測試覆蓋範圍

PETsARD 端到端功能測試

PETsARD 功能工作流程

tests/test_petsard.py

測試完整的 PETsARD 端到端工作流程，使用真實的 YAML 配置。這些測試驗證整個系統從資料載入到合成和評估的正確運作。

核心工作流程測試

test_default_synthesis_workflow：測試基本資料合成管道

• YAML 配置：
  • Loader：載入基準 adult-income 資料集
  • Preprocessor：使用預設預處理方法
  • Synthesizer：使用預設合成方法
  • Postprocessor：使用預設後處理方法
  • Reporter：將合成資料儲存到輸出目錄
• 預期結果：
  • 執行成功完成，is_execution_completed() == True
  • 合成資料包含所有 15 個預期欄位（age、workclass、fnlwgt、education 等）
  • 輸出資料是有效的 pandas DataFrame，行數 >0
  • 資料維持 adult-income 資料集結構

test_data_preprocessing_workflow：測試含缺失值處理的資料預處理

• YAML 配置：
  • Loader：載入含自定義空值（’?’）的 adult-income
  • Preprocessor：含缺失值處理和編碼的自定義序列
  • Synthesizer：預設合成方法
  • Postprocessor：預設後處理
  • Reporter：儲存處理後的資料
• 預期結果：
  • 缺失值在合成前得到適當處理
  • 編碼應用於類別變數
  • 最終合成資料維持資料品質

test_data_constraining_workflow：測試含資料約束的合成

• YAML 配置：
  • Loader：標準 adult-income 資料集
  • Preprocessor：預設預處理
  • Synthesizer：預設合成
  • Postprocessor：預設後處理
  • Constrainer：欄位約束（年齡 18-65、每週工時 20-60）和教育欄位比例
  • Reporter：儲存約束後的資料
• 預期結果：
  • 年齡值約束在 18-65 範圍內
  • 每週工時值約束在 20-60 範圍內
  • 教育欄位比例在容忍度內維持
  • 約束正確應用於合成資料

test_evaluation_workflow：測試含評估指標的合成

• YAML 配置：
  • Loader：Adult-income 資料集
  • Splitter：80/20 訓練/測試分割，1 個樣本
  • Preprocessor：預設預處理
  • Synthesizer：預設合成
  • Postprocessor：預設後處理
  • Evaluator：SDMetrics 品質報告評估
  • Reporter：儲存全域粒度的評估報告
• 預期結果：
  • 資料正確分割以進行評估
  • 品質指標計算完成且可用
  • 時間資訊被捕獲且可存取
  • 評估報告成功生成

test_minimal_workflow：測試僅含資料載入的最小管道

• YAML 配置：
  • Loader：僅 Adult-income 資料集
  • Reporter：直接儲存載入的資料
• 預期結果：
  • 資料成功載入，無需處理
  • 原始資料集結構得到保留
  • 展示最小可行的 PETsARD 工作流程

test_custom_sequence_preprocessing：測試自定義預處理管道

• YAML 配置：
  • Loader：Adult-income 資料集
  • Preprocessor：自定義 4 步序列（missing → outlier → scaler → encoder）
  • Synthesizer：預設合成
  • Postprocessor：預設後處理
  • Reporter：儲存最終處理的資料
• 預期結果：
  • 所有預處理步驟按正確順序執行
  • 資料轉換依序應用
  • 最終資料準備好進行下游分析

參數化模組執行測試

test_workflow_module_execution：測試不同工作流程配置

• 測試案例：
  • default-synthesis：完整管道（Loader → Preprocessor → Synthesizer → Postprocessor）
  • minimal：基本管道（僅 Loader）
  • with-splitter：擴展管道（Loader → Splitter → Preprocessor → Synthesizer → Postprocessor）
• 預期結果：每個工作流程執行預期的模組並產生有效結果

配置驗證測試

test_invalid_yaml_config：測試無效配置的錯誤處理

• YAML 配置：包含不存在的無效模組（InvalidModule）
• 預期結果：適當拋出 NameError、ValueError、KeyError 或 AttributeError

test_missing_required_config：測試空配置的錯誤處理

• YAML 配置：空配置檔案
• 預期結果：對缺少必要組件拋出適當錯誤

主要特色

• Executor API 整合：測試使用新的 is_execution_completed() 方法檢查執行狀態
• 結果提取：使用輔助方法 _extract_module_data() 處理嵌套結果結構
• 真實資料測試：使用實際基準資料集（adult-income）進行真實測試
• 配置多樣性：測試多種 YAML 配置模式和模組組合
• 錯誤處理：驗證無效配置的適當錯誤處理
• 端到端驗證：確保從配置到最終輸出的完整工作流程運作

架構說明：這些測試使用新的 Executor API 與 is_execution_completed() 狀態追蹤來驗證完整的 PETsARD 系統。run() 方法在當前版本返回 None，計劃在 v2.0.0 中返回成功/失敗狀態碼。結果透過 get_result() 方法存取，並透過嵌套工作流程結構處理。

Executor

tests/test_executor.py

測試 Executor 的主要功能：

• test_default_values：驗證預設配置值是否正確設定
• test_update_config：測試透過 update 方法更新配置值
• test_validation_log_output_type：測試日誌輸出類型設定的驗證：
  • 有效值（stdout、file、both）被接受
  • 無效值引發 ConfigError
• test_validation_log_level：測試日誌等級的驗證：
  • 有效等級（DEBUG、INFO、WARNING、ERROR、CRITICAL）被接受
  • 無效等級引發 ConfigError
• test_executor_default_config：測試使用不含 Executor 部分的 YAML 初始化時使用預設值
• test_executor_custom_config：驗證 YAML 中的自定義日誌設定是否正確應用
• test_logger_setup：測試日誌初始化的正確性：
  • 日誌等級
  • 多個處理器（檔案和控制台）
  • 處理器類型
• test_logger_file_creation：測試日誌檔案是否在指定目錄中創建並正確替換時間戳
• test_logger_reconfiguration：測試日誌器能否在初始設置後重新配置
• test_get_config：測試從檔案載入 YAML 配置

資料讀取

Loader

tests/loader/test_loader.py

測試 Loader 的主要功能：

• test_loader_init_no_config：驗證無配置初始化時會觸發 ConfigError
• test_loader_init_with_filepath：測試以檔案路徑初始化，檢查配置路徑和副檔名是否正確設定
• test_handle_filepath_with_complex_name：測試各種檔案路徑模式，包含：
  • 含多個點的路徑
  • 相對路徑 (./ 和 ../)
  • 絕對路徑
  • 混合大小寫的副檔名
• test_loader_init_with_column_types：驗證欄位型態設定是否正確存入配置
• test_benchmark_loader：使用模擬配置測試基準資料集初始化
• test_load_csv：測試 CSV 檔案載入是否返回正確的 DataFrame 和 Metadata 元組
• test_load_excel：測試 Excel 檔案載入是否返回正確的 DataFrame 和 Metadata 元組
• test_benchmark_data_load：使用模擬數據測試完整的基準資料載入流程
• test_custom_na_values：測試自定義空值的處理
• test_custom_header_names：測試使用自定義欄位標題載入資料

