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非法输入（如 NaN）的断言行为，同时不牺牲对合法输入（有限值、无穷值）的覆盖率。核心策略是分离测试关注点：用独立测试用例覆盖边界与异常分支，并借助 hypothesis.event() 和确定性设置提升可观测性与可靠性。
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非法输入（如 nan）的断言行为，同时不牺牲对合法输入（有限值、无穷值）的覆盖率。核心策略是分离测试关注点：用独立测试用例覆盖边界与异常分支，并借助 `hypothesis.event()` 和确定性设置提升可观测性与可靠性。
在防御式编程中，仅验证“正常路径”是不够的；必须显式确认非法输入（如 NaN、None、越界整数等）能触发预期的防护机制（例如 AssertionError、ValueError）。Hypothesis 本身不提供内置的“强制覆盖所有输入类别的断言测试模式”，但可通过组合策略实现稳健、可维护的异常路径验证。
✅ 推荐实践：分层测试 + 显式分类
将测试拆分为多个职责清晰的用例，而非在一个 @given 中混用 assume() 和条件断言：
import math
import pytest
from hypothesis import given, strategies as st
from hypothesis.settings import settings
# ✅ 测试：合法有限输入 → 结果严格递增
@given(st.floats(allow_nan=False, allow_infinity=False))
def test_inc_finite(value):
assert inc(value) > value
# ✅ 测试：±inf 输入 → 应保持不变
@given(st.sampled_from([math.inf, -math.inf]))
def test_inc_infinity(value):
assert inc(value) == value
# ✅ 测试：NaN 输入 → 必须抛出 AssertionError
@given(st.just(float('nan')))
def test_inc_nan_raises_assertion_error(value):
with pytest.raises(AssertionError, match="not math.isnan"):
inc(value)
该方案优势明显：
-
无假设污染：每个测试专注一类语义明确的输入域，避免
assume()过滤导致的用例浪费或统计偏差； -
失败可定位：当
test_inc_nan_raises_assertion_error失败时，问题直指断言逻辑缺陷，而非模糊的“生成不足”； -
覆盖率透明：配合
hypothesis.event()可量化各分支命中率（见下文）。
? 增强可观测性（可选但强烈推荐）
若需监控各类输入的实际生成分布（例如确认 NaN 确实被生成并进入断言检查），可在生成策略中注入事件标记：
@given(st.floats())
def test_inc_with_coverage_tracking(value):
if math.isnan(value):
event("input: nan")
elif math.isinf(value):
event("input: infinity")
else:
event("input: finite")
# 后续逻辑...
运行测试后执行 hypothesis stats，即可查看各 event 的触发频次，验证异常路径是否被充分探索。
⚠️ 关键注意事项
-
禁用随机化（
derandomize=True）：对低概率值（如NaN）或边界值测试，建议在@settings中启用derandomize=True，确保每次运行生成逻辑一致，避免因随机种子导致 CI 偶发失败。 -
避免
assume()替代测试职责：assume(not math.isnan(value))会丢弃所有NaN样本，使其完全不可见——这与“验证 NaN 被拒绝”的目标相悖。 -
策略优先于过滤：优先使用
st.floats(allow_nan=False)等约束策略定义合法域，再为非法域单独构造（如st.just(float('nan'))），而非在测试体内动态过滤。
✅ 总结
Hypothesis 的设计哲学是“让测试意图清晰可见”。要验证防御式断言，最佳实践不是强行在一个测试中覆盖所有输入类型，而是：
① 为每类关键输入（有限值、无穷值、NaN）编写独立、语义明确的测试用例；
② 利用 pytest.raises 显式声明异常期望；
③ 辅以 event() 和 derandomize 提升调试与可靠性。
这样既保证了非法路径的确定性验证，又维持了合法路径的高覆盖率与可读性。
