10 Janvier 2024 Mis à jour : avr. 2026 ADC Team 6 min de lecture

Data-Driven Testing : Guide Complet avec Python

Le Data-Driven Testing (DDT) consiste à séparer les données de test du code de test, permettant d'exécuter le même scénario avec de multiples jeux de données. C'est l'une des pratiques les plus puissantes pour augmenter la couverture sans dupliquer le code.

À retenir

pytest.mark.parametrize : méthode la plus directe en Python — itère automatiquement sur plusieurs tuples de paramètres, générant un test distinct pour chacun
Sources de données supportées : CSV (données volumineuses), JSON (structures hiérarchiques), Excel via openpyxl (équipes métier), PostgreSQL via psycopg2 (données dynamiques)
Règle d'isolation : chaque test doit fonctionner indépendamment à utiliser les fixtures pytest (setup/teardown) pour préparer et nettoyer les données
Toujours inclure les cas limites : valeurs nulles, chaînes vides, entiers négatifs — etversionner les fichiers CSV/JSON dans Git avec le code de test

Qu'est-ce que le Data-Driven Testing ?

Le DDT permet d'exécuter un même test avec différentes combinaisons d'entrées et de résultats attendus. Les données sont stockées séparément (CSV, JSON, Excel, base de données) et injectées dynamiquement dans les tests. Résultat : une couverture maximale avec un minimum de code.

1. DDT avec pytest.mark.parametrize

La méthode la plus directe en Python. Le décorateur @pytest.mark.parametrize permet d'itérer automatiquement sur plusieurs jeux de données.

Exemple : Tester une fonction de calcul de remise avec différents scénarios (0%, 10%, 25%) en une seule définition de test. pytest génère automatiquement un test distinct pour chaque tuple de paramètres.

2. Données depuis un fichier CSV

Pour des données volumineuses ou maintenues par des non-développeurs, le CSV est idéal. La bibliothèque standard csv ou pandas permettent de charger les données et de les passer ? parametrize.

3. Données depuis JSON

Le JSON est préférable quand les données ont une structure hiérarchique (objets imbriqués, tableaux). Il est lisible humainement et facile à versionner avec Git.

4. Données depuis Excel avec openpyxl

Pour les équipes métier qui maintiennent leurs données de test dans Excel, openpyxl permet de lire les feuilles directement. Attention à verrouiller la structure du fichier pour éviter les ruptures.

5. Données depuis une base de données

Pour des données dynamiques ou liées à l'environnement de test, une connexion directe à labase (SQLite, PostgreSQL via psycopg2) est la meilleure option. Les données reflètent toujours l'état réel du système.

6. Stratégie de gestion des données de test

Isolation : Chaque test doit pouvoir fonctionner indépendamment — nepas dépendre de données créées par un autre test
Nettoyage : Utiliser des fixtures pytest (setup/teardown) pour préparer et nettoyer les données
Données réalistes : Utiliser des générateurs (Faker) pour créer des données proches de la production
Versionner les données : Stocker CSV/JSON dans Git avec le code de test
Cas limites : Toujours inclure des cas limites (valeurs nulles, chaînes vides, entiers négatifs)

Conclusion

Le Data-Driven Testing est un multiplicateur de couverture. En séparant données et logique de test, vous réduisez la duplication, facilitez la maintenance et rendez votre suite de tests accessible aux non-développeurs. Commencez simple avec parametrize, puis évoluez vers des sources externes selon la complexité de votre projet.

Approfondissez avec nos formations

Notre formation QA Automation Python couvre le DDT en profondeur : pytest, fixtures avancées, intégration CI/CD.

Voir la formation QA Automation

équipe ADC ? Experts QA & IA

AutomationDataCamp ? Certifiés ISTQB

Experts Python et QA Automation spécialisés en data-driven testing, pytest et pipelines de test robustes. Découvrir l'équipe ?