在Python单元测试中，假数据的构造质量直接影响测试的有效性和编写效率，合适的假数据能够模拟真实业务场景，同时避免依赖真实外部资源，让测试更聚焦在代码逻辑本身。
为什么需要专门构造假数据
单元测试的核心是验证单个函数或类的逻辑是否符合预期，如果使用真实数据，可能会遇到数据不稳定、获取成本高、难以覆盖边界场景等问题。假数据可以按需生成，既能满足测试的输入要求，也能避免对外部系统、数据库等资源的依赖，让测试运行更快、结果更可控。
常用的假数据构造技巧
1. 使用Python内置模块生成基础假数据
Python标准库中的random、string等模块可以满足简单的基础数据生成需求，适合构造数值、字符串等简单类型的假数据。
import random
import string
# 生成随机整数
def generate_random_int(min_val=0, max_val=100):
return random.randint(min_val, max_val)
# 生成随机字符串
def generate_random_str(length=10):
return ''.join(random.choices(string.ascii_letters + string.digits, k=length))
# 测试示例
if __name__ == '__main__':
print(generate_random_int(1, 50)) # 输出1-50之间的随机整数
print(generate_random_str(8)) # 输出8位随机字符串
2. 使用faker库生成场景化假数据
当测试需要模拟真实业务场景的数据，比如姓名、地址、手机号、邮箱等，手动构造会非常繁琐，这时候可以使用faker库，它能够生成符合不同地区规则的模拟数据。
首先通过pip安装faker：
pip install faker
下面是使用faker生成常见业务假数据的示例：
from faker import Faker
# 初始化中文faker实例
fake = Faker('zh_CN')
# 生成用户相关假数据
def generate_fake_user():
return {
'name': fake.name(), # 中文姓名
'phone': fake.phone_number(), # 手机号
'email': fake.email(), # 邮箱
'address': fake.address(), # 地址
'age': random.randint(18, 60) # 年龄，结合random生成
}
# 测试示例
if __name__ == '__main__':
user = generate_fake_user()
for key, value in user.items():
print(f'{key}: {value}')
3. 使用unittest.mock模拟外部依赖假数据
如果测试的函数依赖外部接口、数据库查询等，直接调用会导致测试不稳定，这时候可以使用unittest.mock模块模拟这些依赖的返回结果，构造对应的假数据。
以下是一个模拟数据库查询返回假数据的示例：
from unittest.mock import patch
# 模拟的数据库查询函数
def query_user_from_db(user_id):
# 实际场景中这里是查询数据库的逻辑
pass
# 待测试的函数，依赖数据库查询
def get_user_info(user_id):
user = query_user_from_db(user_id)
if user:
return f"用户姓名：{user['name']}，手机号：{user['phone']}"
return "用户不存在"
# 测试示例
@patch('__main__.query_user_from_db') # 替换原函数
def test_get_user_info(mock_query):
# 构造假数据作为模拟返回值
mock_query.return_value = {
'name': '张三',
'phone': '13800138000'
}
result = get_user_info(1)
assert result == "用户姓名：张三，手机号：13800138000"
print("测试通过")
if __name__ == '__main__':
test_get_user_info()
4. 自定义工厂类构造复杂业务假数据
如果业务中有复杂的对象结构，每次手动构造假数据会重复很多代码，这时候可以自定义工厂类，统一封装假数据的生成逻辑，方便复用。
from faker import Faker
fake = Faker('zh_CN')
class UserFactory:
@staticmethod
def create_user(is_vip=False):
user = {
'user_id': fake.uuid4(),
'name': fake.name(),
'balance': round(random.uniform(0, 1000), 2)
}
if is_vip:
user['vip_level'] = random.randint(1, 5)
user['discount'] = round(random.uniform(0.7, 0.95), 2)
return user
# 测试示例
if __name__ == '__main__':
normal_user = UserFactory.create_user()
vip_user = UserFactory.create_user(is_vip=True)
print("普通用户：", normal_user)
print("VIP用户：", vip_user)
不同场景下的技巧选择
可以根据测试需求选择合适的假数据构造方式：
- 简单的基础数据类型，优先使用内置
random等模块，无需额外依赖 - 需要符合真实业务规则的场景化数据，使用faker库快速生成
- 依赖外部资源的函数测试，使用unittest.mock模拟返回假数据，避免外部依赖
- 复杂且重复使用的业务对象，自定义工厂类封装生成逻辑，提升复用性
注意事项
构造假数据时需要注意几个问题：一是假数据要符合业务规则，比如手机号格式、邮箱格式要正确，否则测试可能遗漏格式校验的逻辑；二是假数据要覆盖边界场景，比如空值、最大值、最小值等情况，提升测试覆盖度；三是不要在测试之间共享可变的假数据，避免测试之间的相互影响。