在《parewise算法性能优化》一文中，
对原来算法代码进行了一些优化，
对于笛卡尔积后千条数据，是能满足使用需要的。
但在实际业务中，会碰到百万数据。
比如某接口共18个参数，每个参数均可为空，其中8个只需要单个值，10个为多选项，需要多个值。
对于多选项，我的设计是，全选+随机n个多选(1<=n<=len-1)+空。
按照这个策略，笛卡尔积的结果就是38*210=6718464。
671万数据！
parewise根本处理不动。
该怎么处理？
调整用例设计。
1、为空的情况，单独一条用例，即可以为空的，全部设置为空。parewise就不考虑为空的情况了。
38*210就变成了28*110=256，一下量级骤减。
2、视需要添加特殊的参数组合。
即使这样优化了，也会产生几十种组合。
假如接口本身响应慢，那么脚本执行的耗时就比较长。
遇到上线前回归，等待，是一件很痛苦的事。
该怎么处理？
还是回到用例设计。
在开发阶段，跑几十种组合的脚本，从时间成本来看是完全可以接受的。
在上线阶段，时间紧迫，就会显得效率有些低。
而实际上，上线前回归阶段更像是一种冒烟。
是可以适当降低覆盖度，提供效率的。
于是解决方案就是，把parewise扩展为两种模式
def parewise(dx,mode=2):
"""
:param dx:
:param mode: 1开发 2上线
:return:
"""
开发模式：就完完整整返回结果
上线模式：从结果当中，随机返回1条用于快速冒烟
当然，如果是回归要测修改引入，建议还是多花点时间，老老实实跑开发模式比较好。
版权申明：本文为博主原创文章，转载请保留原文链接及作者。