Pytest08-数据参数化parametrize

本文介绍了Pytest中数据参数化的功能,包括单参数、多参数和通过函数获取参数值的用法,并提供了代码示例。通过这些示例,读者可以学习如何在测试中高效地进行参数化测试。

Pytest08-数据参数化parametrize

高清B站视频链接

Pytest之数据参数化

单参数、多参数、函数数据参数化

方法:
parametrize(argnames, argvalues, indirect=False, ids=None, scope=None)
常用参数:
argnames:参数名
argvalues:参数对应值,类型必须为list
当参数为一个时格式:[value]
当参数个数大于一个时,格式为:[(param_value1,param_value2…),(param_value1,param_value2…)]
使用方法:
@pytest.mark.parametrize(argnames,argvalues)
️ 参数值为N个,测试方法就会运行N次

代码案例

单参数

文件1:test_single_params.py

#!/usr/bin/env python
# -*- coding: utf-8 -*-
# 作者:扶摇
import pytest

@pytest.mark.parametrize('a',['aaa','bbb','ccc'])
def test(a):
    print(a)

if __name__ == '__main__':
    pytest.main(['-vs'])

多参数

文件2:test_multy_params.py

#!/usr/bin/env python
# -*- coding: utf-8 -*-
# 作者:扶摇
import pytest

@pytest.mark.parametrize('name,pwd,expect',[('fy','123456','登陆成功'),('2sx','123456','登陆失败'),('xc','123456','登陆成功')])
def test(name,pwd,expect):
    print(name)
    print(pwd)
    assert expect == '登陆成功'

if __name__ == '__main__':
    pytest.main(['-vs','test_multy_params.py'])

函数参数

文件03:test_func_params.py

#!/usr/bin/env python
# -*- coding: utf-8 -*-
# 作者:扶摇
import pytest

def get_excel():
    # 省略数据解析代码几十行
    return [('fy','123456','登陆成功'),('2sx','123456','登陆失败'),('xc','123456','登陆成功')]

@pytest.mark.parametrize('name,pwd,expect',get_excel())
def test(name,pwd,expect):
    print(name)
    print(pwd)
    assert expect == '登陆成功'

if __name__ == '__main__':
    pytest.main(['-vs','test_func_params.py'])

函数参数进阶

文件04:test_func02_params.py

#!/usr/bin/env python
# -*- coding: utf-8 -*-
# 作者:扶摇
import pytest

def get_excel():
    # 省略数据解析代码几十行
    return [('fy','123456','登陆成功'),('2sx','123456','登陆失败'),('xc','123456','登陆成功')]

@pytest.mark.parametrize('data',get_excel())
def test(data):
    print(data[0])
    print(data[1])
    assert data[2] == '登陆成功'

if __name__ == '__main__':
    pytest.main(['-vs','test_func02_params.py'])

测试技术交流请联系我
在这里插入图片描述
备注优快云扶摇

【学习软件测试/Python自动化测试技术/领取Python自动化测试学习路线图/简历优化】
视频链接:
课程服务介绍

自动化全栈学习路线图讲解

软件测试面试合集

Python编程刷题合集

Pytest入门到实战

Python接口自动化合集

PythonWeb自动化合集

性能测试合集

Jmeter接口自动化测试实战全集

2023GPT探索发现合集

2024Pytest合集

加微信(备注优快云扶摇)即可免费领取下面的自动化测试资料和一份软件测试面试宝典
在这里插入图片描述
在这里插入图片描述

MATLAB代码实现了一个基于多种智能优化算法优化RBF神经网络的回归预测模型,其核心是通过智能优化算法自动寻找最优的RBF扩展参数(spread),以提升预测精度。 1.主要功能 多算法优化RBF网络:使用多种智能优化算法优化RBF神经网络的核心参数spread。 回归预测:对输入特征进行回归预测,适用于连续值输出问题。 性能对比:对比不同优化算法在训练集和测试集上的预测性能,绘制适应度曲线、预测对比图、误差指标柱状图等。 2.算法步骤 数据准备:导入数据,随机打乱,划分训练集和测试集(默认7:3)。 数据归一化:使用mapminmax将输入和输出归一化到[0,1]区间。 标准RBF建模:使用固定spread=100建立基准RBF模型。 智能优化循环: 调用优化算法(从指定文件夹中读取算法文件)优化spread参数。 使用优化后的spread重新训练RBF网络。 评估预测结果,保存性能指标。 结果可视化: 绘制适应度曲线、训练集/测试集预测对比图。 绘制误差指标(MAE、RMSE、MAPE、MBE)柱状图。 十种智能优化算法分别是: GWO:灰狼算法 HBA:蜜獾算法 IAO:改进天鹰优化算法,改进①:Tent混沌映射种群初始化,改进②:自适应权重 MFO:飞蛾扑火算法 MPA:海洋捕食者算法 NGO:北方苍鹰算法 OOA:鱼鹰优化算法 RTH:红尾鹰算法 WOA:鲸鱼算法 ZOA:斑马算法
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

测试老宅男扶摇

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值