本文介绍在使用 hypothesis 进行属性测试时，如何系统性验证函数对合法输入（如有限浮点数、±inf）的正确行为，同时确保非法输入（如 nan）能可靠触发预期异常（如 assertionerror），且不牺牲主测试用例的覆盖率。
本文介绍在使用 hypothesis 进行属性测试时，如何系统性验证函数对合法输入（如有限浮点数、±inf）的正确行为，同时确保非法输入（如 nan）能可靠触发预期异常（如 assertionerror），且不牺牲主测试用例的覆盖率。
在防御式编程中，函数通常通过断言（assert）主动拒绝非法输入（如 NaN），而非静默处理或依赖下游校验。Hypothesis 的优势在于能自动生成大量边缘值，但默认策略倾向于生成“典型有效”数据——这意味着 st.floats() 生成 NaN 的概率极低，导致 assert not math.isnan(value) 这类断言几乎不会被触发，从而掩盖了异常路径未被充分验证的风险。
要兼顾功能正确性与异常鲁棒性，推荐采用“分层测试”策略：
✅ 1. 主测试：专注合法输入行为验证（保持高覆盖率）
保留原有 @given(st.floats()) 测试，但移除 assume(not math.isnan(value)) —— 因为 assume() 会丢弃不满足条件的数据，反而降低发现 NaN 触发断言失败的机会。改为显式分类处理，并利用 hypothesis.event() 记录数据分布：
from hypothesis import given, event, settings
import hypothesis.strategies as st
import math
@given(st.floats())
def test_inc_behavior(value: float):
if math.isnan(value):
event("input: NaN")
# 此处不 assert，因为 NaN 应该触发 AssertionError
elif math.isinf(value):
event("input: infinity")
assert inc(value) == value
else:
event("input: finite")
assert inc(value) > value
运行后可通过 hypothesis statistics 查看各事件触发频次：
pytest test_module.py --hypothesis-show-statistics
若长期未见 "input: NaN"，说明生成不足——此时需补充专项测试。
✅ 2. 专项测试：强制覆盖非法输入（保障异常路径）
为确保 NaN 等关键非法值必被测试，应单独编写高确定性测试用例，避免依赖随机采样：
from hypothesis import example, given, settings
# 显式指定 NaN，100% 覆盖
@example(float('nan'))
@given(st.just(float('nan')))
def test_inc_rejects_nan(value: float):
with pytest.raises(AssertionError, match="not math.isnan"):
inc(value)
# 同理可扩展至其他非法值（如非数字字符串，若类型允许）
@example("invalid")
def test_inc_type_safety(value):
with pytest.raises(TypeError):
inc(value)
⚠️ 注意事项：
- 避免在主测试中用
assume(math.isnan(value))单独验证 NaN，因其可能因采样失败而跳过，导致 CI 中“假绿”；- 对极低概率桶（如
sNaN,subnormal floats），建议结合derandomize=True和max_examples=1000提升稳定性；- 若需自动化检测覆盖缺口，可在 CI 中解析
hypothesis/observability/*.jsonl，校验"input: NaN"是否出现 ≥1 次。
✅ 总结
Hypothesis 本身不提供“自动强制覆盖所有输入类别”的内置模式，但通过 event() + 统计分析（观测）与 @example/st.just() + 专项断言（保障）双轨并行，即可在不干扰主测试有效性前提下，严谨验证防御式断言的健壮性。这是工程实践中平衡自动化与可靠性最务实的方案。
