smartzhi – smartzhi

JUnit是由Kent Beck和Erich Gamma建立的一个开发源代码的Java测试框架。它规定了一些编写测试类的规范，是一个非常强大的单元测试工具包，用于编写和运行可重复的测试。
多数Java的开发环境都已经集成了JUnit作为单元测试的工具。
JUnit框架

1）对测试目标进行测试的方法与过程集合，称为测试用例TestCase；

2）测试用例的集合称作测试包TestSuite，可容纳多个TestCase；

3）测试结果的描述与记录TestResult；

4）测试过程中的事件监听者TestListener；

5）测试方法所发生的与预期不一致状况TestFailure；

6）Junit框架中的出错异常AssertionFailedError。

4. Junit 5提供的注解。

@Test：使用该元数据描述的方法作为测试用例；

@BeforeEach ：使用了该元数据的方法在每个测试方法执行之前都要执行一次，以便执行某些必要的先决条件；

@AfterEach ：使用了该元数据的方法在每个测试方法执行之后要执行一次，如执行每一个测试后重置某些变量，删除临时变量等；

@BeforeAll ：使用了该元数据的静态方法在类的所有测试之前执行一次，一般是测试计算共享配置方法，如连接到数据库；

@AfterAll ：当需要执行所有的测试在JUnit测试用例类后执行，@AfterAll注解可以使用以清理建立方法，如断开数据库连接；

import pandas as pd

import numpy as np

from sklearn.model_selection import train_test_split

from sklearn.preprocessing import StandardScaler

from matplotlib.colors import ListedColormap

import matplotlib.pyplot as plt

from sklearn.linear_model import LogisticRegression

from sklearn.neighbors import KNeighborsClassifier

from sklearn.ensemble import RandomForestClassifier

from sklearn import tree

from sklearn.ensemble import GradientBoostingClassifier

from sklearn.svm import SVC

from scipy.stats import pearsonr

from minepy import MINE

#读取数据集

#data = pd.read_csv(“Absenteeism_at_work.csv”, header=0, index_col=0)

data = pd.read_csv(“Absenteeism_at_work.csv”)

#data = pd.read_csv(“Absenteeism_at_work_org.csv”, sep=’;’, header=0, index_col=0)

data.head()

data.info()

X=data.iloc[:,0:21]

y=data.iloc[:,20]

#进行相关性分析

#采用皮尔森相关系统数，对每个因数与结果进行相关分析

ax = np.array(X)

for ine in range(0,20):

x = ax[:,ine]

#print(x)

r, p = pearsonr(x,y)

print(ine,‘:’,r,‘ ‘,p)

#根据相关系数，选择相关性较高对因素，但是后面得到对分类结果更差。

axs = np.column_stack((ax[:,1],ax[:,3],ax[:,11],ax[:,13],ax[:,18]))

#MIC，基于最大信息对非参数估计

print(“MIC result:”)

for ine in range(0,20):

x = ax[:,ine]

mine = MINE(alpha=0.6, c=15, est=“mic_approx”)

mine.compute_score(x, y)

mic = mine.mic()

print(ine, ‘:’, mic)

axm = np.column_stack((ax[:,0], ax[:,1],ax[:,5],ax[:,6],ax[:,7],ax[:,11],ax[:,17],ax[:,19]))

#拆分训练集和测试集，该样本集，训练样本选80%，得到效果较好；计算结果与数据集选择有明显关系

#实验结果表明，使用完全数据，结果较好；而根据pearsonr相关性选择对特征，分类结果很差

X_train,X_test,y_train,y_test=train_test_split(X,y,test_size=0.3,random_state=0) #全部数据

#X_train,X_test,y_train,y_test=train_test_split(axs,y,test_size=0.2,random_state=0) #pearsonr特征提取后数据

#X_train,X_test,y_train,y_test=train_test_split(axm,y,test_size=0.2,random_state=0) #mic特征提取后数据, 结果要比pearsonr特征好。

#标准化处理，对各位度数据进行预处理

#实验结果表明，标准化处理对logistics、K近邻、SVM对结果有一定帮助

sc = StandardScaler()

sc.fit(X_train)

X_train_std = sc.transform(X_train)

X_test_std = sc.transform(X_test)

#X_train_std = X_train

#X_test_std = X_test

#采用下面多种分类算法进行数据处理

clf = LogisticRegression(penalty=‘l2’)

clf.fit(X_train_std, y_train)