邏輯型態系統測試

測試全面的邏輯型態推斷和驗證系統：

重新設計的邏輯型態系統（2025 更新）： 我們的邏輯型態系統已完全重新設計，避免與基本資料型態重疊，並提供清晰的語意意義檢測。

可用的邏輯型態：

• 文字型態：email, url, uuid, categorical, ip_address（需要字串資料型態）
• 數值型態：percentage, currency, latitude, longitude（需要數值資料型態）
• 識別碼型態：primary_key（需要唯一性驗證）
• 已移除：datetime, date, time, duration, integer, decimal, text, foreign_key（避免型態重疊）

邏輯型態檢測測試（tests/metadater/field/test_field_functions.py）：

• test_email_logical_type_detection：測試電子郵件模式檢測與正則表達式驗證（80% 閾值）
• test_url_logical_type_detection：測試網址模式檢測與 HTTP/HTTPS 協定驗證（80% 閾值）
• test_uuid_logical_type_detection：測試 8-4-4-4-12 十六進位格式的 UUID 格式檢測（95% 閾值）
• test_ip_address_detection：測試 IPv4/IPv6 模式識別與全面位址驗證（90% 閾值）
• test_categorical_detection_via_cardinality：測試使用動態閾值的 ASPL 基數分析分類檢測
• test_primary_key_uniqueness_validation：測試主鍵的 100% 唯一性要求與重複檢測
• test_percentage_range_validation：測試百分比值的 0-100 範圍驗證（95% 閾值）
• test_currency_symbol_detection：測試貨幣符號檢測與正值驗證的金額值檢測（80% 閾值）
• test_latitude_longitude_detection：測試地理座標範圍驗證（緯度 -90/90，經度 -180/180，95% 閾值）

型態相容性系統測試：

• test_compatible_type_logical_combinations：測試有效組合：
  • string + email, url, uuid, categorical, ip_address ✅
  • numeric + percentage, currency, latitude, longitude ✅
  • int/string + primary_key ✅
• test_incompatible_type_logical_combinations：測試觸發警告的無效組合：
  • numeric + email, url, uuid, ip_address ❌
  • string + percentage, currency, latitude, longitude ❌
• test_logical_type_fallback_on_conflict：測試型態衝突時自動回退到推斷
• test_logical_type_priority_handling：測試優先級系統（資料型態約束 > 邏輯型態提示）

邏輯型態配置測試：

• test_logical_type_never_mode：測試使用 “never” 設定停用邏輯型態推斷
• test_logical_type_infer_mode：測試使用 “infer” 設定的自動推斷
• test_logical_type_explicit_specification：測試透過配置強制指定特定邏輯型態與相容性驗證
• test_logical_type_validation_thresholds：測試信心閾值（文字模式 80%，數值範圍 90-95%）

模式匹配和驗證測試：

• test_regex_pattern_validation：測試更新的電子郵件、網址、UUID、IP 位址檢測正則表達式模式
• test_numeric_range_validation：測試緯度、經度、百分比值的範圍驗證
• test_special_validator_functions：測試地理座標的自定義驗證函數
• test_pattern_confidence_scoring：測試信心評分和基於閾值的分類
• test_primary_key_duplicate_detection：測試主鍵驗證的重複檢測機制

錯誤處理和衝突解決測試：

• test_compatibility_warning_generation：測試不相容 type/logical_type 組合的警告產生
• test_automatic_fallback_mechanism：測試衝突發生時的自動回退機制
• test_logging_incompatibility_messages：測試不相容原因的詳細記錄

重新設計的邏輯型態系統：我們的專有邏輯型態推斷系統已重新設計，專注於語意意義檢測而不與基本資料型態重疊。系統使用模式識別、統計分析和驗證函數，具有嚴格的型態相容性規則和完整的衝突解決機制。

Schema 參數測試

測試 schema 參數系統的全面功能：

全域參數測試（TestSchemaGlobalParameters）：

• test_compute_stats_parameter：測試 compute_stats 全域參數的布林值驗證
• test_optimize_dtypes_parameter：測試 optimize_dtypes 全域參數的布林值驗證
• test_sample_size_parameter：測試 sample_size 全域參數的正整數驗證
• test_sample_size_null：測試 sample_size 參數接受 null 值
• test_leading_zeros_parameter：測試 leading_zeros 全域參數的有效值（“never”, “num-auto”, “leading_n”）
• test_leading_zeros_invalid：測試 leading_zeros 參數的無效值處理
• test_nullable_int_parameter：測試 nullable_int 全域參數的布林值驗證
• test_nullable_int_invalid：測試 nullable_int 參數的無效值處理
• test_infer_logical_types_parameter：測試 infer_logical_types 全域參數的布林值驗證
• test_descriptive_parameters：測試描述性參數（title, description, version）的字串驗證

欄位參數測試（TestSchemaFieldParameters）：

• test_logical_type_parameter：測試欄位層級 logical_type 參數的有效值驗證
• test_leading_zeros_field_level：測試欄位層級 leading_zeros 參數覆蓋全域設定
• test_leading_zeros_field_invalid：測試欄位層級 leading_zeros 參數的無效值處理

參數衝突測試（TestSchemaParameterConflicts）：

• test_infer_logical_types_conflict：測試 infer_logical_types=true 與欄位層級 logical_type 的衝突檢測

Loader Schema 參數測試（tests/loader/test_loader.py）：

• TestLoaderSchemaParameters：測試 Loader 中全域 schema 參數
• TestLoaderSchemaFieldParameters：測試 Loader 中欄位層級 schema 參數
• TestLoaderSchemaParameterConflicts：測試 Loader 中參數衝突檢測
• TestLoaderSchemaEdgeCases：測試 Loader 中 schema 邊界情況

SchemaConfig 驗證測試（tests/metadater/test_schema_types.py）：

• test_schema_config_with_parameters：測試 SchemaConfig 使用參數的初始化
• test_schema_config_invalid_leading_zeros：測試 SchemaConfig 無效 leading_zeros 值的錯誤處理
• test_schema_config_invalid_nullable_int：測試 SchemaConfig 無效 nullable_int 值的錯誤處理
• test_schema_config_logical_type_conflict：測試 SchemaConfig 中邏輯類型衝突的檢測

FieldConfig 驗證測試（tests/metadater/field/test_field_types.py）：

• test_field_config_with_parameters：測試 FieldConfig 使用參數的初始化
• test_field_config_invalid_logical_type：測試 FieldConfig 無效 logical_type 值的錯誤處理
• test_field_config_invalid_leading_zeros：測試 FieldConfig 無效 leading_zeros 值的錯誤處理
• test_field_config_invalid_category_method：測試 FieldConfig 無效 category_method 值的錯誤處理
• test_field_config_invalid_datetime_precision：測試 FieldConfig 無效 datetime_precision 值的錯誤處理

