我的结论是：统计Bug率有意义。但是统计千行代码Bug率没有意义。
为什么千行代码Bug率是没有意义的？
某公司最近出了一个方案，用来量化程序员的工作绩效。叫做千行代码Bug率。在一个统计周期内，程序员每增加或者修改的代码行数与QA发现的Bug数，根据如下规则计算Bug率：
1000行代码，1个bug，那么Bug率是100%；
2000行代码，4个bug，那么Bug率是200%；
5000行代码，3个Bug，那么Bug率是60%
n行代码，m个Bug，那么Bug率是m / n * 1000
先不考虑这个规则本身是否有问题。我觉得，所有和代码行数挂钩的绩效统计，都是没什么意义的。因为代码行数是可以刷的。如果某个绩效需要代码行数越少越好，那么可以使用行数少的写法；某个绩效需要代码行数越多越好，那么可以使用行数多的写法。
例如，对于字符串赋值：a = '今天天气竟然有40度，我要被烤化了。'，可以把它扩写成：
a = ('今天天气'
'竟然有40'
'度，我要'
'被烤化了。'
)甚至再进一步，扩写成：
a = '今天天气'
b = '竟然有40'
c = '度，我要'
d = '被烤化了。'
e = (a
+ b
+ c
+ d
)
a = e这三种写法的效果完全一样。
还有些功能，原本就一行原生代码搞定。但是为了增加行数，故意使用第三方库。这样第三方库的代码行数也就统计进去了。代码总行数增加，相当于分母增大，千行代码Bug率就降下来了。
要缩写也简单，在Python里面，如果使用lambda表达式，通过非常炫技反人类的写法，你可以把常规要40行的代码缩成1行。但是这样的一行代码根本没法维护。
为什么Bug率是有意义的？
对于一个有实际用处的项目代码来说，Bug数是一个系统误差，只能设法减少，但是没有办法变成0。
同样实现一个功能，好的程序员能提前预判到别人会怎么使用，提前处理好非法逻辑和不合理的数据流程，从而降低Bug数。而差的程序员，写出来的代码，别人一用就出问题。因此，用Bug率来评判程序员水平，我觉得是合理的。但是从Bug数到Bug率，这个计算方法应该要精心设计。
开发阶段
如果公司有QA的话，在软件开发阶段，一般产品经理会先提出需求，然后拉上开发和QA一起评测需求。QA会在需求评审会后，设计测试案例。这些测试案例是公开的，每个开发都会看到。
这些公开的测试案例，我觉得可以用来作为分母。程序员写好了代码，却无法通过其中的部分测试案例。那就是程序员的水平不行。失败的测试案例数/所有公开的测试案例数。可以作为衡量程序员水平的参考指标之一。好的程序员应该尽量让这个比值为0.
但有时候，在测试的过程中，QA可能会临时增加测试案例，这些案例是程序员提前不知道的。那么这些案例如果测试失败了，也可以作为一个评判指标，用来评判程序员是否有提前预防的能力。但公平起见，可以给他乘以一个小于1的系数，降低它的权重：
开发阶段Bug率 = (已经公开的测试案例数 + 系数 × 临时增加的测试案例数) / 总测试案例数说个题外话，今天我们不考虑单元测试数、单元测试覆盖率这种问题。因为据我所知，国内互联网公司会主动写单元测试的程序员太少了。有时候，一个原本要写单元测试的优秀程序员，进了某些大厂以后，迫于业务和工期压力，也逐渐放弃了。所以我们今天只考虑QA的测试案例。
线上阶段
如果只看QA的测试案例，可能会出现面向QA编程的问题。因为人是很聪明的，上有政策，下有对策。QA的一个测试API接口的案例，输入5，输出10.程序员直接在代码里面判断，如果输入是5，直接返回10，跳过中间的所有逻辑。这样就能100%通过QA的所有测试案例。但是这样做对产品本身是没有价值的。
市场是检验代码质量的重要标准。程序质量好不好，上线以后，让用户来评测。
你永远不知道你的用户有多蠢，你永远猜不透用户会怎么使用你的产品。
用户反馈的Bug，也可以用来评价代码的好坏，进而反映出程序员的能力高低。但需要考虑下面两个情况：
同一个功能，两个程序员实现：
- A程序员写出的功能一上线，用户一用就报Bug
- B程序员写出的功能上线很久了。几十万个用户都正常使用，有个沙雕用户乱操作，偶然暴露出了一个Bug。
大家凭主观判断都知道，B程序员应该比A程序员好。
我们再来考虑第二种情况，A程序员实现X功能，B程序员实现Y功能：
X功能每天会被使用几百万次，一周就发现了二十多个Bug
Y功能一个月总共就被用了3次。没有发现Bug
这种情况下，我们没有办法根据Bug数来判断AB两个程序员谁更好。也许B程序员去写X功能，一天就会被发现上百个Bug也说不定。
因此，根据这两种情况，我拍脑袋总结了一个经验公式：
某功能线上Bug率 = Bug数 / (log(功能使用次数 + 1) + 1)
其中的log是以10为底的对数。因为一个功能很轻松就能使用上百上千次，而Bug数一般来说就是个位数或者两位数。因此对使用次数求个对数，避免Bug率太小。公式中的两次+1。一次是因为不能对0求对数，另一次是分母不能为0.
对程序员开发的多个线上功能的Bug率统计，我们可以这样计算：
程序员线上Bug率 = A功能线上Bug率 功能重要性系数 + B功能线上Bug率 功能重要性系数 + ……
其中，相同重要性的功能，他们的功能重要性系数应该是相同的。不同重要性的功能，功能越重要，这个系数就越大。
这里，这个系数应该用功能重要性系数还是功能复杂性系数，我们可以讨论一下。我个人是觉得用重要性比较好。一方面是代码复杂性不好量化。第二是因为程序员的代码质量和业务是不能分开看的。对于重要的功能，应该优先做，应该更用心。在更用心的情况下bug还那么多，不就说明能力差吗。对于不重要的功能，最后做，可能后面时间来不及了，赶工完成有一些Bug。但是因为这个功能没什么人用，对业务影响不大，有一些Bug也没什么。
拍脑袋综合公式
综合开发阶段与线上阶段，我们可以得出一个综合公式。由于一般来说，某某率的值范围应该是0-100%，这两个公式合在一起以后，结果很可能大于1.因此我们改个名字，叫做程序员Bug指数：
程序员Bug指数 = 开发阶段Bug率 * 开发阶段系数 + 程序员线上Bug率 * 线上阶段系数这个指数越高，说明程序员能力越差。
最后还是强调一下，以上公式是我拍脑袋想出来的，仅做参考。但我认为它的价值应该比千行代码Bug率高得多。
最近整理了几百 G 的 Python 学习资料，包含新手入门电子书、教程、源码等等，免费分享给大家！想要的前往 “Python 编程学习圈”，发送 “J” 即可免费获得