数据驱动就是通过数据的改变驱动自动化测试的执行，最终引起测试结果的改变。简单来说，就是参数化在自动化测试中的应用。
测试过程中使用数据驱动的优势主要体现在以下几点：
1、提高代码复用率，相同的测试逻辑只需编写一条测试用例，就可以被多条测试数据复用，提高了测试代码的复用率，同时提高了测试代码的编写效率。
2、异常排查效率高，测试框架依据测试数据，每条数据生成一条测试用例，用例执行过程相互隔离。如果其中一条失败，不会影响其他的测试用例。
3、代码可维护性高，清晰的测试框架利于其他测试工程师阅读，提高代码的可维护性。
测试数据的数据驱动
数据量小的测试用例可以使用代码的参数化来实现数据驱动，数据量大的情况下建议大家使用一种结构化的文件（例如 YAML，JSON 等）来对数据进行存储，然后在测试用例中读取这些数据。
参数化实现数据驱动
Pytest 提供了 @pytest.mark.parametrize 装饰器来进行参数化，可以使用参数化来实现数据驱动。代码如下：
import pytest
@pytest.mark.parametrize("key, stock_type, price", [
("alibaba", "BABA", 200),
("JD", "JD", 20)
])
def test_search_data(self, key, stock_type, price):
assert self.main.goto_search_page().\
search(key).get_price(stock_type) > price
上面的代码首先使用 @pytest.mark.parametrize 装饰器，传递了两组数据，测试结果显示有两条测试用例被执行，而不是一条测试用例。也就是 Pytest 会将两组测试数据自动生成两个对应的测试用例并执行，生成两条测试结果。
使用 YAML 文件实现数据驱动
当测试数据量大的情况下，可以考虑把数据存储在结构化的文件中。从文件中读取出代码中所需要格式的数据，传递到测试方法中执行。这里推荐大家使用 YAML 类型的文件来存储测试数据。YAML 使用动态字段进行结构化，它以数据为中心，比 Excel、CSV、JSON、XML 等更适合做数据驱动。
下面，我们将上面参数化的两组数据存储到 YAML 文件中，创建一个 data/searchdata.yml 文件，代码如下：
-
- 'alibaba'
- 'BABA'
- 200
-
- 'JD'
- 'JD'
- 20
上面的代码定义了一个 yaml 格式的数据文件 searchdata.yml ，文件中定义了一个列表，列表中有两组数据，最后生成的是这样的数据格式：[["alibaba", "BABA", 200],["JD", "JD", 20]] 。
下一步将测试用例中参数化的数据改造成从 searchdata.yml 文件中读取，代码如下：
import pytest
import yaml
@pytest.mark.parametrize("search_key, type, price",\
yaml.safe_load(open("../data/searchdata.yml")))
def test_search(self, search_key, type, price):
assert self.main.goto_search_page().\
search(search_key).get_price(type)>price
上面的代码，只需要使用 yaml.safe_load() 方法，就来读取 searchdata.yml 文件中的数据，分别传入到用例 test_search() 方法中完成数据的输入与结果的验证。而如果使用 Excel、CSV 文件格式进行数据的存储，需要先从 Excel 文件中读取数据，再解析成需要的格式。而使用 YAML 则完全省去了这个过程。