Τι είναι οι παραμετροποιημένες και τα δεδομένα-κατευθυνόμενα τεστ;

Question

Accepted Answer

**Παραμετροποιημένα (δεδομένα-κατευθυνόμενα) τεστ** εκτελούν τη **ίδια λογική δοκιμής με πολλαπλά σύνολα εισόδων και αναμενόμενων εξόδων** — αποφεύγοντας τη διπλοτυπία του τεστ για κάθε περίπτωση. Καθιστούν εύκολο να δοκιμάσετε πολλά σενάρια (συμπεριλαμβανομένων των edge cases) συνοπτικά.

## Το πρόβλημα: διπλοτυπία τεστ

```text
Without parameterization, testing many input/output cases means COPYING the test:
  test('add 2+3', () => expect(add(2,3)).toBe(5));
  test('add 0+0', () => expect(add(0,0)).toBe(0));
  test('add -1+1', () => expect(add(-1,1)).toBe(0));
  → lots of near-identical, repetitive tests (tedious, hard to maintain)
```

## Παραμετροποιημένα τεστ — ένα τεστ, πολλές περιπτώσεις

```js
// run the SAME test logic over a TABLE of cases (Jest's test.each)
test.each([
  [2, 3, 5],
  [0, 0, 0],
  [-1, 1, 0],
  [100, 200, 300],
])('add(%i, %i) === %i', (a, b, expected) => {
  expect(add(a, b)).toBe(expected);     // one logic, run per case
});
// → each row is a separate reported test case; add a case = add a row
```

Τα περισσότερα frameworks υποστηρίζουν αυτό (Jest `test.each`, pytest `@parametrize`, JUnit `@ParameterizedTest`).

## Πλεονεκτήματα

```text
✓ CONCISE — test many scenarios without duplicating the test body
✓ Easy to ADD CASES — just add a row of data (great for edge cases / many inputs)
✓ Each case reported SEPARATELY — you see exactly which input failed
✓ Clear, maintainable — the data table documents the cases
→ Ideal for functions with many input/output combinations and edge cases.
```

## Γιατί έχει σημασία

Η κατανόηση των παραμετροποιημένων (δεδομένα-κατευθυνόμενων) τεστ είναι πολύτιμη επειδή καθιστούν **εύκολο να δοκιμάσετε πολλά σενάρια συνοπτικά**, το οποίο υποστηρίζει διεξοδική δοκιμή (ειδικά edge cases), επομένως είναι χρήσιμη πρακτική γνώση.

Το πρόβλημα που λύνουν — η δοκιμή πολλών συνδυασμών εισόδου/εξόδου θα απαιτούσε διαφορετικά **διπλοτυπία του τεστ για κάθε περίπτωση** (κουραστική, επαναλαμβανόμενη, δύσκολη να συντηρηθεί) — είναι πραγματική, και τα παραμετροποιημένα τεστ την αντιμετωπίζουν εκτελώντας τη **ίδια λογική δοκιμής σε ένα πίνακα περιπτώσεων**.

Αυτό κάνει τη δοκιμή πολλών σεναρίων **συνοπτική** (ένα σώμα δοκιμής, πολλές περιπτώσεις), καθιστά **εύκολο να προσθέτετε περιπτώσεις** (απλώς προσθέστε μια σειρά δεδομένων — που ενθαρρύνει τη δοκιμή περισσότερων εισόδων και **edge cases**, υποστηρίζοντας τη διεξοδική κάλυψη edge-case που πιάνει σφάλματα), αναφέρει **κάθε περίπτωση χωριστά** (ώστε να δείτε ακριβώς ποια είσοδος απέτυχε, βοηθώντας στην αποσφαλμάτωση), και διατηρεί τα τεστ συντηρήσιμα (ο πίνακας δεδομένων τεκμηριώνει σαφώς τις περιπτώσεις).

Η κατανόηση ότι τα περισσότερα frameworks υποστηρίζουν αυτό (το `test.each` του Jest, το `@parametrize` του pytest, το `@ParameterizedTest` του JUnit) το καθιστά πρακτικά εφαρμόσιμο σε όλες τις τεχνολογικές στοίβες.

Τα παραμετροποιημένα τεστ είναι ιδανικά για συναρτήσεις με πολλούς συνδυασμούς εισόδου/εξόδου — κοινή περίπτωση για συναρτήσεις χρησιμότητας, validators, parsers και υπολογισμούς — όπου επιτρέπουν τη δοκιμή του πλήρους εύρους περιπτώσεων (συμπεριλαμβανομένων των ορίων και edge cases) χωρίς το βάρος της διπλοτυπίας κώδικα δοκιμής.

Αυτός ο συνοπτικός, συντηρήσιμος τρόπος για να επιτύχετε ευρεία κάλυψη εισόδου ενθαρρύνει πιο διεξοδική δοκιμή.

Επειδή η δοκιμή πολλών σεναρίων (ειδικά edge cases) είναι σημαντική για διεξοδική δοκιμή και τα παραμετροποιημένα τεστ το καθιστούν συνοπτικό και συντηρήσιμο (αποφεύγοντας διπλοτυπία τεστ, ενθαρρύνοντας ευρεία κάλυψη εισόδου), και επειδή η κατανόησή τους και η υποστήριξη framework τους είναι χρήσιμη για αποτελεσματική δοκιμή, η κατανόηση των παραμετροποιημένων και δεδομένα-κατευθυνόμενων τεστ είναι πολύτιμη, πρακτικά σχετική γνώση — ένα χρήσιμο κόλπο για τη δοκιμή πολλών περιπτώσεων συνοπτικά, υποστηρίζοντας τη διεξοδική κάλυψη edge-case που απαιτεί η αποτελεσματική δοκιμή, και ένα εύχρηστο εργαλείο που εφαρμόζεται παντού όπου οι συναρτήσεις έχουν πολλούς συνδυασμούς εισόδου/εξόδου για επαλήθευση.