直接断言随机函数输出会失败，因为random.random()等每次结果不同；应通过random.seed(42)固定全局随机状态，或用patch模拟特定随机序列。
为什么直接断言随机函数的输出会失败
因为 random.random()、random.choice() 等函数每次运行结果都不同，用 assert result == 0.42 这类固定值断言必然在第二次测试就失败。不是代码写错了，是没控制住随机源。
用 random.seed() 固定全局随机状态
最简单有效的方式是在测试开始前调用 random.seed(42)（数字可任选，但必须固定）。这会让后续所有依赖 random 模块的函数产生完全一致的序列。
常见错误：只在函数内部设 seed —— 没用，seed 必须在测试逻辑执行前设置，且要确保没有其他代码提前调用了 random 函数干扰状态。
实操建议：
- 在每个测试函数开头第一行加
random.seed(42) - 或统一在
setUp()方法里设置（unittest） - 避免使用
time.time()或系统熵作为 seed，否则失去可重复性 - 注意：
numpy.random和random是两套独立状态，需分别设 seed
测试返回列表/字典等复合结构的随机函数
即使输出是乱序列表，只要 seed 固定，random.shuffle() 或 random.sample() 的结果也确定。但别直接 assert 列表全等——容易因顺序敏感失败。
更稳妥的做法：
- 用
sorted(actual)和sorted(expected)比对内容（如果顺序不重要） - 对 shuffle 后的列表，先验证长度和元素是否一致：
set(actual) == set(expected)，再检查是否发生了重排（如actual != expected） - 若函数返回带随机键的字典（如用
uuid4()），应抽离随机生成逻辑，单独 mock
用 unittest.mock.patch 替换随机行为（适合复杂场景）
当函数内部调用多处随机操作、或混用 random / numpy.random / secrets 时，统一设 seed 容易漏控。这时直接 patch 更清晰。
示例：mock random.random 返回固定序列
from unittest.mock import patch
...
with patch('random.random') as mock_random:
mock_random.side_effect = [0.1, 0.9, 0.5]
result = my_random_function()
assert result == "expected_based_on_0.1_0.9_0.5"
关键点：
- patch 目标必须是被测函数「导入时看到的路径」，比如函数里写
from random import random，就得 patch'mymodule.random' - 用
side_effect而非return_value，才能支持多次调用返回不同值 - mock 后无需设 seed，彻底脱离随机依赖
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
