如何利用Hypothesis测试函数对NaN等越界值的断言行为，同时保障合法值的测试覆盖

刚好我在项目里也经常碰到类似的需求，既要验证函数对合法输入的正常处理，又要确保非法输入能触发预期的断言，还不能让这两部分测试互相拖后腿。Hypothesis其实有很顺手的方案来解决这个问题，核心思路就是拆分测试用例，针对性生成测试样本，这样两边的覆盖都能保障。

先给你拆解下具体的做法：

第一步：单独测试合法输入，优化样本生成效率 #

原来的测试里用assume(not math.isnan(value))来过滤NaN，其实有点浪费Hypothesis的采样资源——毕竟生成的NaN样本都会被直接跳过，反而挤占了合法样本的测试机会。

我们可以直接用Hypothesis的策略参数，精准生成符合要求的合法输入，这样不用过滤，测试效率和覆盖度都会更高：

import math
from hypothesis import given, strategies as st

def inc(value: float) -> float:
    assert not math.isnan(value)
    return value + 1

# 专门测试合法输入的正常行为：允许无穷大，排除NaN
@given(st.floats(allow_nan=False, allow_infinity=True))
def test_inc_valid_inputs(value: float):
    if value in (math.inf, -math.inf):
        assert inc(value) == value
    else:
        assert inc(value) > value

这样Hypothesis会把所有采样资源都用在合法的浮点数上，不管是普通有限值还是正负无穷，都能被充分测试，完全不用担心覆盖打折扣。

第二步：单独测试非法输入，验证断言触发逻辑 #

对于NaN这种越界值，我们可以专门写一个测试用例，针对性生成这类非法样本，然后验证它们确实会触发AssertionError：

import pytest
from hypothesis import given, strategies as st

# 专门测试NaN输入触发断言
@given(st.floats(allow_nan=True, allow_infinity=False))
def test_inc_invalid_nan_raises_assertion(value: float):
    # 这里生成的样本都是NaN，直接验证调用函数时会抛出断言错误
    with pytest.raises(AssertionError):
        inc(value)

这个测试的目标非常明确，Hypothesis会集中生成NaN样本，确保我们的断言逻辑确实生效，不会出现“漏测”或者“误测”的情况。

为什么这种拆分方式更优？ #

• 职责清晰：每个测试只干一件事，后期维护起来也方便，一眼就能看懂每个测试的目标
• 覆盖充分：合法输入的测试不用再浪费采样机会在NaN上，Hypothesis可以把更多精力放在合法值的边缘场景（比如接近浮点数上下限的数值），保障覆盖质量
• 精准验证：非法输入的测试专门针对NaN生成样本，不会出现“漏测”或者“误测”的情况

如果你实在想把两种逻辑放在同一个测试里（虽然我不太推荐，会让测试逻辑变复杂），也可以用st.one_of把合法和非法策略组合起来，然后在测试里分支处理，但这样Hypothesis会把采样资源分配给两种样本，反而可能降低合法值的测试密度，所以还是拆分的方案更稳妥。

备注：内容来源于stack exchange，提问作者Carl Patenaude Poulin