邊界情況測試（TestEdgeCases）：

• test_empty_schema：測試空 schema 的處理
• test_schema_with_only_global_params：測試僅含全域參數的 schema
• test_invalid_global_parameter：測試無效全域參數的錯誤處理
• test_invalid_field_parameter：測試無效欄位參數的錯誤處理
• test_mixed_legacy_and_schema：測試混合舊版和 schema 語法的相容性

主要特色：

• 兩層架構驗證：測試全域參數與欄位參數的分層結構
• 參數衝突檢測：自動檢測並報告邏輯衝突（如 infer_logical_types 與欄位 logical_type）
• 向後相容性：確保參數系統與舊版 schema 語法完全相容
• 全面驗證：涵蓋參數值範圍、型別、邏輯一致性檢查
• 邊界情況覆蓋：測試空 schema、混合語法、無效參數組合等極端情況

Schema 參數系統：實現了基於兩層架構的 schema 參數系統，提供全域參數（如 compute_stats, optimize_dtypes, sample_size）和欄位層級參數（如 logical_type, leading_zeros）的靈活配置，同時具備完整的參數衝突檢測和向後相容性保證。

容易誤判資料類型處理功能

測試處理容易誤判、型別判斷模糊的資料：

• test_preserve_raw_data_feature：測試 preserve_raw_data 功能阻止 pandas 自動類型推斷：
  • 驗證當 preserve_raw_data=True 時使用 dtype=object
  • 測試與其他容易誤判資料處理功能的整合
  • 驗證原始資料保留的資料載入流程
• test_leading_zero_detection_config：測試 auto_detect_leading_zeros 配置：
  • 驗證配置是否正確儲存
  • 測試啟用和停用狀態
• test_nullable_integer_config：測試 force_nullable_integers 配置：
  • 驗證配置是否正確儲存
  • 測試啟用和停用狀態
• test_ambiguous_data_config_combination：測試所有容易誤判資料處理配置的組合：
  • preserve_raw_data + auto_detect_leading_zeros + force_nullable_integers
  • 驗證所有設定能正確協同運作
• test_backward_compatibility：測試新功能不會破壞現有功能：
  • 驗證新參數的預設值
  • 測試功能停用時的正常載入行為

壓力測試

測試大型檔案處理和邊緣情況型別推斷：

TestLoaderStress - 逐步檔案大小測試，包含超時機制：

• test_small_file_100mb：測試 100MB 檔案（30秒超時）
• test_medium_file_1gb：測試 1GB 檔案（120秒超時）
• test_large_file_3gb：測試 3GB 檔案（300秒超時）
• test_xlarge_file_5gb：測試 5GB 檔案（600秒超時）

TestLoaderTypeInference - 邊緣情況型別推斷，99.9% 正常資料，0.1% 例外在最後：

• test_int_with_string_exception：測試整數資料含字串例外
• test_float_with_null_exception：測試浮點數資料含空值例外
• test_string_with_numeric_exception：測試字串資料含數值例外

主要特色：

• 記憶體監控：使用 psutil 進行即時記憶體使用追蹤
• 超時保護：載入超過時間限制時自動測試失敗
• 型別推斷驗證：確保 99.9% 正常資料，0.1% 例外放置在檔案末尾
• 效能指標：處理速度測量（MB/秒）和記憶體效率追蹤

使用方式：

# 執行所有壓力測試
pytest tests/loader/ -m stress -v

# 執行特定壓力測試類別
pytest tests/loader/test_loader.py::TestLoaderStress -v
pytest tests/loader/test_loader.py::TestLoaderTypeInference -v

# 執行壓力測試示範
python -c "from tests.loader.test_loader import run_stress_demo; run_stress_demo()"

Benchmarker

tests/loader/test_benchmarker.py

測試基準資料集處理：

• test_basebenchmarker_init：驗證 BaseBenchmarker 作為抽象類別無法被實例化
• test_benchmarker_requests_init：使用模擬的檔案系統操作測試 BenchmarkerRequests 初始化
• test_download_success：測試成功下載的情境，包含：
  • 模擬 HTTP 請求
  • 模擬檔案操作
  • SHA256 驗證檢查
• test_verify_file_mismatch：使用模擬的檔案內容測試 SHA256 驗證失敗的處理
• test_download_request_fails：測試下載請求失敗（HTTP 404 等）的處理方式
• test_file_already_exists_hash_match：測試檔案已存在且哈希值匹配的情境，確認直接使用本地檔案
• test_verify_file_remove_fails：測試在驗證過程中刪除檔案失敗的處理機制
• test_init_file_exists_hash_match：測試初始化時檔案存在且哈希值匹配的處理邏輯
• test_file_content_change：測試檔案內容變更後的哈希驗證機制，確保能正確檢測變更

BenchmarkerConfig

tests/loader/test_loader.py::TestBenchmarkerConfig

測試管理基準資料集配置的 BenchmarkerConfig 類別：

• test_benchmarker_config_requires_benchmark_name：測試初始化時需要 benchmark_name 參數
• test_benchmarker_config_initialization：測試 BenchmarkerConfig 初始化與正確的屬性設定：
  • 基準名稱、檔案名稱、存取類型
  • 區域名稱、儲存桶名稱、SHA256 雜湊值
  • 與基準 YAML 配置載入的整合
• test_benchmarker_config_get_benchmarker_config：測試 get_benchmarker_config 方法：
  • 為 BenchmarkerRequests 返回正確的字典格式
  • 包含所有必要的鍵值（benchmark_filename、benchmark_bucket_name、benchmark_sha256、filepath）
  • 構建正確的本地基準檔案路徑
• test_benchmarker_config_unsupported_benchmark：測試不支援的基準資料集的錯誤處理
• test_benchmarker_config_private_access_unsupported：測試私有基準存取嘗試的錯誤處理

架構重構：BenchmarkerConfig 已從 LoaderConfig 中提取出來，提供清晰的關注點分離。LoaderConfig 現在包含一個可選的 benchmarker_config 屬性，允許兩種不同的狀態：有或沒有基準功能。這種重構提高了程式碼的可維護性，並遵循單一職責原則。

資料處理

Processor

缺失值處理器

tests/processor/test_missing.py

測試缺失值處理的全面類型相容性：

MissingMean 測試（4 個測試）：

• test_mean_no_missing_values：測試無缺失值的平均值填補
• test_mean_with_missing_values：測試有缺失值的平均值填補
• test_mean_with_integer_dtype：測試 pandas 可空整數類型（Int32、Int64）的平均值填補：
  • 驗證整數資料類型的正確處理，不會出現 TypeError
  • 測試平均值的自動四捨五入以符合整數相容性
  • 驗證轉換後的資料類型保持
• test_mean_with_integer_dtype_fractional_mean：測試平均值有小數部分時的填補：
  • 測試整數類型的銀行家舍入法（20.5 → 20）
  • 確保小數平均值的正確類型轉換

