以下是 Pytest 测试框架的 基础概念 整理，涵盖其核心设计、关键术语和基本用法：1. 核心设计理念简洁易用：通过简单的断言和自动测试发现，降低测试代码复杂度。可扩展性：通过插件系统和钩子函数（Hooks）支持高度定制。明确反馈：提供清晰的错误报告，快速定位问题。2. 安装与运行2.1 安装 pip install pytest 2.2 运行测试 pytest [文件或目录路径] # 默认运行当前目录下所有测试 常用选项：-v：显示详细输出。-k <表达式>：按名称匹配运行特定测试（如 -k "test_login"）。-m <标记>：运行指定标...

Pytest 的 Fixture 是测试框架中用于管理测试依赖和共享资源的强大工具。它通过依赖注入机制，帮助测试代码实现模块化、可维护性和复用性。以下是关于 Pytest Fixture 的完整解析：1. Fixture 基础概念作用：为测试用例提供预定义的资源（如数据库连接、临时文件、配置对象）。核心能力：依赖管理：解耦测试逻辑和资源初始化。代码复用：多个测试用例共享同一套初始化逻辑。生命周期控制：精确控制资源的创建和销毁时机。2. Fixture 定义与使用2.1 定义 Fixture使用 @pytest.fixture 装饰器标记函数为 Fixture： import pytest @p...

Pytest 的钩子函数（Hook Functions）实现机制基于其底层的 插件系统，核心依赖 pluggy 库（一个轻量级插件管理库）。以下是其实现机制的详细解析：1. 插件系统与钩子函数注册1.1 插件发现conftest.py 文件：Pytest 会自动递归扫描项目目录和父目录中的 conftest.py 文件，加载其中定义的钩子函数。独立插件模块：通过 setup.py 或 pyproject.toml 注册为 pytest 插件（使用 entry_points 机制）1.2 钩子函数注册隐式注册：只要在插件或 conftest.py 中定义了符合命名规范（pytest_ 开头）的函...

import numpy as np def calculate_loss(real_values, predicted_values, delta): mse = np.mean((real_values - predicted_values) ** 2) mae = np.mean(np.abs(real_values - predicted_values)) huber_loss = np.where(np.abs(real_values - predicted_values) <= delta, mse, mae) cosine_loss = 1 - np.dot(real_va...

import numpy as np def preprocess_data(): n=(int)(input()) li=[] for i in range(n): num=float(input()) li.append(num) data=np.array(li) # 将-1替换为NaN以便计算均值 data = np.where(data == -1, np.nan, data) # 计算均值，忽略NaN值 mean_value = np.nanmean(data) # 填补缺失值 data = np.where(np.isnan(data), mean_value, data) # ...

import numpy as np def feature_scaling(data): # 补全代码 # 标准化 (Z-score 标准化) mean = np.mean(data, axis=0) std = np.std(data, axis=0) standardized_data = (data - mean) / std # 最小-最大标准化 min_vals = np.min(data, axis=0) max_vals = np.max(data, axis=0) min_max_scaled_data = (data - min_vals) / (max_vals - mi...

import numpy as np def linear_regression_gradient_descent(X, y, alpha, iterations): # 补全代码 m, n = X.shape theta = np.zeros((n,1)) # 包括截距项 theta_0 for _ in range(iterations): predictions = X.dot(theta) errors = predictions - y gradient = X.T.dot(errors) / m theta -= alpha * gradient return np.round(t...

import numpy as np import scipy.sparse def compressed_row_sparse_matrix(dense_matrix): csr_matrix = scipy.sparse.csr_matrix(dense_matrix) vals = csr_matrix.data.tolist() col_idx = csr_matrix.indices.tolist() row_ptr = csr_matrix.indptr.tolist() return vals, col_idx, row_ptr if __name__ == "__ma...

import numpy as np def make_diagonal(x): arr = np.array( x , dtype=np.float32 ) return np.diag(arr) if __name__ == "__main__": x = np.array(eval(input())) print(make_diagonal(x))

import numpy as np def transform_basis(B, C): res = np.linalg.solve(C,B).tolist() return res if __name__ == "__main__": B = np.array(eval(input())) C = np.array(eval(input())) print(transform_basis(B, C))

import numpy as np def transform_basis(B, C): res = np.linalg.solve(C,B).tolist() return res if __name__ == "__main__": B = np.array(eval(input())) C = np.array(eval(input())) print(transform_basis(B, C))

import numpy as np def transform_basis(B, C): B1 = np.linalg.inv(B) res = np.linalg.solve(C,B).tolist() return res if __name__ == "__main__": B = np.array(eval(input())) C = np.array(eval(input())) print(transform_basis(B, C))

import numpy as np def calculate_dot_product(vec1, vec2): """ Calculate the dot product of two vectors. Args: vec1 (numpy.ndarray): 1D array representing the first vector. vec2 (numpy.ndarray): 1D array representing the second vector. Returns: float: Dot product of the two vectors. &q...

import math from scipy.stats import poisson def poisson_probability(k, lam): """ Calculate the probability of observing exactly k events in a fixed interval, given the mean rate of events lam, using the Poisson distribution formula. :param k: Number of events (non-negative integer) :p...