SQL或数据科学领域的初学者通常会很难轻易访问大型示例数据库文件（.DB或.sqlite）来练习SQL命令。那么用一个简单的工具或库来生成一个包含多个表的，并且用自己选择的数据填充的大型数据库会不会很好？

当你开始学习和实践数据科学时，通常最担心的不是算法或技术，而是原始数据的可用性。幸运的是，网上有许多高质量的真实数据库可用于尝试学习热门机器学习技巧。但是，从我个人的经验来看从个人经验来讲，我发现学习SQL并不是这样。现在，对于数据科学领域来说，掌握SQL的基础知识与知道如何使用Python或R编写代码几乎同等重要。但是，访问存有真实数据的足够大的数据库（例如名称，年龄，信用卡，SSN，地址，生日等）并不像访问Kaggle上的玩具数据集一样常见，这些数据集是为机器学习的任务专门设计或策划的。

用一个简单的工具或库来生成一个包含多个表的，并且用自己选择的数据填充的大型数据库会不会很好？

除了数据科学领域的初学者，即使经验丰富的软件测试人员也可能发现使用简单的工具很有用，只需几行代码，他们就可以任意生成包含随机（假）而且有意义的条目的大型数据集。

我很高兴能介绍一个轻量级的Python库，即pydbgen。你可以在这里阅读了解关于软件包的详细信息。（链接：http://pydbgen.readthedocs. Io /en /latest/#）我将在短文中回顾类似的细节。

pydbgen究竟是什么？

它是一个轻量级的纯python库，用于生成随机有用的条目（例如名称，地址，信用卡号码，日期，时间，公司名称，职位名称，车牌号码等），并将其保存在Pandas数据框对象中，或者作为数据库文件中的SQLite表格或MS Excel文件。

如何安装？

它（当前版本为1.0.5）是托管在PyPI（Python Package Index repository）上的。请记住你需要提前安装Faker（链接：https://faker.readthedocs.io/en/latest/index.html）来完成这项工作。所以，只需键入:

pip install pydbgen

请注意，它目前仅在Python 3.6上进行了测试。它不适用于Python 2的安装。

如何使用？

你必须创建一个pydb对象才能开始使用它。

import pydbgen

from pydbgen import pydbgen

myDB=pydbgen.pydb()

然后，你可以访问由pydbobject公开的各种内部函数。例如，要打印随机的美国城市:

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

如果你只是写'city'而不是'city_real'，你会得到虚构的城市名称

print(myDB.gen_data_series(num=8,data_type='city'))

>>

New Michelle

Robinborough

Leebury

Kaylatown

Hamiltonfort

Lake Christopher

Hannahstad

West Adamborough

如何生成一个带有随机条目的Pandas数据框？

你可以选择要生成的数量和数据类型。请注意，所有内容都以string/texts形式返回。

testdf=myDB.gen_dataframe(5,['name','city','phone','date'])

testdf

如何生成数据库表？

你可以选择要生成数据的数量和类型。请注意，所有内容都以数据库的text/ VARCHAR所有数据类型返回所有数据都以text/ VARCHAR类型返回数据库。你可以指定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'])

这会生成一个可用于MySQL或SQLite数据库服务器的.DB文件。 生成的数据库表在SQLite数据库浏览器中打开。

如何生成Excel文件？

与上面类似，只需使用以下代码生成随机数据的Excel文件即可。 请注意，'simple_phone'集被设置为False，因此会生成复杂的长型电话号码。这样可以方便试验更多涉及数据提取的代码！

myDB.gen_excel(num=20,fields=['name','phone','time','country'],

phone_simple=False,filename='TestExcel.xlsx')

用一种很酷的方法生成随机emailIDs以便废物利用?

pydbgen中一种内置方法是realistic_email，它从种子名称中生成随机电子邮件IDs。你能想到在网络上使用这个吗?你不想给出真实的电子邮件ID，但是可以给出一个相似的?

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

当前版本是1.0.5，可能包含许多bug。如果你在执行过程中注意到任何bug或者你的程序崩溃(除了你的错误输入)，请告诉我。另外，如果你有一个很酷的想法来为源代码做贡献，Github repo（链接：https://github.com/tirthajyoti/pydbgen）将为你打开。有一些问题很容易想到：

• 我们可以将机器学习/统计建模和这个随机数据生成器集成吗？

• 可视化功能可以被添加到发生器中吗？

所有的可能性是无穷无尽且令人激动万分的……

如果你有任何问题或想法可以分享，请通过tirthajyoti[AT]gmail.com联系作者。你也可以在Python，R或MATLAB以及机器学习资源中查找作者的GitHub存储库（链接：https://github.com/tirthajyoti?tab=repositories）以获取其他有趣的代码片段。 如果你像我一样热衷于机器学习/数据科学，请随时在LinkedIn上添加我（链接：https://www.linkedin.com/in/tirthajyoti-sarkar-2127aa7/）或在Twitter上关注我（链接：https://twitter.com/tirthajyotiS）。

原文链接：https://www.codementor.io/tirthajyotisarkar/introducing-pydbgen-a-random-dataframe-database-table-generator-hi6i65h46

译者简介

王婷,南京理工大学在读研究生，爱笑得有眼角鱼尾纹的运气不赖的女生。不喜欢呆板、教条、无聊，喜欢接触新事物，参加新活动，融入新环境，结交新朋友，互相学习，取长补短。

翻译组招募信息

工作内容：需要一颗细致的心，将选取好的外文文章翻译成流畅的中文。如果你是数据科学/统计学/计算机类的留学生，或在海外从事相关工作，或对自己外语水平有信心的朋友欢迎加入翻译小组。

你能得到：定期的翻译培训提高志愿者的翻译水平，提高对于数据科学前沿的认知，海外的朋友可以和国内技术应用发展保持联系，THU数据派产学研的背景为志愿者带来好的发展机遇。

其他福利：来自于名企的数据科学工作者，北大清华以及海外等名校学生他们都将成为你在翻译小组的伙伴。

点击文末“阅读原文”加入数据派团队~

转载须知

如需转载，请在开篇显著位置注明作者和出处（转自：数据派ID：datapi），并在文章结尾放置数据派醒目二维码。有原创标识文章，请发送【文章名称-待授权公众号名称及ID】至联系邮箱，申请白名单授权并按要求编辑。

发布后请将链接反馈至联系邮箱（见下方）。未经许可的转载以及改编者，我们将依法追究其法律责任。