python函数测试核心是覆盖关键路径而非追求行数，需明确函数责任边界、测试三类输入场景，并用pytest-cov验证覆盖质量，避免假覆盖陷阱。
Python函数测试的核心是让单元测试真正反映函数行为，覆盖关键路径而非单纯追求行数达标。重点在于理解函数的输入边界、异常分支和业务逻辑主干。
明确被测函数的“责任边界”
先问清楚：这个函数到底要完成什么？它接收哪些合法/非法输入？预期返回什么？有没有副作用（如修改全局变量、写文件、调用外部API）？例如一个计算折扣后价格的函数，责任是“给定原价和折扣率，返回保留两位小数的金额”，那测试就应围绕价格合法性（负数、字符串）、折扣率范围（0–1）、舍入逻辑展开，而不是去测它会不会连数据库。
覆盖三类典型输入场景
不必穷举所有组合，但需有代表性：
- 正常路径：常见有效输入，验证主逻辑正确性（如 price=100, discount=0.2 → 80.00）
- 边界值：零、极值、临界点（如 price=0、discount=0.0 或 1.0、price=999999.99）
- 异常输入：类型错误、越界、空值（如 price="abc"、discount=1.5、price=None），确认是否抛出预期异常（如 ValueError）或优雅处理
用pytest + pytest-cov快速验证覆盖质量
安装后在项目根目录运行：
pytest --cov=my_module --cov-report=html
生成的htmlcov/index.html可直观查看每行是否被执行。注意：高覆盖率≠高质量测试。如果只测了正常路径，覆盖率可能达90%但漏掉所有异常分支——此时要回头补上assertRaises或pytest.raises()用例。
避免“假覆盖”的常见陷阱
以下情况看似跑过测试，实则未真正验证逻辑：
立即学习“Python免费学习笔记（深入）”；
- 函数里有if-else但测试只走if分支，else块从未执行
- 用了mock却没断言mock是否被调用、调用几次、参数是否正确
- 断言只检查返回值类型（assert isinstance(result, float)），没校验数值本身
测试不是为了凑数字，而是建立对代码行为的信心。每次改函数，先看对应测试是否需要更新；每次加新逻辑，先想“这个分支我有没有测到”。不复杂但容易忽略。
