Datengenerierungstool

Das Data Generation Tool erstellt synthetische Datensätze basierend auf einem vom Benutzer definierten Schema, um Tests, Benchmarking und datenschutzfreundliche Workflows zu unterstützen. Zielgruppen sind Entwickler, Data Scientists, QA-Ingenieure und Plattform-Teams, die wiederholbar realistisch wirkende Daten benötigen, ohne echte Datensätze offenzulegen. Die Reproduzierbarkeit wird durch eine vom Nutzer festgelegte Seed gewährleistet, die identische Ausgaben über Durchläufe sicherstellt.
Kernfunktionen umfassen schema-gesteuerte Felddefinitionen (Name, Typ, erforderlich/optional); pro-Feld-Verteilungen (Normalverteilung, Gleichverteilung, Lognormal, Kategorisch, Fest); Einschränkungen (Bereiche, Längen, Einzigartigkeit); optionale Nullraten und einfache Feldkorrelationen; Seeds zur Reproduzierbarkeit; mehrere Outputs (CSV, JSON, Parquet). Fortgeschrittene Optionen ermöglichen feste Werte, zeitliche Sequenzen und leichte referenzielle Regeln. Erforderliche Eingaben sind Schema und Stichprobengröße; optionale Erweiterungen umfassen Seed, Nullrate und Korrelations-Einstellungen.
Die Eingaben erzeugen strukturierte Daten, die ETL, Analytik, ML-Modelltests und QA-Checks dienen; Ausgaben umfassen den Datensatz und Metadaten, die Verteilungen und Einschränkungen beschreiben. Das Tool nutzt per-Feld stochastische Stichproben, erzwingt Constraints und optionale Korrelationen; numerische Felder verwenden Standardverteilungen, kategorische Felder gewichtete Auswahlmöglichkeiten, und Strings können aus Vorlagen oder Kategorien generiert werden. Nullwerte respektieren die konfigurierte Nullrate, und das Ausgabeformat entspricht dem gewählten Format mit lokalisierungsneutraler numerischer Darstellung.