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详细了解更多信息。
pydbgen是什么
pydbgen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PandasDataframe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PythonPackageIndexrepository)上,并且对Faker有依赖关系。安装pydbgen只需要执行命令:
pipinstallpydbgen |
已经在Python3.6环境下测试安装成功,但在Python2环境下无法正常安装。
如何使用pydbgen
在使用pydbgen之前,首先要初始化pydb对象。
importpydbgen frompydbgenimportpydbgen myDB=pydbgen.pydb() |
随后就可以调用pydb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:
myDB.city_real() >>'Otterville' for_inrange(10): print(myDB.license_plate()) >>8NVX937 6YZH485 XBY-564 SCG-2185 XMR-158 6OZZ231 CJN-850 SBL-4272 TPY-658 SZL-0934 |
另外,如果你输入的是city()而不是city_real(),返回的将会是虚构的城市名。
print(myDB.gen_data_series(num=8,data_type='city')) >> NewMichelle Robinborough Leebury Kaylatown Hamiltonfort LakeChristopher Hannahstad WestAdamborough |
生成随机的PandasDataframe
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。
testdf=myDB.gen_dataframe(5,['name','city','phone','date']) testdf |
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。
myDB.gen_table(db_file='Testdb.DB',table_name='People', fields=['name','city','street_address','email']) |
上面的例子种生成了一个能被MySQL和SQLite支持的.db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phone_simple参数设为False,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。
myDB.gen_excel(num=20,fields=['name','phone','time','country'], phone_simple=False,filename='TestExcel.xlsx') |
最终的结果类似下图所示:
生成随机电子邮箱地址
pydbgen内置了一个realistic_email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。
for_inrange(10): print(myDB.realistic_email('TirthaSarkar')) >> Tirtha_Sarkar@gmail.com Sarkar.Tirtha@outlook.com Tirtha_S48@verizon.com Tirtha_Sarkar62@yahoo.com Tirtha.S46@yandex.com Tirtha.S@att.com Sarkar.Tirtha60@gmail.com TirthaSarkar@zoho.com Sarkar.Tirtha@protonmail.com Tirtha.S@comcast.net |
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。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!
上文内容不用于商业目的,如涉及知识产权问题,请权利人联系博为峰小编(021-64471599-8017),我们将立即处理。