如何利用Hypothesis生成长度依赖于另一生成参数的列表策略？

嘿，我太懂你现在的困扰了——之前那种先生成最大长度列表再切片的方法，不仅慢得离谱，还触发了Hypothesis的健康检查提示，确实挺闹心的。其实你需要的是复合策略（composite strategies），这正是Hypothesis专门用来处理这种「参数互相依赖」场景的工具！

为什么之前的方法行不通？ #

你之前的思路是先造一个最长的列表再切片，本质上是让Hypothesis生成了大量不符合要求的候选数据，然后手动过滤掉多余部分。这种过滤行为会让Hypothesis做很多无用功：既拖慢了测试速度，又因为大部分生成的数据被丢弃，触发了它的健康检查机制——毕竟它会认为你在浪费生成资源。

正确解法：用@composite定义依赖策略 #

你可以用hypothesis.strategies.composite装饰器创建一个自定义策略，先生成整数x，再根据x的具体值生成长度恰好匹配的列表。这样生成的每一组数据都是完全符合要求的，没有任何过滤操作，自然解决了速度和健康检查的问题。

给你看个具体的代码示例：

from hypothesis import given, strategies as st

# 示例被测函数（和你的需求一致）
def your_target_function(x: int, l: list[float]) -> None:
    assert len(l) == x, "列表长度必须和x相等"

# 定义复合策略
@st.composite
def x_and_matching_length_list(draw):
    # 先生成x，你可以根据需求限定范围，比如正整数1到100
    x = draw(st.integers(min_value=1, max_value=100))
    # 再根据x生成长度严格等于x的float列表
    matching_list = draw(st.lists(st.floats(allow_nan=False), min_size=x, max_size=x))
    return x, matching_list

# 编写单元测试
@given(x_and_matching_length_list())
def test_target_function(x, l):
    your_target_function(x, l)

这个方法的优势一目了然： #

• 无过滤，速度拉满：每一次生成的列表长度都严格匹配x，不需要丢弃任何数据，测试效率直接提升。
• 通过健康检查：因为没有过滤行为，Hypothesis不会再弹出那个烦人的警告。
• 数据更精准：你可以完全控制x的取值范围，以及列表中float的生成规则（比如我上面加了allow_nan=False避免NaN干扰，你可以根据自己的需求调整）。

如果你的x有特殊取值限制（比如只能是偶数），直接在st.integers里做限定就行，复合策略会自动适配生成对应长度的列表。

备注：内容来源于stack exchange，提问作者Simon Peatman