• 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
  • 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
  • Python
  • Pandas
  • NumPy
  • Matlab
  • Julia
  • JavaScript
  • Excel

Probar números aleatorios en Python mediante mocks

junio 7, 2021 Por Daniel Rodríguez Deja un comentario
Tiempo de lectura: 3 minutos

Las pruebas automáticas son una parte clave de cualquier librería de código, ya que es la herramienta con la cual validar el correcto funcionamiento de esta después de incluir actualizaciones. Evitando de este modo que una actualización afecte al funcionamiento de los aplicativos donde se use. En el caso de que el código bajo pueda utilice un generador de números aleatorios es necesario crear un mock, un componente que simula el comportamiento de otro, para que a la hora de lanzar la pruebas siempre se ejecuten con los mismos valores. Veamos cómo se puede hacer esto para probar número aleatorios en Python.

Aplicación de ejemplo

Supongamos que tenemos un programa con el que se simula el lanzamiento de una moneda como el que se muestra a continuación.

import random

def coin():
    if random.random() > 0.5:
        return 1
    else:
        return 0

En este pequeño programa se le pide al generador de números aleatorios de Python un valor y cuando este es mayor que 0,5 devuelve 1 y 0 en otro caso. Esto es, una función que devuelve 1 con un 50% de probabilidad y 0 con el otro 50%. Si queremos hacer una prueba para comprobar que funciona correctamente, por ejemplo, validar que no se ha escrito un valor diferente a 0,5 en la comparación, tenemos un problema ya que no controlamos el comportamiento de random(). Aunque esto se puede solucionar fácilmente mediante la creación de un mock.

Creación de un mock en Python para probar números aleatorios

La forma más fácil de crear un mock en Python es sobrescribir la función o método del componente antes de usarlo. Así, en el archivo de prueba se llamará a esta función en lugar de la original. Para hacer esto en el ejemplo anterior, en el caso de que el código este en un archivo coin.py, solamente tendremos que reemplazar coin.random.random por una función que siempre devuelva un valor. Algo como lo que se muestra en el siguiente archivo

Publicidad


import coin

def test_coin():
    coin.random.random = lambda : 0.5

    assert coin.coin() == 0

En el caso de ejecutar la prueba con esta pasara ya que siempre el valor será de 0,5.

Evaluar múltiples números aleatorios en Python

El ejemplo anterior funciona bien para un único caso, pero en el caso de llamar varias veces a la función aleatoria esta no se comporta como en un caso real. Por lo que, para probar estos casos, es necesario crear una función que devuelve un valor diferente cada vez que sea llamada. Algo que se puede conseguir con un vector del que se extrae un número en cada llamada mediante el uso de pop(). Así, tal como se muestra en la siguiente prueba, se puede comprobar cómo la función que simula la moneda cambia de un estado a otro de forma correcta.

import coin

def test_coin():
    random_number = [0.1, 0.5, 0.51, 0.6]
    coin.random.random = lambda : random_number.pop(0)

    assert coin.coin() == 0
    assert coin.coin() == 0
    assert coin.coin() == 1
    assert coin.coin() == 1

En donde los dos primeros intentos son cero ya que los “números aleatorios” no son mayores de 0,5, lo que sí sucede en el tercero y cuarto caso.

Esta es una forma de probar números aleatorios en Python con el que se puede abordar todas las casuísticas necesarias. Ya que tenemos un control completo de los valores aleatorios.

Publicidad


Conclusiones

En esta ocasión hemos visto cómo crear pruebas con números aleatorios en Python mediante el uso de mocks. Lo que nos permite probar incluso código cuyo funcionamiento debe ser aleatoria en producción. Algo clave para que la cobertura de las pruebas de nuestra librería sea los más cercana posible al 100%, lo único con lo que podemos garantizar que no incluiremos errores tras una actualización.

Imagen de anncapictures 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

  • seaborn
    Visualización de datos en Python con Seaborn
  • email
    Enviar correos electrónicos desde Python
  • python
    Gestionar las dependencias de paquetes Python…
  • python
    Distribución de paquetes de Python (Creación de…
  • juggler
    Truco: obtener los mismos números aleatorios en…
  • background
    Selección de una submuestra en Python con pandas

Publicado en: Python 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.

Publicidad





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
  • Facebook
  • GitHub
  • Instagram
  • Pinterest
  • RSS
  • Twitter
  • Tumblr
  • YouTube

Publicidad

Entradas recientes

Tutorial básico de Traceroute

diciembre 8, 2023 Por Daniel Rodríguez

Usar el depurador de Visual Studio Code con Jest

diciembre 6, 2023 Por Daniel Rodríguez

Análisis de datos con GPT en Pandas

diciembre 4, 2023 Por Daniel Rodríguez

Publicidad

Es tendencia

  • Operaciones de filtrado de DataFrame con Pandas en base a los valores de las columnas publicado el mayo 10, 2019 | en Python
  • Seleccionar filas y columnas en Pandas con iloc y loc publicado el junio 21, 2019 | en Python
  • ¿Cómo eliminar columnas y filas en un dataframe pandas? publicado el marzo 25, 2019 | en Python
  • Duplicado Eliminar registros duplicados en pandas publicado el junio 20, 2018 | en Python
  • Unir y combinar dataframes con pandas en Python publicado el septiembre 10, 2018 | en Python

Publicidad

Lo mejor valorado

4.9 (22)

Seleccionar filas y columnas en Pandas con iloc y loc

4.7 (12)

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

4.6 (15)

Archivos JSON con Python: lectura y escritura

4.5 (10)

Diferencias entre var y let en JavaScript

4.4 (13)

Ordenación de diccionarios en Python mediante clave o valor

Publicidad

Comentarios recientes

  • Anto en Rendimiento al iterar en JavaScript sobre un vector
  • Daniel Rodríguez en Creación de un certificado Let’s Encrypt en Windows con Win-Acme
  • Guillermo en Creación de un certificado Let’s Encrypt en Windows con Win-Acme
  • Daniel Rodríguez en ¿Cómo eliminar columnas y filas en un dataframe pandas?
  • Miguel en ¿Cómo eliminar columnas y filas en un dataframe pandas?

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 © 2018-2023 Analytics Lane ·Términos y condiciones ·Política de Cookies ·Política de Privacidad ·Herramientas de privacidad ·Contacto