Python 编写随机函数的测试

我正在编写一个用于实验进化算法的软件包，不用说，它包含了很多随机方法。现在，我想为这个包编写一些（doc）测试，这样我就可以验证一切是否正常，但我遇到的情况是，“大多数时候”测试都应该是真的。我觉得我可能是走错了路，但我还是想听听你对此的一些想法

例如，我的博士论文中有这样的内容：

>>> a = Genome()
>>> b = Genome()
>>> a.mutate()
>>> a != b
True # Well, most of the time.

实现这样的测试意味着当一切正常时，测试有时会失败

---

在进行测试之前，我阅读了修复RNG种子的建议，但是在编写测试之前，我必须确保一切正常，因为测试应该包括预期的结果。

您可以使其失败的概率可以忽略不计，例如

a = Genome()
genomes = []
for i in range(100):
    b = Genome()
    b.mutate()
    genomes.append(b)
assert any(a != b for b in genomes)

如果您最初的测试大部分时间都成功了，那么这个测试在所有实际应用中都会成功

该测试还可以对允许匹配的基因组数量施加合理限制

---

可以说，测试结果不如原来的好。也许在这里使用doctests是错误的方法，您应该编写单独的单元测试。

您可以使它失败的概率可以忽略不计，例如

a = Genome()
genomes = []
for i in range(100):
    b = Genome()
    b.mutate()
    genomes.append(b)
assert any(a != b for b in genomes)

如果您最初的测试大部分时间都成功了，那么这个测试在所有实际应用中都会成功

该测试还可以对允许匹配的基因组数量施加合理限制

---

可以说，测试结果不如原来的好。也许在这里使用doctests是错误的方法，您应该编写单独的单元测试。

您知道大多数时候

想要什么吗？如果它至少是1%，那么你可以在你的单元中生成100个答案，并确保与你想要的答案相差不超过1或2个。@Zenon但从统计上看，它有时会超过最小百分比，因此可能仍然无法通过测试。你应该确定你对随机函数的测试，如果其中一个测试失败，以合理的阈值再次运行测试。大多数时候，您是否知道自己想要什么？如果它至少是1%，那么你可以在你的单元中生成100个答案，并确保与你想要的答案相差不超过1或2个。@Zenon但从统计上看，它有时会超过最小百分比，因此可能仍然无法通过测试。你应该确定你对随机函数的测试，如果其中一个测试失败，以合理的阈值再次运行测试。因此，它可能（尽管不太可能）因为没有好的理由而失败这一事实是可以原谅的？@Noio：这是一个实际问题，而不是一个理论问题。如果你最初的测试失败了，比如说10次 % 在这些案例中，10^100个案例中有一个会失败。在实践中，这是永远不会发生的。因此，它有可能（尽管不太可能）因为没有好的理由而失败这一事实是可以原谅的？@Noio：这是一个实际问题，而不是一个理论问题。如果你最初的测试失败了，比如说10次 % 在这些案例中，10^100个案例中有一个会失败。实际上，这从来都不是。