圈复杂度是一种衡量代码复杂度的指标，它可以帮助我们识别出代码中的复杂区域，从而更好地优化代码。圈复杂度越高，代码的复杂度越高，也就越难以阅读和维护。
概念起源
这个概念由美国计算机科学家 Thomas J. McCabe, Sr. 在 1976 年的论文《A Complexity Measure》中首次提出，因此也被称为 McCabe 复杂度。
在 20 世纪 70 年代，随着软件系统规模急剧膨胀，测试 and 维护成本变得极高。当时的开发者缺乏一种客观、定量的手段来评估代码的“复杂度”。
McCabe 引入了图论（Graph Theory）的思想，将程序执行过程抽象为控制流图（Control Flow Graph）。其初衷是提供一个严谨的指标，用于：
- 识别高风险代码：定位逻辑嵌套过深、易隐藏 Bug 的模块。
- 指导测试用例设计：圈复杂度直接对应实现“分支覆盖”（Branch Coverage）所需的最小测试用例数。
McCabe 建议，单个模块或函数的圈复杂度不应超过 10，否则应考虑重构或拆分。
计算公式
基于图论，将代码转化为控制流图后，**节点（Nodes）**代表顺序执行的代码块，**边（Edges）**代表控制流转（如 if、while）。
计算公式为：
$$ M = E - N + 2P $$
- $M$：圈复杂度
- $E$：控制流图中边的数量
- $N$：控制流图中节点的数量
- $P$：连接组件的数量（对于单个独立的程序或函数，通常 $P=1$）
此时公式简化为：
$$ M = E - N + 2 $$
案例分析
通过具体代码来理解最为直观。我们看一个典型的 Python 业务方法：根据客户类型和购买金额计算折扣。
1. 代码示例
def calculate_discount(customer_type, purchase_amount):
discount = 0.0 # N1
if customer_type == "VIP": # N2
if purchase_amount > 1000: # N3
discount = 0.20 # N4
else: # N5
discount = 0.10
elif customer_type == "Regular": # N6
if purchase_amount > 500: # N7
discount = 0.05 # N8
return purchase_amount * (1 - discount) # N9
2. 节点划分
在这个方法中，我们可以划分出 9 个节点：
- N1: 初始化
discount = 0.0 - N2: 判断
customer_type == "VIP" - N3: 判断
purchase_amount > 1000 - N4: 赋值
discount = 0.20 - N5: 赋值
discount = 0.10（隐式 else） - N6: 判断
customer_type == "Regular" - N7: 判断
purchase_amount > 500 - N8: 赋值
discount = 0.05 - N9: 执行
return
3. 控制流图
graph TD
N1["N1: 初始化 discount"] -->|E1| N2{"N2: VIP?"}
N2 -->|E2: Yes| N3{"N3: Amount > 1000?"}
N2 -->|E3: No| N6{"N6: Regular?"}
N3 -->|E4: Yes| N4["N4: 0.20"]
N3 -->|E5: No| N5["N5: 0.10"]
N4 -->|E6| N9(["N9: Return"])
N5 -->|E7| N9
N6 -->|E8: Yes| N7{"N7: Amount > 500?"}
N6 -->|E9: No| N9
N7 -->|E10: Yes| N8["N8: 0.05"]
N7 -->|E11: No| N9
N8 -->|E12| N9
classDef condition fill:#f9f0ff,stroke:#b266ff,stroke-width:2px;
class N2,N3,N6,N7 condition;
4. 计算过程
梳理出 12 条边（执行路径）：
- E1: N1 -> N2 (顺序)
- E2: N2 -> N3 (VIP 是)
- E3: N2 -> N6 (VIP 否)
- E4: N3 -> N4 (>1000)
- E5: N3 -> N5 (<=1000)
- E6: N4 -> N9
- E7: N5 -> N9
- E8: N6 -> N7 (Regular 是)
- E9: N6 -> N9 (Regular 否)
- E10: N7 -> N8 (>500)
- E11: N7 -> N9 (<=500)
- E12: N8 -> N9
套用公式 $M = E - N + 2$：
$$ M = 12 - 9 + 2 = 5 $$
结论：该方法的圈复杂度为 5。这意味着要实现 100% 的分支覆盖，至少需要编写 5 个测试用例。
自动化测量工具
在真实的工程中，手动计算并不现实。对于 Python 项目，我们通常使用 radon 库来自动计算。
1. 安装与使用
通过 pip 安装：
pip install radon
假设将上述代码保存为 calc.py，在终端运行：
radon cc calc.py -a
2. 输出解读
终端会输出类似结果：
calc.py
F 1:0 calculate_discount - A (5)
1 blocks (classes, functions, methods) analyzed.
Average complexity: A (5.0)
- 5：计算出的圈复杂度。
- A：代码健康评级（A 最好，F 最差）。
- A (1-5)：非常健康，逻辑简单。
- B (6-10)：结构良好，复杂度可控。
- C (11-20)：稍显复杂，建议关注。
小结
我平时用的比较深也只有单元测试的行覆盖率指标了，理论上跟圈复杂度应该有正相关的关系，但是没 有深入研究过。
代码圈复杂度有个优点是可以明确的告诉你，要实现100%的行覆盖率，需要写多少个测试用例， 这对于像我们研发写测试用例的开发流程来说，可以更好的评估工作量、也可以防止测试用例写不全的 情况。