纯函数测试基础：无副作用函数编写、测试用例设计、断言方法

1. 纯函数核心原理

纯函数是离线优先单元测试最理想的被测对象。它在数学和计算上满足两个必要条件：

• 确定性（Deterministic）：相同输入始终产生相同输出，不依赖任何外部状态或随机数。
• 无副作用（Side-Effect Free）：函数执行过程中不修改任何外部变量、不执行 I/O、不改变参数对象、不抛出未处理的异常。

只有满足这两条的函数才能做到“一次测试，到处回放”，真正离线、无网络、无基础设施依赖。

2. 纯函数的特征对照表

3. 测试用例设计策略

纯函数测试用例围绕等价类划分和边界值分析展开，不需要 mock 或 stub。

• 正常输入类：典型值组合，验证预期输出。
• 边界输入类：零、空集合、最大整数、浮点精度临界点。
• 错误输入类：非法值、空指针、负数（当函数预期正数时）。
• 特殊逻辑路径：分支条件全覆盖（真/假分支）。

4. 断言方法的选型

在离线优先的纯函数测试中，断言风格应保持简单、直接、可离线执行：

• 值断言：assertEqual / assertEquals 验证精确返回值。
• 浮点近似断言：assertAlmostEqual 或设置 delta 参数。
• 集合断言：assertListEqual / assertSetEqual 验证无顺序或有序结果。
• 异常断言：assertRaises 验证函数在非法输入时抛出指定异常。
• 引用透明断言：对同一输入多次调用并断言输出恒等。

5. 代码示例：纯函数与测试编写

以下是一个计算折扣金额的纯函数及对应的离线测试用例（Python + pytest）：

# discount.py
def calculate_discount(price: float, rate: float) -> float:
    """纯函数：根据原价和折扣率计算折后价，四舍五入到两位小数。"""
    if price < 0 or rate < 0 or rate > 1:
        raise ValueError("price must be >=0, rate must be in [0, 1]")
    return round(price * (1 - rate), 2)

# test_discount.py
import pytest
from discount import calculate_discount

def test_calculate_discount_normal():
    # 正常值：满100打8折
    result = calculate_discount(100.0, 0.2)
    assert result == 80.0

def test_calculate_discount_zero_rate():
    # 边界值：折扣率为0，折后等于原价
    assert calculate_discount(50.0, 0.0) == 50.0

def test_calculate_discount_full_discount():
    # 边界值：折扣率1，折后价为0
    assert calculate_discount(99.99, 1.0) == 0.0

def test_calculate_discount_float_precision():
    # 浮点精度：测试四舍五入
    assert calculate_discount(19.99, 0.15) == 16.99

def test_calculate_discount_negative_price():
    # 非法输入：负价格应抛出异常
    with pytest.raises(ValueError):
        calculate_discount(-10.0, 0.1)

def test_calculate_discount_invalid_rate():
    # 非法输入：折扣率超出[0,1]范围
    with pytest.raises(ValueError):
        calculate_discount(50.0, 1.5)

def test_calculate_discount_reference_transparent():
    # 引用透明性验证：相同输入多次调用结果一致
    inputs = (200.0, 0.25)
    results = [calculate_discount(*inputs) for _ in range(5)]
    assert all(r == results[0] for r in results)

6. 副作用隔离与函数重构

当业务逻辑与副作用（日志、网络、数据库）混写时，应使用函数式核心 / 命令式外壳模式将纯函数萃取出来：

# 不推荐：副作用混入逻辑
def process_order(order_id):
    db = get_database()
    order = db.fetch(order_id)  # 副作用：网络
    return compute_total(order) # 纯逻辑

# 推荐：剥离纯函数
def compute_total(order_items: list) -> float:
    """纯函数：离线可测试"""
    return sum(item.price * item.quantity for item in order_items)

# 外层只负责副作用
def process_order(order_id, db):
    order = db.fetch(order_id)
    total = compute_total(order.items)
    return total

7. 测试质量指标

• 分支覆盖率 ≥ 100%：纯函数不含隐式分支（如异常处理分支），必须全量覆盖。
• 边界值覆盖率 ≥ 80%：对每个数值参数，至少包含最小值、最大值、典型值。
• 引用透明测试 ≥ 1个：确保函数无隐藏内部状态。
• 单测执行时间 < 1ms：纯函数无 I/O，单个用例应在微秒级完成。

8. 常见错误与调试

9. 纯函数测试流程图

以下流程总结了从函数识别到测试验证的完整步骤：

10. 性能与稳定性优化

• 缓存纯函数结果：使用 functools.lru_cache 对重复输入进行结果缓存，大幅提升测试套件速度。
• 并发执行测试：纯函数无竞态条件，可安全启用 pytest -n auto 并行运行。
• 测试数据工厂：使用 @pytest.fixture 提供干净的测试输入，避免测试间相互污染。
• 基准测试集成：对高频纯函数增加 pytest-benchmark 装饰器，监控每次重构后的性能退化。