mirror of
https://github.com/LCTT/TranslateProject.git
synced 2024-12-26 21:30:55 +08:00
172 lines
6.7 KiB
Markdown
172 lines
6.7 KiB
Markdown
pydbgen：一个数据库随机生成器
|
||
======
|
||
|
||
> 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
|
||
|
||
`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 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（<ruby>Python 包索引存储库<rt>Python Package Index repository</rt></ruby>）上，并且对 [Faker][3] 有依赖关系。安装 pydbgen 只需要执行命令：
|
||
|
||
```
|
||
pip install pydbgen
|
||
```
|
||
|
||
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 `pydbgen` 之前，首先要初始化 `pydb` 对象。
|
||
|
||
```
|
||
import pydbgen
|
||
from pydbgen import pydbgen
|
||
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 _ in range(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'))
|
||
>>
|
||
New Michelle
|
||
Robinborough
|
||
Leebury
|
||
Kaylatown
|
||
Hamiltonfort
|
||
Lake Christopher
|
||
Hannahstad
|
||
West Adamborough
|
||
```
|
||
|
||
### 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。
|
||
|
||
```
|
||
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 _ in range(10):
|
||
print(myDB.realistic_email('Tirtha Sarkar'))
|
||
>>
|
||
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][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！
|
||
|
||
如果你有任何问题或想法想要分享，都可以通过 [tirthajyoti@gmail.com][4] 与我联系。如果你像我一样对机器学习和数据科学感兴趣，也可以添加我的 [LinkedIn][5] 或在 [Twitter][6] 上关注我。另外，还可以在我的 [GitHub][7] 上找到更多 Python、R 或 MATLAB 的有趣代码和机器学习资源。
|
||
|
||
本文以 [CC BY-SA 4.0][9] 许可在 [Towards Data Science][8] 首发。
|
||
|
||
--------------------------------------------------------------------------------
|
||
|
||
via: https://opensource.com/article/18/11/pydbgen-random-database-table-generator
|
||
|
||
作者：[Tirthajyoti Sarkar][a]
|
||
选题：[lujun9972][b]
|
||
译者：[HankChow](https://github.com/HankChow)
|
||
校对：[wxy](https://github.com/wxy)
|
||
|
||
本文由 [LCTT](https://github.com/LCTT/TranslateProject) 原创编译，[Linux中国](https://linux.cn/) 荣誉推出
|
||
|
||
[a]: https://opensource.com/users/tirthajyoti
|
||
[b]: https://github.com/lujun9972
|
||
[1]: https://github.com/tirthajyoti/pydbgen
|
||
[2]: http://pydbgen.readthedocs.io/en/latest/
|
||
[3]: https://faker.readthedocs.io/en/latest/index.html
|
||
[4]: mailto:tirthajyoti@gmail.com
|
||
[5]: https://www.linkedin.com/in/tirthajyoti-sarkar-2127aa7/
|
||
[6]: https://twitter.com/tirthajyotiS
|
||
[7]: https://github.com/tirthajyoti?tab=repositories
|
||
[8]: https://towardsdatascience.com/introducing-pydbgen-a-random-dataframe-database-table-generator-b5c7bdc84be5
|
||
[9]: https://creativecommons.org/licenses/by-sa/4.0/
|
||
|