas automáticas más avanzadas.

Imagen de Peter H 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

  • 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: 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

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

  • Matriz en tabla con Excel Cómo convertir una matriz en tabla con Excel sin VBA publicado el diciembre 4, 2020 | en Herramientas
  • Diferencias entre CPU, GPU, TPU y NPU publicado el abril 19, 2023 | en Herramientas
  • ¿Cómo saber la versión de Pandas o cualquier otra librería en Python? publicado el septiembre 25, 2023 | en Python
  • Calcular la similitud de Jaccard en Python publicado el enero 19, 2024 | en Ciencia de datos
  • ¿Qué es la estadística y por qué todos deberíamos comprenderla? publicado el noviembre 22, 2024 | en Opinión

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

4.9 (11)

Pandas: Cambiar los tipos de datos en los DataFrames

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