用这个简单的工具生成带有多表的大型数据库,让你更好地用 SQL 研究数据科学。
-- Tirthajyoti Sarkar
致谢
编译自 |
https://opensource.com/article/18/11/pydbgen-random-database-table-generator
作者 | Tirthajyoti Sarkar
译者 | Hank Chow (HankChow) 共计翻译:29.0篇 贡献时间:353 天
用这个简单的工具生成带有多表的大型数据库,让你更好地用 SQL 研究数据科学。
在研究数据科学的过程中,最麻烦的往往不是算法或者技术,而是如何获取到一批原始数据。尽管网上有很多真实优质的数据集可以用于机器学习,然而在学习 SQL 时却不是如此。
对于数据科学来说,熟悉 SQL 的重要性不亚于了解 Python 或 R 编程。如果想收集诸如姓名、年龄、信用卡信息、地址这些信息用于机器学习任务,在 Kaggle 上查找专门的数据集比使用足够大的真实数据库要容易得多。
如果有一个简单的工具或库来帮助你生成一个大型数据库,表里还存放着大量你需要的数据,岂不美哉?
不仅仅是数据科学的入门者,即使是经验丰富的软件测试人员也会需要这样一个简单的工具,只需编写几行代码,就可以通过随机(但是是假随机)生成任意数量但有意义的数据集。
因此,我要推荐这个名为pydbgen
[1]
的轻量级 Python 库。在后文中,我会简要说明这个库的相关内容,你也可以阅读它的文档
[2]
详细了解更多信息。
pydbgen 是什么
是一个轻量的纯 Python 库,它可以用于生成随机但有意义的数据记录(包括姓名、地址、信用卡号、日期、时间、公司名称、职位、车牌号等等),存放在 Pandas Dataframe 对象中,并保存到 SQLite 数据库或 Excel 文件。
如何安装 pydbgen
目前 1.0.5 版本的 pydbgen 托管在 PyPI(Python 包索引存储库Python Package Index repository)上,并且对Faker
[3]
有依赖关系。安装 pydbgen 只需要执行命令:
已经在 Python 3.6 环境下测试安装成功,但在 Python 2 环境下无法正常安装。
如何使用 pydbgen
在使用 之前,首先要初始化 对象。
随后就可以调用 对象公开的各种内部函数了。可以按照下面的例子,输出随机的美国城市和车牌号码:
另外,如果你输入的是 而不是 ,返回的将会是虚构的城市名。
生成随机的 Pandas Dataframe
你可以指定生成数据的数量和种类,但需要注意的是,返回结果均为字符串或文本类型。
最终产生的 Dataframe 类似下图所示。
生成数据库表
你也可以指定生成数据的数量和种类,而返回结果是数据库中的文本或者变长字符串类型。在生成过程中,你可以指定对应的数据库文件名和表名。
上面的例子种生成了一个能被 MySQL 和 SQLite 支持的 文件。下图则显示了这个文件中的数据表在 SQLite 可视化客户端中打开的画面。
生成 Excel 文件
和上面的其它示例类似,下面的代码可以生成一个具有随机数据的 Excel 文件。值得一提的是,通过将 参数设为 ,可以生成较长较复杂的电话号码。如果你想要提高自己在数据提取方面的能力,不妨尝试一下这个功能。
最终的结果类似下图所示:
生成随机电子邮箱地址
内置了一个 方法,它基于种子来生成随机的电子邮箱地址。如果你不想在网络上使用真实的电子邮箱地址时,这个功能可以派上用场。
未来的改进和用户贡献
目前的版本中并不完美。如果你发现了 pydbgen 的 bug 导致它在运行期间发生崩溃,请向我反馈。如果你打算对这个项目贡献代码,也随时欢迎你
[1]
。当然现在也还有很多改进的方向:
◈ pydbgen 作为随机数据生成器,可以集成一些机器学习或统计建模的功能吗?
◈ pydbgen 是否会添加可视化功能?
一切皆有可能!
本文以CC BY-SA 4.0
[8]
许可在Towards Data Science
[9]
首发。
via:https://opensource.com/article/18/11/pydbgen-random-database-table-generator
作者:Tirthajyoti Sarkar
[11]
选题:lujun9972译者:HankChow校对:wxy
本文由LCTT原创编译,Linux中国荣誉推出
领取专属 10元无门槛券
私享最新 技术干货