MissingMedian 測試（4 個測試）：

• test_median_no_missing_values：測試無缺失值的中位數填補
• test_median_with_missing_values：測試有缺失值的中位數填補
• test_median_with_integer_dtype：測試 pandas 可空整數類型（Int32、Int64）的中位數填補：
  • 驗證整數資料類型的正確處理，不會出現 TypeError
  • 測試中位數的自動四捨五入以符合整數相容性
  • 驗證轉換後的資料類型保持
• test_median_with_integer_dtype_fractional_median：測試中位數有小數部分時的填補：
  • 測試整數類型的銀行家舍入法（20.5 → 20）
  • 確保小數中位數的正確類型轉換

MissingSimple 測試（2 個測試）：

• test_simple_no_missing_values：測試無缺失值的簡單值填補
• test_simple_with_missing_values：測試有缺失值的簡單值填補

MissingDrop 測試（2 個測試）：

• test_drop_no_missing_values：測試無缺失值的刪除策略
• test_drop_with_missing_values：測試有缺失值的刪除策略

整數類型相容性：增強的缺失值處理器現在正確支援 pandas 可空整數類型（Int8、Int16、Int32、Int64），透過自動將浮點填補值四捨五入為整數，防止 fillna 操作期間的 TypeError。這確保與 schema 指定的整數類型無縫整合，同時維持資料完整性。

異常值檢測處理器

增強異常值檢測，具有 pandas 可空整數陣列相容性：

OutlierHandler 基礎類別：

• 增強 fit() 和 transform() 方法，使用 np.asarray() 轉換
• 正確處理 pandas 可空整數陣列，防止廣播錯誤
• 維持與異常值檢測演算法中 numpy 操作的相容性

Pandas 陣列相容性：異常值處理器現在使用 np.asarray() 而非 .values，確保 pandas 可空整數陣列正確轉換為 numpy 陣列，防止異常值檢測演算法中邏輯操作期間的 ValueError。

Metadater

欄位函數

tests/metadater/field/test_field_functions.py

測試欄位級別的資料處理和類型分析：

完整類型分析

• test_leading_zero_detection：測試前導零檢測和保留：
  • 識別含前導零的資料（如 “001”、“002”）
  • 保留為字串類型以維持前導零
• test_float_detection：測試浮點數檢測：
  • 識別字串格式的小數
  • 轉換為適當的 float32/float64 類型
• test_integer_with_nulls：測試含空值的整數資料：
  • 使用可空整數類型（Int8、Int16、Int32、Int64）
  • 防止轉換為會添加 .0 後綴的 float64
• test_integer_without_nulls：測試純整數資料：
  • 使用一般整數類型（int8、int16、int32、int64）
  • 優化為最小適合的整數類型
• test_mixed_non_numeric_data：測試混合非數值資料：
  • 文字資料回退為 category 類型
• test_numeric_conversion_threshold：測試 80% 數值轉換門檻：
  • 少於 80% 數值的資料視為分類資料
• test_integer_dtype_handling：測試 pd.to_numeric 整數結果的處理：
  • 正確處理 int64 與 float64 類型檢測

前導零檢測

• test_has_leading_zeros_positive：測試正面檢測案例：
  • 超過 30% 的值具有前導零模式
• test_has_leading_zeros_negative：測試負面檢測案例：
  • 少於 30% 的值具有前導零模式
• test_has_leading_zeros_empty_data：測試空資料處理
• test_has_leading_zeros_all_na：測試全空值資料處理
• test_has_leading_zeros_mixed_types：測試混合資料類型處理

欄位元資料整合

• test_build_field_metadata_with_leading_zeros：測試含前導零檢測的欄位元資料建立：
  • 啟用與停用前導零檢測
  • 與類型分析流程的整合
• test_build_field_metadata_with_nullable_integers：測試可空整數整合：
  • 啟用與停用可空整數處理
  • 根據空值存在選擇適當類型
• test_build_field_metadata_dtype_optimization：測試資料類型優化：
  • 記憶體效率的類型選擇（int8 vs int64）
  • 浮點精度優化（float32 vs float64）

容易誤判資料情境

• test_id_code_preservation：測試識別代號保留：
  • 前導零識別代號（001、002 等）
  • 維持官方識別碼的資料完整性
• test_demographic_data_with_missing_values：測試含缺失值的人口統計資料：
  • 使用可空整數避免 .0 後綴
  • 維持資料類型一致性
• test_financial_amount_detection：測試金額資料處理：
  • 金額值的正確浮點檢測
  • 財務計算的精度保留
• test_score_integer_detection：測試評分資料：
  • 測試分數、評級的整數檢測
• test_categorical_data_detection：測試分類資料：
  • 等級分類、狀態分類

邊界情況

• test_empty_series：測試空資料序列處理
• test_all_null_series：測試全空值資料處理
• test_single_value_series：測試單值資料
• test_mixed_numeric_string_data：測試混合資料類型
• test_config_none_handling：測試預設配置處理

Metadata

tests/loader/test_metadata.py

測試 metadata 處理和型態推斷：

• test_metadata_init：驗證 Metadata 類別的空初始化
• test_build_metadata：測試 metadata 建立，樣本 DataFrame 包含：
  • 數值型態
  • 類別型態
  • 日期時間型態
  • 布林型態
  • 缺失值 (None/NaN)
• test_invalid_dataframe：測試錯誤處理：
  • 非 DataFrame 輸入
  • 空的 DataFrame
• test_set_col_infer_dtype：測試欄位型態推斷：
  • 設定有效型態
  • 處理無效欄位
  • 處理無效型態
• test_to_sdv：測試轉換為 SDV 格式時的型態對應
• test_convert_dtypes：測試型態轉換：
  • 數值型態 (int/float)
  • 類別型態
  • 日期時間型態
  • 布林型態
  • 無效型態

Splitter

tests/loader/test_splitter.py

測試資料分割功能：

基本功能測試

• test_splitter_init_normal：測試正常初始化，包含預設參數設定
• test_splitter_init_invalid_ratio：測試無效分割比例的處理
• test_splitter_init_custom_data_valid：測試自定義資料方法的有效配置
• test_splitter_init_custom_data_invalid_method：測試無效自定義方法的錯誤處理
• test_splitter_init_custom_data_invalid_filepath：測試無效檔案路徑的錯誤處理

分割方法測試

• test_split_normal_method：測試正常分割方法，驗證返回格式為三元組
• test_split_normal_method_no_data：測試無資料情況下的分割
• test_split_multiple_samples：測試多重樣本分割，驗證每個樣本的獨立性
• test_split_custom_data_method：測試自定義資料分割方法
• test_split_basic_functionality：測試基本分割功能和資料完整性

