news 2026/5/1 18:29:02

pytest中的测试用例名与`test_`开头的函数一一对应,不是与assert语句对应

作者头像

张小明

前端开发工程师

1.2k 24
文章封面图
pytest中的测试用例名与`test_`开头的函数一一对应,不是与assert语句对应

1.基本对应关系

# test_example.pydeftest_addition():# 对应一个测试用例assert1+1==2deftest_subtraction():# 对应另一个测试用例assert3-1==2assert5-2==3# 同一个用例中的多个assert

在report.html中,你会看到:

  • test_addition(一个测试用例)
  • test_subtraction(一个测试用例)

2.参数化测试的特殊情况

importpytest@pytest.mark.parametrize("a,b,expected",[(1,1,2),(2,3,5),(5,5,10)])deftest_add(a,b,expected):# 一个函数对应多个测试用例asserta+b==expected

在报告中会显示为:

  • test_add[1-1-2]
  • test_add[2-3-5]
  • test_add[5-5-10]

3.assert的作用

  • assert是测试用例内部的验证点
  • 一个测试用例可以有多个assert语句
  • 如果第一个assert失败,后续的assert不会执行(除非使用pytest的特殊配置)
deftest_multiple_asserts():# 这3个assert都属于同一个测试用例assert1==1assert"hello"=="hello"assert[1,2]==[1,2]

4.report.html中的显示

<!-- 简化示例 --><table><tr><td>Test Case</td><td>Status</td></tr><tr><td>test_addition</td><!-- 函数名 --><td>PASSED</td></tr><tr><td>test_subtraction</td><!-- 函数名 --><td>FAILED</td><!-- 即使有多个assert,也是整体显示 --></tr></table>

5.总结要点

  • 一个test_函数 = 一个测试用例(除非参数化)
  • 多个assert = 一个测试用例内的多个检查点
  • 报告中显示的是函数名(或参数化后的变体)
  • assert失败会使整个测试用例标记为失败

6.验证方法

你可以通过以下命令查看:

# 运行测试并查看用例名pytest -v# 或生成html报告pytest --html=report.html

所以,pytest的报告结构与测试函数对应,而不是与assert语句对应

版权声明: 本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若内容造成侵权/违法违规/事实不符,请联系邮箱:809451989@qq.com进行投诉反馈,一经查实,立即删除!
网站建设 2026/4/25 21:43:23

Tsuru PaaS平台终极入门指南:从零开始部署云原生应用

Tsuru PaaS平台终极入门指南&#xff1a;从零开始部署云原生应用 【免费下载链接】tsuru Open source and extensible Platform as a Service (PaaS). 项目地址: https://gitcode.com/gh_mirrors/ts/tsuru Tsuru是一个开源且可扩展的平台即服务(PaaS)解决方案&#xff0…

作者头像 李华
网站建设 2026/4/30 12:25:16

Git Commit规范在FLUX.1-dev项目协作开发中的重要性

Git Commit规范在FLUX.1-dev项目协作开发中的重要性 在人工智能研发的最前沿&#xff0c;像 FLUX.1-dev 这样的大型文生图模型早已不再是单一算法的实验产物&#xff0c;而是集成了复杂架构、海量数据和多任务能力的系统级工程。它基于创新的 Flow Transformer 架构&#xff0…

作者头像 李华
网站建设 2026/4/19 15:41:01

不想重复训练?使用HuggingFace镜像网站快速加载FLUX.1-dev

不想重复训练&#xff1f;使用HuggingFace镜像网站快速加载FLUX.1-dev 在AI生成内容&#xff08;AIGC&#xff09;领域&#xff0c;图像生成模型的迭代速度令人目不暇接。但对大多数开发者来说&#xff0c;真正困扰他们的并不是“有没有好模型”&#xff0c;而是“能不能用得上…

作者头像 李华
网站建设 2026/4/28 8:16:56

清华源无法访问时的应急解决方案汇总

清华源无法访问时的应急解决方案汇总 在人工智能项目开发中&#xff0c;一个常见的“噩梦”场景是&#xff1a;你正准备启动训练任务&#xff0c;CI 流水线突然卡在 pip install torch 这一步&#xff0c;错误提示指向清华源超时或 DNS 解析失败。更糟的是&#xff0c;团队其他…

作者头像 李华
网站建设 2026/4/30 15:05:26

对比测试:Stable Diffusion 3.5原版 vs FP8量化版性能差异分析

对比测试&#xff1a;Stable Diffusion 3.5原版 vs FP8量化版性能差异分析 在生成式AI如火如荼的今天&#xff0c;文生图模型早已从“能画出来”迈向“画得准、画得好、跑得快”的新阶段。Stable Diffusion 系列作为开源社区的标杆&#xff0c;其最新版本 Stable Diffusion 3.5…

作者头像 李华