Test: validazione contro i parametri veri di gen_data, report, CLI e regressioni

Co-Authored-By: Claude Sonnet 5.5 <noreply@anthropic.com>

tests/test_validazione.py

@@ -0,0 +1,64 @@
+"""Validazione contro i parametri VERI di gen_data: ../gen_data sorteggia i parametri di ogni corsa dal seed, quindi per ogni seed si
+conoscono gradini, ampiezze e costante di tempo. Richiede il repository fratello ../gen_data (altrimenti i test sono saltati)."""
+
+import sys
+
+import numpy as np
+import pytest
+from conftest import RADICE
+
+from fitseg import dati, domini
+from fitseg.analisi import analizza_domini, fit_scelto
+
+GEN = RADICE.parent / "gen_data"
+pytestmark = pytest.mark.skipif(not (GEN / "genera.py").exists(), reason="repository ../gen_data non trovato")
+
+
+@pytest.fixture(scope="module")
+def genera():
+    sys.path.insert(0, str(GEN))
+    import genera as g
+    yield g
+    sys.path.remove(str(GEN))
+
+
+@pytest.mark.parametrize("seed", range(1, 21))
+def test_risultati_contro_i_parametri_veri(seed, genera, cfg, tmp_path):
+    gcfg = genera.leggi_config(GEN / "config.toml")
+    veri = genera.sorteggia(gcfg, np.random.default_rng(seed))
+    ordine = np.argsort(veri["t_impulsi_s"])
+    tj = np.array(veri["t_impulsi_s"], float)[ordine]
+    aj = np.array(veri["dT_impulsi_c"], float)[ordine]
+    k = veri["k_raffreddamento_hz"]
+
+    t_ms, T, dT = genera.genera(gcfg, np.random.default_rng(seed))
+    with open(tmp_path / "d.csv", "w") as f:
+        genera.scrivi(f, t_ms, T, dT)
+    t, serie = dati.leggi_csv(tmp_path / "d.csv", cfg)
+    ris = analizza_domini(t, serie, domini.proponi(t, serie, cfg), cfg)
+
+    # gradini: numero giusto e istanti entro un paio di campioni
+    risc = [r for r in ris if r["tipo"] == "riscaldamento"]
+    assert len(risc) == len(tj)
+    for r, x in zip(risc, tj, strict=True):
+        assert abs(r["t0_s"] - x) < 0.3
+
+    for nome in serie:
+        raff = [r for r in ris if r["tipo"] == "raffreddamento"]
+        # costante di tempo del raffreddamento finale (libero)
+        finale = fit_scelto(raff[-1]["serie"][nome])
+        assert finale is not None and finale["parametri"]["tau"] * k == pytest.approx(1.0, abs=0.03)
+        for r in raff:
+            fit = fit_scelto(r["serie"][nome])
+            if fit is None:  # indeterminato solo se i campioni sono meno del minimo
+                assert r["n_fit"] < cfg["domini"]["n_min_punti_parametri_fissi"]
+                continue
+            atteso = float(sum(a * np.exp(-k * (r["t0_s"] - x)) for x, a in zip(tj, aj, strict=True) if x <= r["t0_s"]))
+            if nome == "dT_C":  # ampiezza A al netto dell'asintoto: confrontabile con la somma dei decadimenti dei gradini
+                assert fit["parametri"]["A"] == pytest.approx(atteso, rel=0.04)
+
+    # salti: stimati dai modelli (o dalla misura corretta con c e τ del finale) entro il 5 % dall'ampiezza vera del gradino
+    for r, a in zip(risc, aj, strict=True):
+        g = r["serie"]["dT_C"]["gradino"]
+        if g["stima"] in ("modelli", "misura corretta"):
+            assert g["delta"] == pytest.approx(a, rel=0.05)