重疊控制功能測試

• test_bootstrapping_with_exist_indices：測試使用現有索引的拔靴法抽樣：
  • 驗證重疊比率計算的正確性
  • 測試重疊檢查機制
  • 確認索引集合的正確性
• test_bootstrapping_overlap_control：測試重疊控制參數：
  • max_overlap_ratio 參數的有效性
  • max_attempts 參數的重試機制
  • 重疊比率超過限制時的處理
• test_bootstrapping_edge_cases：測試邊界情況：
  • 空的現有索引集合
  • 極端重疊比率設定
  • 最大嘗試次數達到上限

函數式編程架構測試

• test_metadata_update_functional_approach：測試函數式方法更新 metadata：
  • 驗證不修改原始物件狀態
  • 測試返回新的 metadata 物件
• test_create_split_metadata：測試建立分割 metadata 的純函數特性
• test_split_return_format：測試 split 方法的三元組返回格式：
  • split_data 字典結構驗證
  • metadata_dict 字典結構驗證
  • train_indices_list 列表格式驗證

參數重構測試

• test_exist_train_indices_parameter：測試重構後的參數名稱：
  • 驗證 exist_train_indices 參數的正確處理
  • 測試與舊版本的相容性
• test_overlap_parameters_validation：測試重疊控制參數的驗證：
  • max_overlap_ratio 範圍檢查
  • max_attempts 正整數檢查

架構重構說明：在 2025/6/18 的重構中，所有外部模組（Loader、Processor、Splitter、Benchmarker）已不再直接導入 Metadater 的內部 API（metadater.api、metadater.core、metadater.types），改為使用 Metadater 類別的公共方法。相關測試的 mock 路徑也已相應更新，確保架構的封裝性和一致性。

資料合成

Synthesizer

tests/synthesizer/test_synthesizer.py

測試 Synthesizer 的主要功能：

• test_initialization：驗證 Synthesizer 的初始化功能：
  • 檢查配置方法是否正確設定
  • 驗證初始狀態（_impl 為 None）
  • 測試自定義參數設定（如 sample_num_rows）
• test_create_basic：測試 create 方法的基本功能：
  • 使用 mock 物件模擬 SDV synthesizer
  • 驗證 _impl 在 create 前後的狀態變化
  • 測試 _determine_sample_configuration 方法的整合
• test_fit_without_create：測試在未呼叫 create 前呼叫 fit 會引發 UncreatedError
• test_fit_without_data_raises_error：測試非 CUSTOM_DATA 方法但無資料時引發 ConfigError
• test_sample_without_create：測試在未 create 時 sample 方法返回空 DataFrame

Constrainer

tests/constrainer/test_constrainer.py

測試主要約束器工廠類別（18 個測試）：

• test_basic_initialization：測試基本約束器初始化和配置儲存
• test_nan_groups_constraints：測試空值群組約束：
  • 刪除動作實作
  • 多目標的清除動作
  • 含型別檢查的複製動作
• test_field_constraints：測試欄位級別約束：
  • 數值範圍條件
  • 多重條件組合
• test_field_combinations：測試欄位組合規則：
  • 教育程度與績效對應
  • 多重值組合
• test_all_constraints_together：測試所有約束共同運作：
  • 約束之間的互動
  • 複雜的過濾情境
• test_resample_functionality：測試重複採樣直到滿足：
  • 達成目標列數
  • 合成資料生成
  • 約束條件滿足
• test_error_handling：測試錯誤情況：
  • 無效的配置格式
  • 缺少欄位
• test_edge_cases：測試邊界條件：
  • 空的資料框
  • 全部為空值
• test_empty_config：測試空配置的約束器
• test_unknown_constraint_type_warning：測試未知約束類型的警告
• test_resample_trails_attribute：測試重新採樣軌跡追蹤功能
• test_register_custom_constraint：測試自定義約束註冊
• test_register_invalid_constraint_class：測試無效約束類別的錯誤處理

欄位比例整合測試（5 個測試）：

• test_field_proportions_integration：測試新架構下的欄位比例約束器整合：
  • 更新配置格式的單一欄位比例
  • 缺失值比例維護
  • 欄位組合比例處理
• test_field_proportions_with_other_constraints：測試欄位比例與其他約束類型的協同運作：
  • 結合欄位比例和欄位約束
  • 多約束互動驗證
• test_field_proportions_comprehensive_integration：測試基於真實世界情境的全面欄位比例整合：
  • 教育程度、收入和工作類別資料分布維護
  • 多種約束模式（all、missing、欄位組合）
  • 使用 target_rows 參數的新架構驗證
• test_field_proportions_multiple_modes：測試多種約束模式的欄位比例：
  • 類別比例（‘all’ 模式）
  • 缺失值比例（‘missing’ 模式）
  • 區域比例驗證
• test_field_proportions_edge_cases_integration：測試欄位比例邊界情況：
  • 小資料集處理
  • 目標行數大於可用資料
  • 空欄位比例列表處理

NaNGroupConstrainer

tests/constrainer/test_nan_group_constrainer.py

測試空值處理約束（18 個測試）：

• test_invalid_config_initialization：測試無效配置處理：
  • 非字典輸入
  • 無效的動作類型
  • 無效的目標設定
  • 刪除動作與其他動作的組合
• test_valid_config_initialization：測試有效配置：
  • 獨立的刪除動作
  • 多目標的清除動作
  • 單目標的複製動作
  • 不同目標格式
• test_erase_action：測試清除動作功能：
  • 當來源欄位為空值時設定目標欄位為空值
  • 處理多個目標欄位
• test_copy_action_compatible_types：測試相容類型間的值複製
• test_copy_action_incompatible_types：測試不相容類型複製的處理
• test_multiple_constraints：測試多個約束同時運作
• test_delete_action_edge_case：測試刪除動作邊界情況
• test_erase_action_multiple_targets：測試清除動作多目標欄位
• test_copy_action_type_validation：測試複製動作型別驗證
• test_invalid_action_type：測試無效動作類型處理
• test_invalid_target_specification：測試無效目標欄位設定
• test_empty_config_handling：測試空配置處理
• test_mixed_action_validation：測試混合動作配置驗證

FieldConstrainer

tests/constrainer/test_field_constrainer.py

測試欄位級別約束（12 個測試）：

• test_invalid_config_structure：測試配置驗證：
  • 非列表輸入
  • 無效的約束格式
  • 空約束
• test_invalid_constraint_syntax：測試語法驗證：
  • 不匹配的括號
  • 無效的運算子
  • 缺少運算子
• test_field_extraction：測試欄位名稱提取：
  • 加法運算
  • 括號表達式
  • 空值檢查
  • 日期運算
• test_complex_expression_validation：測試複雜約束組合
• test_empty_constraint_list：測試空約束列表處理
• test_null_check_operations：測試空值檢查操作
• test_date_operation_constraints：測試日期約束操作
• test_parentheses_validation：測試括號匹配驗證
• test_operator_validation：測試運算子語法驗證

