बनावट एक ओपन सोर्स पायथन पॅकेज आहे जे सिंथेटिक डेटा तयार करतो ज्याचा वापर अनेक गोष्टींसाठी केला जाऊ शकतो, जसे की डेटाबेस पूर्ण करणे, लोड टेस्टिंग, किंवा डेव्हलपमेंट किंवा एमएल हेतूसाठी उत्पादन डेटा अज्ञात करणे. पूर्णपणे यादृच्छिक डेटा तयार करणे ही चांगली निवड नाही. फकरच्या सहाय्याने तुम्ही जनरेशन प्रक्रियेस गती देऊ शकता your तुमच्या विशिष्ट गरजा भागविण्यासाठी डेटा जनरेट करू शकता. फकरने प्रदान केलेले हे सर्वात मोठे मूल्य आहे. हे पॅकेज 23 बिल्ट-इन डेटा प्रदात्यांसह येते, काही इतर प्रदाते समाजातून उपलब्ध आहेत. विद्यमान डेटा प्रदाते डेटा प्रकारांची बहुतेक प्रकरणे कव्हर करतात, परंतु समर्पित प्रदाता चालवून व्युत्पन्न केलेला डेटा अधिक अर्थपूर्ण बनवणे शक्य आहे.

फकर पायथन 3.6+ ला समर्थन देते – हे PyPI किंवा Anaconda द्वारे स्थापनेसाठी उपलब्ध आहे.

येथे एका कोडचे उदाहरण आहे जे दर्शवते की वैयक्तिक प्रदात्याची अंमलबजावणी कशी करायची ते कृत्रिम डेटा तयार करण्यासाठी या कागल संरचनेच्या मर्यादांनंतर. डेटा सेट CS त्यांना CSV फायलींमध्ये जतन करा.

नमुना संचामध्ये वापरकर्ता प्रोफाइल माहिती आहे – 19 कार्ये आहेत. साधेपणासाठी, मी त्यापैकी फक्त 10 चा विचार करणार आहे.

  • userID: “U” ने सुरू होते त्यानंतर 4 अंक
  • रुंदी दशांश संख्या -90, 90 अंश
  • लांबी दशांश संख्या -180, 180 अंशांच्या आत
  • धूम्रपान करणारा ते खरे किंवा खोटे असू शकते
  • drink_level. विनम्र, अनौपचारिक मद्यपान करणारा किंवा सामाजिक मद्यपान करणारा
  • ड्रेस_प्राधान्य: प्राधान्य नाही, औपचारिक किंवा अनौपचारिक
  • वातावरण. एकटे, कुटुंब किंवा मित्र
  • वाहतूक: पायी, कार मालक किंवा सार्वजनिक
  • वैवाहिक स्थिती: अविवाहित, विवाहित किंवा विधवा
  • हिजू: स्वतंत्र, आश्रित किंवा मुले

पायथन कोड जो या फंक्शन्ससाठी खोटा डेटा तयार करू शकतो तो खालीलप्रमाणे आहे:

हे अंगभूत Faker प्रदाता ines नेहमीच्या सह एकत्र करते. हे: बनावट एक धडा तयार करतो “आद्याक्षरे बनावट जनरेटर”
पुरवठादारांना डेटा निर्मिती प्रसारित करते.

वरील कोड कार्यान्वित केल्यानंतर तयार केलेल्या डेटाचे उदाहरण येथे आहे.

फकर लोकॅलायझेशनला समर्थन देते (अनेक डेटा कनेक्शन कार्ये) the कमांड लाइनमधून करता येते: बनावट आज्ञा.

निश्चितपणे वापरण्यासारखे साधन. हे कित्येक महिन्यांपासून माझ्या և Python आर्सेनलचा संघ आहे.