Есть следующие классы в python, которые инициализируются вот так: class…
- User
Есть следующие классы в python, которые инициализируются вот так: class CalcModelFifoPost(CalcModelOversale): def init(self, data, gdx_file_path, POLARS, polars_tables): super().init(data, gdx_file_path, POLARS, polars_tables)
class CalcModelFifoPost(PrecalcModel): def init(self, data, gdx_file_path, POLARS, polars_tables): super().init(data, gdx_file_path, POLARS, polars_tables)
class PrecalcModel(pyo.ConcreteModel): """ Модель pyomo, включающая в себя данные из result_preprocessing.gdx """
def __init__(self, workdir, gdx_file_path, POLARS, polars_tables=None): super().__init__() logging.info(f"ЗАГРУЗКА ДАННЫХ ИЗ RESULT_PREPROCESSING.GDX") self.name = "opm" self.workdir = workdir self.gdx_file_path = gdx_file_path self.export_files_folder = f"{workdir}/pyomo_tables" self.need_export = True # os.getenv('ENV', 'None') == 'DEV' self.gams_workspace = gams.GamsWorkspace() self.POLARS = POLARS if POLARS==False: self.gams_database = self.gams_workspace.add_database_from_gdx(gdx_file_path) else: self.pom = polars_tables self.scalar_export_df = pd.DataFrame(columns=['name', 'value']) if self.need_export else None self._create_folder_for_pyomo_csv() self._setup_const_sets() self._setup_base_sets() self._setup_main_sets() self._setup_multi_sets() self._setup_scalars() self._setup_parameters()В каждом реализована своя логика и расчеты занимают много времени. Я хотел бы протестировать класс CalcModelFifoPost, каким-то образом предварительно выполнив вычисления из CalcModelFifoPost и PrecalcModel и зафиксировав их, чтобы на время тестирования не пересчитывать заново. Можно ли это сделать?
Assistant
Да, есть несколько способов зафиксировать результаты вычислений для ускорения тестирования. Вот основные подходы:
1. Использование pickle для сериализации объектов
Можно сохранить состояние объектов после инициализации:
import pickle import os def get_or_create_precalc_model(cache_path="test_cache/precalc_model.pkl"): if os.path.exists(cache_path): with open(cache_path, 'rb') as f: return pickle.load(f) # Создаем объект только если кеша нет model = PrecalcModel(workdir, gdx_file_path, POLARS, polars_tables) # Сохраняем в кеш os.makedirs(os.path.dirname(cache_path), exist_ok=True) with open(cache_path, 'wb') as f: pickle.dump(model, f) return model2. Использование моков (unittest.mock)
Можно замокать тяжелые методы инициализации:
from unittest.mock import patch, MagicMock class TestCalcModelFifoPost: @patch.object(PrecalcModel, '_setup_const_sets') @patch.object(PrecalcModel, '_setup_base_sets') @patch.object(PrecalcModel, '_setup_main_sets') @patch.object(PrecalcModel, '_setup_multi_sets') @patch.object(PrecalcModel, '_setup_scalars') @patch.object(PrecalcModel, '_setup_parameters') def test_something(self, *mocks): # Все тяжелые методы будут замокированы model = CalcModelFifoPost(data, gdx_file_path, POLARS, polars_tables) # Ваши тесты3. Создание фабричного метода с кешированием
class CachedModelFactory: _cache = {} @classmethod def get_precalc_model(cls, workdir, gdx_file_path, POLARS, polars_tables=None): cache_key = (workdir, gdx_file_path, POLARS, str(polars_tables)) if cache_key not in cls._cache: cls._cache[cache_key] = PrecalcModel(workdir, gdx_file_path, POLARS, polars_tables) return cls._cache[cache_key] @classmethod def get_calc_model_fifo_post(cls, data, gdx_file_path, POLARS, polars_tables): # Создаем модель с уже закешированным PrecalcModel precalc = cls.get_precalc_model(data, gdx_file_path, POLARS, polars_tables) # Нужно будет модифицировать CalcModelFifoPost чтобы принимать готовый объект # или использовать monkey patching return CalcModelFifoPost(data, gdx_file_path, POLARS, polars_tables)4. Использование pytest fixtures с scope="session"
import pytest @pytest.fixture(scope="session") def precalc_model(): """Создается один раз на всю сессию тестирования""" return PrecalcModel(workdir, gdx_file_path, POLARS, polars_tables) @pytest.fixture(scope="session") def calc_model_oversale(precalc_model): # Тут нужна логика для переиспользования precalc_model return CalcModelOversale(data, gdx_file_path, POLARS, polars_tables) @pytest.fixture def calc_model_fifo_post(calc_model_oversale): return CalcModelFifoPost(data, gdx_file_path, POLARS, polars_tables)5. Модификация классов для поддержки инъекции зависимостей
class CalcModelFifoPost(CalcModelOversale): def __init__(self, data, gdx_file_path, POLARS, polars_tables, precalc_instance=None): if precalc_instance: # Копируем атрибуты из готового экземпляра self.__dict__.update(precalc_instance.__dict__) # Выполняем только специфичную для CalcModelFifoPost логику self._setup_fifo_specific() else: super().__init__(data, gdx_file_path, POLARS, polars_tables)Рекомендация
Я бы рекомендовал комбинацию подходов:
- Использовать pytest fixtures с scope="session" для создания объектов один раз
- Добавить возможность сохранения/загрузки состояния через pickle для персистентного кеша между запусками тестов
- При необходимости использовать моки для изоляции тестируемой логики
Это позволит значительно ускорить тесты, сохранив при этом их надежность.
Other models, same or similar prompt
Responses were produced in different, uncontrolled contexts (system prompts, settings, prior turns). This is not a benchmark.