FieldCombinationConstrainer

tests/constrainer/test_field_combination_constrainer.py

測試欄位組合約束（15 個測試）：

• test_validate_config_existing_columns：測試欄位存在性驗證
• test_invalid_constraints_not_list：測試非列表約束處理
• test_invalid_constraint_structure：測試無效的元組結構
• test_invalid_field_map：測試欄位映射驗證
• test_invalid_source_fields：測試來源欄位類型驗證
• test_invalid_target_field：測試目標欄位類型驗證
• test_multi_field_source_value_length_mismatch：測試多欄位值匹配
• test_single_field_constraint：測試單欄位約束驗證
• test_multi_field_constraint：測試多欄位約束情境
• test_constraint_tuple_validation：測試約束元組結構驗證
• test_field_mapping_edge_cases：測試欄位映射邊界情況
• test_value_length_validation：測試值長度匹配驗證
• test_complex_field_combinations：測試複雜欄位組合情境

FieldProportionsConstrainer

tests/constrainer/test_field_proportions_constrainer.py

測試欄位比例維護約束（33 個測試）：

FieldProportionsConfig 測試（6 個測試）：

• test_valid_config_initialization：測試有效配置初始化，僅包含欄位比例
• test_invalid_field_proportions_structure：測試無效的欄位比例結構（缺少容忍度、無效模式）
• test_invalid_tolerance_values：測試無效的容忍度值（>1、<0）
• test_verify_data_with_valid_data：測試有效資料框的資料驗證和提供的 target_n_rows
• test_verify_data_with_missing_columns：測試資料中缺少欄位的錯誤處理
• test_check_proportions：測試良好和不良過濾資料的比例檢查

FieldProportionsConstrainer 測試（14 個測試）：

• test_constrainer_initialization：測試有效配置的約束器初始化
• test_invalid_constrainer_config：測試無效配置的約束器（無效模式）
• test_apply_with_empty_dataframe：測試空資料框的 apply 方法
• test_apply_with_valid_data：測試有效資料和已知比例的 apply 方法
• test_field_combination_proportions：測試使用元組欄位鍵的欄位組合比例
• test_missing_value_proportions：測試缺失值比例維護
• test_edge_case_all_same_values：測試所有值相同的邊界情況
• test_edge_case_target_larger_than_data：測試目標超過可用資料的邊界情況

極端邊界情況測試（19 個測試）：

• test_extreme_case_single_row_data：測試單列資料處理
• test_extreme_case_very_large_tolerance：測試極大容忍度值（0.9）
• test_extreme_case_zero_tolerance：測試零容忍度與完美比例
• test_extreme_case_all_missing_values：測試全缺失值情境
• test_extreme_case_no_missing_values：測試無缺失值情境
• test_extreme_case_very_small_target：測試極小目標列數（1 列）
• test_extreme_case_huge_data_small_target：測試大型資料集與小目標
• test_extreme_case_many_unique_values：測試多個唯一值（每個僅出現一次）
• test_extreme_case_complex_field_combinations：測試複雜多欄位組合
• test_extreme_case_mixed_data_types：測試混合資料類型（int、string、float、None、bool）
• test_extreme_case_empty_field_proportions_list：測試空欄位比例列表
• test_extreme_case_duplicate_field_rules：測試重複欄位規則處理
• test_extreme_case_very_unbalanced_data：測試極不平衡資料（99% vs 1%）
• test_extreme_case_numerical_precision：測試小容忍度的數值精度問題
• test_extreme_case_unicode_and_special_characters：測試 Unicode 和特殊字符
• test_extreme_case_datetime_objects：測試日期時間物件作為欄位值
• test_extreme_case_large_string_values：測試極大字串值（1000+ 字符）
• test_extreme_case_nested_tuple_combinations：測試深度嵌套元組組合（5 個欄位）
• test_apply_without_target_rows_should_fail：測試不提供 target_rows 參數時適當地失敗

架構整合：

• 欄位比例約束器現在遵循統一的 Constrainer 架構
• 目標行數由主要 Constrainer 在重新採樣過程中提供
• 移除日期名稱映射功能以簡化配置
• 所有測試已更新以反映新的參數傳遞機制

約束器測試總計：97 個測試分佈在 5 個測試檔案中，涵蓋完整的約束功能，包括工廠模式實作、空值群組處理、欄位級別約束、欄位組合規則和欄位比例維護，具有廣泛的邊界情況覆蓋和整合測試。

資料評測

Evaluator

SDMetrics

tests/evaluator/test_sdmetrics.py

測試 SDMetrics 單表評估功能：

• test_eval_diagnostic_report：使用模擬 SDMetrics 組件測試 DiagnosticReport 評估
• test_eval_quality_report：使用全面模擬設定測試 QualityReport 評估
• test_init：測試 SDMetricsSingleTable 初始化和配置驗證
• test_invalid_method：測試不支援評估方法的錯誤處理

主要特色：

• 資料類型一致性：增強的 BaseEvaluator 現在檢測資料集間的資料類型不匹配，並提供清楚的錯誤訊息，而非自動類型對齊
• 錯誤處理：改進的錯誤訊息指導使用者在 Executor 層級處理類型對齊
• 模擬整合：全面模擬 SDMetrics 組件以確保可靠測試

架構增強：BaseEvaluator 已修改以移除自動資料類型對齊功能。不再靜默「修復」類型不匹配，而是拋出包含詳細不匹配資訊的 ValueError，確保 Data Structure 評估準確性並維持資料完整性。

Stats

tests/evaluator/test_stats.py

測試統計評估功能：

• test_eval_basic：使用模擬欄位元資料建立測試基本統計評估
• test_eval_with_different_data：測試使用不同原始和合成資料集的評估
• test_init：測試 Stats 評估器初始化和配置驗證
• test_invalid_compare_method：測試無效比較方法的錯誤處理
• test_invalid_stats_method：測試無效統計方法的錯誤處理

主要特色：

• Metadater 整合：更新為使用 Metadater.create_field 進行欄位元資料建立
• 類型推斷：透過模擬欄位元資料正確處理資料類型推斷
• 配置驗證：統計方法配置的全面驗證

CustomEvaluator

tests/evaluator/test_custom_evaluator.py

測試自定義評估器功能：

• test_init：測試 CustomEvaluator 使用外部模組載入的初始化
• test_eval：測試使用自定義評估器實例的評估方法執行
• test_missing_module_path：測試缺少模組路徑配置的錯誤處理

主要特色：

• 外部模組載入：與 petsard.utils.load_external_module 整合以進行動態評估器載入
• 模擬整合：全面模擬外部模組載入和自定義評估器執行
• 錯誤處理：模組路徑和類別名稱需求的適當驗證

• 所有功能替換都使用 Metadater 的公共介面，完全避免調用深層內部功能
• 保持了所有原有功能的完整性，確保向後相容性
• 新的 Metadater 功能通過 Metadater 類的靜態方法提供統一介面

