测试#
testing 模块提供了许多用于单元测试的函数和辅助工具。
注意
默认情况下，testing 模块不会被导入，以优化主 polars 模块的导入速度。你可以导入 polars.testing 然后使用该命名空间，或者从完整模块路径中导入你需要的特定函数，例如：
from polars.testing import assert_frame_equal, assert_series_equal
断言#
Polars 提供了一些标准的断言用于单元测试：
|
断言左侧和右侧的框架是相等的。 |
|
断言左侧和右侧的框架不相等。 |
|
断言左侧和右侧的Series相等。 |
|
断言左侧和右侧的Series不相等。 |
参数测试#
有关基于属性的测试、策略和库集成的更多详细信息，请参阅 Hypothesis 库：
Polars 策略#
Polars 提供了以下 hypothesis 测试策略：
|
用于生成Polars DataFrames或LazyFrames的假设策略。 |
|
创建一个用于生成Polars |
|
创建一个策略，用于生成给定数据类型的列表。 |
|
用于生成Polars系列的假设策略。 |
策略助手#
|
定义一个列以用于 |
|
定义多个列以与@dataframes策略一起使用。 |
创建一个用于生成Polars |
配置文件#
提供了几个标准/命名的 hypothesis 配置文件：
fast: 运行100次迭代。balanced: 运行1,000次迭代。expensive: 运行10,000次迭代。
加载/设置辅助函数允许您直接访问这些配置文件，设置您偏好的配置文件（默认为fast），或设置自定义的迭代次数。
|
加载一个命名（或自定义）的假设配置文件，用于参数测试。 |
|
将环境变量 |
近似配置文件时间：
在具有12核的机器上，使用xdist -n auto对0.17.6版本的polars进行参数化单元测试，针对发布版和调试版构建，得到以下时间（这些值仅供参考，可能会根据您的硬件设置而有显著差异）：
个人资料 |
迭代 |
发布 |
调试 |
|---|---|---|---|
|
100 |
~6 秒 |
~8 秒 |
|
1,000 |
~22 秒 |
约30秒 |
|
10,000 |
~3 分钟 5 秒 |
约4分钟45秒 |
示例#
基础： 创建一个参数化单元测试，该测试将接收一系列生成的DataFrame，每个DataFrame有5个数值列，每个生成的值有10%的几率是null（这与NaN不同）。
import polars as pl
from polars.testing.parametric import dataframes
from polars import NUMERIC_DTYPES
from hypothesis import given
@given(
dataframes(
cols=5,
allow_null=True,
allowed_dtypes=NUMERIC_DTYPES,
)
)
def test_numeric(df: pl.DataFrame):
assert all(df[col].dtype.is_numeric() for col in df.columns)
# Example frame:
# ┌──────┬────────┬───────┬────────────┬────────────┐
# │ col0 ┆ col1 ┆ col2 ┆ col3 ┆ col4 │
# │ --- ┆ --- ┆ --- ┆ --- ┆ --- │
# │ u8 ┆ i16 ┆ u16 ┆ i32 ┆ f64 │
# ╞══════╪════════╪═══════╪════════════╪════════════╡
# │ 54 ┆ -29096 ┆ 485 ┆ 2147483647 ┆ -2.8257e14 │
# │ null ┆ 7508 ┆ 37338 ┆ 7264 ┆ 1.5 │
# │ 0 ┆ 321 ┆ null ┆ 16996 ┆ NaN │
# │ 121 ┆ -361 ┆ 63204 ┆ 1 ┆ 1.1443e235 │
# └──────┴────────┴───────┴────────────┴────────────┘
中级： 将假设原生的策略集成到特定命名的列中，生成一系列LazyFrames，最小行数为五行，并且值符合给定的策略：
import polars as pl
from polars.testing.parametric import column, dataframes
import hypothesis.strategies as st
from hypothesis import given
from string import ascii_letters, digits
id_chars = ascii_letters + digits
@given(
dataframes(
cols=[
column("id", strategy=st.text(min_size=4, max_size=4, alphabet=id_chars)),
column("ccy", strategy=st.sampled_from(["GBP", "EUR", "JPY", "USD"])),
column("price", strategy=st.floats(min_value=0.0, max_value=1000.0)),
],
min_size=5,
lazy=True,
)
)
def test_price_calculations(lf: pl.LazyFrame):
...
print(lf.collect())
# Example frame:
# ┌──────┬─────┬─────────┐
# │ id ┆ ccy ┆ price │
# │ --- ┆ --- ┆ --- │
# │ str ┆ str ┆ f64 │
# ╞══════╪═════╪═════════╡
# │ A101 ┆ GBP ┆ 1.1 │
# │ 8nIn ┆ JPY ┆ 1.5 │
# │ QHoO ┆ EUR ┆ 714.544 │
# │ i0e0 ┆ GBP ┆ 0.0 │
# │ 0000 ┆ USD ┆ 999.0 │
# └──────┴─────┴─────────┘
高级： 创建并使用一个 List[UInt8] 数据类型策略作为假设
composite
生成小整数值对的策略，其中每个嵌套对中的第一个值总是小于或等于第二个值：
import polars as pl
from polars.testing.parametric import column, dataframes, lists
import hypothesis.strategies as st
from hypothesis import given
@st.composite
def uint8_pairs(draw: st.DrawFn):
uints = lists(pl.UInt8, size=2)
pairs = list(zip(draw(uints), draw(uints)))
return [sorted(ints) for ints in pairs]
@given(
dataframes(
cols=[
column("colx", strategy=uint8_pairs()),
column("coly", strategy=uint8_pairs()),
column("colz", strategy=uint8_pairs()),
],
min_size=3,
max_size=3,
)
)
def test_miscellaneous(df: pl.DataFrame): ...
# Example frame:
# ┌─────────────────────────┬─────────────────────────┬──────────────────────────┐
# │ colx ┆ coly ┆ colz │
# │ --- ┆ --- ┆ --- │
# │ list[list[i64]] ┆ list[list[i64]] ┆ list[list[i64]] │
# ╞═════════════════════════╪═════════════════════════╪══════════════════════════╡
# │ [[143, 235], [75, 101]] ┆ [[143, 235], [75, 101]] ┆ [[31, 41], [57, 250]] │
# │ [[87, 186], [174, 179]] ┆ [[87, 186], [174, 179]] ┆ [[112, 213], [149, 221]] │
# │ [[23, 85], [7, 86]] ┆ [[23, 85], [7, 86]] ┆ [[22, 255], [27, 28]] │
# └─────────────────────────┴─────────────────────────┴──────────────────────────┘