小编use*_*600的帖子

据我所知,TDD的典型工作流程基于黑盒测试.首先我们定义接口然后编写一个或一组测试,然后我们实现通过所有测试的代码.那么看下面的例子:

from abc import ABCMeta


class InterfaceCalculator:
    __metaclass__ = ABCMeta

    @abstractmethod
    def calculate_mean(self):
        pass

示例性测试案例

from unittest import TestCase


class TestInterfaceCalculator(TestCase):

    def test_should_correctly_calcluate_mean(self):
        X=[1,1]
        expected_mean = 1
        calcluator =Calculator()
        self.assertAlmostEqual(calculator.calculate_mean(X), expected_mean) 

我跳过类Calculator(InterfaceCalculator)的实现,因为它是微不足道的.

以下想法很容易理解.机器学习怎么样？让我们考虑以下示例.我们想实现猫狗照片分类器.从界面开始.

from abc import ABCMeta


class InterfaceClassifier:
    __metaclass__ = ABCMeta

    @abstractmethod
    def train_model(self, data):
        pass

    @abstractmethod
    def predict(self, data):
        pass

我准备了很多单元测试

from unittest import TestCase


class TestInterfaceCalculator(TestCase):
    def __init__(self):
        self.model = CatDogClassifier()

    def test_should_correctly_train_model(self, data):
        """
        How can be implemented?
        """
        self.model.train_model(data)

    def test_should_correctly_calcluate_mean(self):
        input ="cat.jpg"
        expected_result = …

我想模拟返回void的函数：

class FileDownloaderMock : public FileDownloader
{
public:
    MOCK_CONST_METHOD1(downloadFile,
                       void(data *data_ptr));

}; 

在测试用例中，我想两次调用此函数，首先应引发异常，第二次应可以正常工作。所以我的测试用例看起来像这样，但是不起作用。

TEST_F(BCtrlTargetBdDownloaderTests, DownloaderShouldCorrectlyDownloadTargetBdInFirstAttempt)
{
     EXPECT_CALL(m_fileDownloader, downloadFile( DataReqMatcher(l_expectedReq) ) ).Times(2)
        .WillOnce(Throw(UpgradeException("Download failed") )); 
    }

控制台输出：

到EXPECT_CALL（m_fileDownloader，downloadFile（DataReqMatcher（l_expectedReq）））中指定的几个操作...预期被调用两次，但只有1个WillOnce（）。

那么我该如何解决这个难题呢？最好的祝福

我的数据框架(熊猫的结构)如上所示

现在我想在单独的画布上为每个功能制作boxplot.分离条件是第一列.我有类似的直方图图(下面的代码),但我不能为boxplot制作工作版.

 hist_params = {'normed': True, 'bins': 60, 'alpha': 0.4}
# create the figure
fig = plt.figure(figsize=(16,  25))
for n, feature in enumerate(features):
    # add sub plot on our figure
    ax = fig.add_subplot(features.shape[1] // 5 + 1, 6, n + 1)
    # define range for histograms by cutting 1% of data from both ends
    min_value, max_value = numpy.percentile(data[feature], [1, 99])
    ax.hist(data.ix[data.is_true_seed.values == 0, feature].values, range=(min_value, max_value), 
             label='ghost', **hist_params)
    ax.hist(data.ix[data.is_true_seed.values == 1, feature].values, range=(min_value, max_value), 
             label='true', **hist_params)
    ax.legend(loc='best')

    ax.set_title(feature)

上面的代码生成了这样的输出(仅附加了它的一部分):