MLUtility

tests/evaluator/test_mlutility.py

測試機器學習效用評估：

• test_classification_of_single_value：測試單一值分類目標的三種情境：
  • 原始資料有單一層級目標
  • 合成資料有單一層級目標
  • 兩個資料集都有單一層級目標
  • 驗證 NaN 分數和警告的正確處理
• test_classification_normal_case：測試正常多分類情況：
  • 驗證分數計算
  • 檢查分數範圍
  • 驗證統計指標
• test_classification_empty_data：測試空資料的行為：
  • 處理空資料的預處理
  • 驗證 NaN 分數
  • 檢查警告訊息

MPUCCs

tests/evaluator/test_mpuccs.py

測試 mpUCCs（最大部分唯一欄位組合）隱私風險評估：

基本功能測試（TestMPUCCsBasic）：

• test_initialization：測試 MPUCCs 評估器初始化與配置參數
• test_basic_evaluation：測試使用簡單測試資料的基本評估功能
• test_empty_data：測試空資料集的處理

精度處理測試（TestMPUCCsPrecisionHandling）：

• test_numeric_precision_auto_detection：測試數值欄位精度的自動檢測（小數位數）
• test_numeric_precision_manual_setting：測試手動數值精度配置
• test_datetime_precision_auto_detection：測試日期時間欄位精度的自動檢測
• test_datetime_precision_normalization：測試大小寫不敏感的日期時間精度格式正規化

熵計算測試（TestMPUCCsEntropyCalculation）：

• test_renyi_entropy_calculation：測試不同資料分佈的 Rényi 熵（α=2，碰撞熵）計算：
• 高熵（均勻分佈）
• 中等熵（中度偏斜）
• 低熵（高度偏斜）
• 極低熵（極端偏斜）
• test_entropy_gain_calculation：測試欄位組合的條件熵增益計算

剪枝邏輯測試（TestMPUCCsPruningLogic）：

• test_entropy_based_pruning：測試可配置閾值的基於熵的剪枝機制
• test_base_combo_pruning_propagation：測試從基礎組合到超集的剪枝傳播

整合測試（TestMPUCCsIntegration）：

• test_complete_workflow：測試具有真實資料情境的完整 mpUCCs 工作流程
• test_skip_ncols_configuration：測試跳躍模式配置（如 n_cols=[1, 3]）
• test_deduplication_functionality：測試分析前的自動資料去重

邊界情況測試（TestMPUCCsEdgeCases）：

• test_single_column_data：測試單欄位資料集
• test_all_unique_data：測試所有值唯一但無碰撞的資料集
• test_all_identical_data：測試具有相同值的資料集

理論驗證：

• test_renyi_vs_shannon_entropy：展示 Rényi 熵與 Shannon 熵在隱私分析中的差異

mpUCCs 架構：mpUCCs 實現基於最大部分唯一欄位組合理論（mpUCCs = QIDs）的先進指認性風險評估。主要特色包括漸進式樹狀搜尋、基於熵的剪枝、數值/日期時間欄位的精度處理，以及具有雙層進度條的全面進度追蹤。

資料報告

Reporter

tests/reporter/test_reporter.py

測試具有函式化設計架構和命名策略支援的主要 Reporter 功能：

• test_method：測試 Reporter 使用不同方法的初始化：
  • ‘save_data’ 方法使用 ReporterSaveData
  • ‘save_report’ 方法使用 ReporterSaveReport
  • ‘save_timing’ 方法使用 ReporterSaveTiming
  • 無效方法拋出 UnsupportedMethodError
• test_method_save_data：測試 save_data 方法驗證：
  • 未提供 source 時拋出 ConfigError
• test_method_save_report：測試 save_report 方法驗證：
  • 僅使用 granularity 的有效初始化
  • 缺少必要參數時拋出 ConfigError
• test_method_save_timing：測試 save_timing 方法驗證：
  • 使用可選參數的有效初始化
  • 正確處理 time_unit 和模組過濾

TestReporterNamingStrategy

測試命名策略功能（6 個測試）：

• test_naming_strategy_parameter_validation：測試 naming_strategy 參數驗證：
  • 接受有效值（’traditional’、‘compact’）
  • 無效命名策略值拋出 ConfigError
• test_traditional_naming_strategy：測試傳統命名策略：
  • 維持與現有檔名格式的向後相容性
  • 產生含傳統方括號標記的檔案
• test_compact_naming_strategy：測試簡潔命名策略：
  • 產生簡化的檔名格式
  • 移除冗餘的方括號和標記
• test_naming_strategy_with_different_methods：測試不同 Reporter 方法的命名策略：
  • save_data 方法使用兩種策略
  • save_report 方法使用兩種策略
  • save_timing 方法（跨策略不變）
• test_naming_strategy_integration：測試命名策略與 Reporter 工作流程的整合：
  • 端到端檔名生成
  • 透過 Reporter 架構的適當參數傳遞
• test_naming_strategy_default_behavior：測試預設命名策略行為：
  • 未指定 naming_strategy 時使用傳統策略
  • 維持向後相容性

ReporterSaveData

測試具有函式化設計的資料儲存功能：

• test_source：測試 source 參數驗證：
  • 接受字串和字串列表
  • 無效類型（浮點數、混合列表、元組）拋出 ConfigError
• test_functional_create_and_report：測試函式化「拋出再拋回」模式：
  • create() 處理資料但不儲存在實例變數中
  • report() 接收處理後的資料並產生輸出檔案
  • 呼叫間不維護內部狀態

ReporterSaveReport

測試具有多粒度支援的報告生成功能：

• test_granularity：測試 granularity 參數驗證：
  • 單一粒度：‘global’、‘columnwise’、‘pairwise’、‘details’、’tree’
  • 多重粒度：[‘global’, ‘columnwise’]、[‘details’, ’tree’]
  • 缺少或無效 granularity 拋出 ConfigError
  • 非字串/非列表類型拋出 ConfigError
• test_multi_granularity_support：測試多粒度功能：
  • 在單一操作中處理多個粒度
  • 為每個粒度產生個別報告
  • 正確處理粒度特定的資料結構
• test_new_granularity_types：測試新粒度類型（v2.0+）：
  • ‘details’：詳細分解與額外指標
  • ’tree’：階層樹狀結構分析
• test_eval：測試 eval 參數驗證：
  • 接受字串、字串列表或 None
  • 無效類型拋出 ConfigError
• test_create：測試所有粒度的函式化報告建立：
  • Global 粒度報告生成
  • Columnwise 粒度報告生成
  • Pairwise 粒度報告生成
  • Details 粒度報告生成
  • Tree 粒度報告生成
  • 多粒度處理
• test_functional_design_pattern：測試函式化「拋出再拋回」模式：
  • create() 回傳處理後的資料但不內部儲存
  • report() 接受處理後的資料並產生檔案
  • 透過無狀態設計進行記憶體優化
• test_process_report_data：測試資料處理功能：
  • 使用評估名稱前綴重命名欄位
  • 不同粒度的索引處理
  • 非 Evaluator/Describer 模組的跳過標記
• test_safe_merge：測試 DataFrame 合併功能：
  • 具有重疊欄位的純資料合併
  • 所有粒度的處理資料合併
  • 正確處理包括 ‘column’、‘column1’、‘column2’ 的共同欄位
  • 合併結果中的正確行順序

ReporterSaveTiming

測試時間資訊報告功能：

• test_timing_data_processing：測試時間資料處理：
  • 時間單位轉換（秒、分鐘、小時、天）
  • 模組過濾功能
  • 時間詮釋資料提取
• test_functional_timing_workflow：測試函式化時間工作流程：
  • 處理時間資料但不內部儲存
  • 產生適當格式的時間報告

Reporter Utils

測試工具函數：

• test_convert_full_expt_tuple_to_name：測試實驗元組到名稱的轉換
• test_convert_full_expt_name_to_tuple：測試實驗名稱到元組的轉換
• test_convert_eval_expt_name_to_tuple：測試評估實驗名稱解析

函式化設計架構：Reporter 已完全重構為使用函式化「拋出再拋回」設計模式以進行記憶體優化。create() 方法處理資料但不將其儲存在實例變數中（self.result、self._processed_data），而 report() 接收處理後的資料並產生輸出檔案。這種無狀態方法顯著減少記憶體消耗，同時保持完全向後相容性。

多粒度支援：Reporter 現在支援單一粒度（str）和多粒度（list[str]）配置，允許使用者在單一操作中處理多個粒度。新的粒度類型 ‘details’ 和 ’tree’ 已與傳統的 ‘global’、‘columnwise’ 和 ‘pairwise’ 選項一起添加。

系統組件

Config

tests/test_config.py

配置管理和 BaseConfig 功能測試：

Config 測試：

• test_init_basic_config：測試基本配置初始化，包含模組序列和佇列設定
• test_config_validation_error：測試含有 “_[xxx]” 後綴的無效實驗名稱的配置驗證
• test_splitter_handler：測試 Splitter 配置的多樣本擴展
• test_set_flow：測試流程設定的正確佇列順序和內容
• test_complete_workflow_setup：測試完整多模組工作流程配置
• test_operator_creation：測試從配置實例化操作器

BaseConfig 測試（已整合）：

• test_init_and_get：測試初始化和 get 方法，包含所有屬性和日誌器
• test_update：測試配置更新，包含現有屬性的驗證和類型檢查
• test_get_params_include：測試使用 INCLUDE 動作的參數提取和重命名
• test_get_params_merge：測試使用 MERGE 動作的參數合併和字典驗證
• test_get_params_combined：測試多個動作的組合參數操作
• test_get_params_validation：測試不存在屬性、重複和衝突的驗證
• test_from_dict：測試從字典建立配置，包含參數驗證
• test_config_get_param_action_map：測試 ConfigGetParamActionMap 枚舉功能

Status 測試（已整合）：

• test_init：測試 Status 初始化，包含配置、序列和屬性設定
• test_put_and_get_result：測試狀態儲存和結果檢索，包含詮釋資料追蹤
• test_metadata_management：測試詮釋資料設定、檢索和不存在模組的錯誤處理
• test_get_pre_module：測試執行序列中前一個模組的檢索
• test_get_full_expt：測試實驗配置檢索（完整和部分）
• test_report_management：測試報告資料管理和 DataFrame 比較
• test_status_renewal：測試模組重新執行時的狀態更新機制

Status

tests/test_status.py

測試整合 Metadater 的增強 Status 快照系統：

• test_snapshot_creation：測試 ExecutionSnapshot 和 MetadataChange 建立，具有適當的資料類別結構
• test_change_tracking：測試跨管線階段的詮釋資料變更追蹤
• test_metadata_evolution：測試透過多個操作的詮釋資料演化追蹤
• test_status_summary：測試狀態摘要生成，包含執行歷史
• test_snapshot_retrieval：測試快照檢索和篩選功能

增強的 Status 架構：Status 系統已重新設計，以 Metadater 為核心，提供全面的進度追蹤、詮釋資料快照和變更歷史，同時保持與現有介面的完全向後相容性。Status 現在是一個獨立模組（petsard/status.py），具有專用的快照功能。

系統組件

Config

tests/test_config.py

配置管理和 BaseConfig 功能測試：

Config 測試：

• test_init_basic_config：測試基本配置初始化，包含模組序列和佇列設定
• test_config_validation_error：測試含有 “_[xxx]” 後綴的無效實驗名稱的配置驗證
• test_splitter_handler：測試 Splitter 配置的多樣本擴展
• test_set_flow：測試流程設定的正確佇列順序和內容
• test_complete_workflow_setup：測試完整多模組工作流程配置
• test_operator_creation：測試從配置實例化操作器

BaseConfig 測試（已整合）：

• test_init_and_get：測試初始化和 get 方法，包含所有屬性和日誌器
• test_update：測試配置更新，包含現有屬性的驗證和類型檢查
• test_get_params_include：測試使用 INCLUDE 動作的參數提取和重命名
• test_get_params_merge：測試使用 MERGE 動作的參數合併和字典驗證
• test_get_params_combined：測試多個動作的組合參數操作
• test_get_params_validation：測試不存在屬性、重複和衝突的驗證
• test_from_dict：測試從字典建立配置，包含參數驗證
• test_config_get_param_action_map：測試 ConfigGetParamActionMap 枚舉功能

Status 測試（已整合）：

• test_init：測試 Status 初始化，包含配置、序列和屬性設定
• test_put_and_get_result：測試狀態儲存和結果檢索，包含詮釋資料追蹤
• test_metadata_management：測試詮釋資料設定、檢索和不存在模組的錯誤處理
• test_get_pre_module：測試執行序列中前一個模組的檢索
• test_get_full_expt：測試實驗配置檢索（完整和部分）
• test_report_management：測試報告資料管理和 DataFrame 比較
• test_status_renewal：測試模組重新執行時的狀態更新機制

Status

tests/test_status.py

測試整合 Metadater 的增強 Status 快照系統：

• test_snapshot_creation：測試 ExecutionSnapshot 和 MetadataChange 建立，具有適當的資料類別結構
• test_change_tracking：測試跨管線階段的詮釋資料變更追蹤
• test_metadata_evolution：測試透過多個操作的詮釋資料演化追蹤
• test_status_summary：測試狀態摘要生成，包含執行歷史
• test_snapshot_retrieval：測試快照檢索和篩選功能

增強的 Status 架構：Status 系統已重新設計，以 Metadater 為核心，提供全面的進度追蹤、詮釋資料快照和變更歷史，同時保持與現有介面的完全向後相容性。Status 現在是一個獨立模組（petsard/status.py），具有專用的快照功能。