Daten-Generator-Werkzeug

Zweck & Benutzerintention: Das Tool erzeugt strukturierte synthetische Datensätze für Tests, Entwicklung und QA-Arbeitsabläufe, ohne echte Benutzerdaten offenzulegen. Hauptnutzer sind Softwareentwickler, Data Engineers, Data Scientists und QA-Ingenieure, die wiederholbare Muster benötigen, die einem definierten Schema entsprechen. Es wird verwendet, um Datenpipelines zu validieren, Verarbeitungsgeschwindigkeiten zu benchmarken oder Testumgebungen mit realistischen, aber nicht-produktiven Daten zu versehen. Annahmen beinhalten ein bereitgestelltes Ziel-Schema und eine gewünschte Datensatzgröße. Core Logic & Features: Das Tool akzeptiert ein Schema (Feldname, Datentyp, Einschränkungen) und eine Zielgröße, und erzeugt einen Datensatz, der Typregeln und Verteilungssteuerungen respektiert. Erforderliche Funktionen: Schema-Parsing, Feld-Einschränkungen, reproduzierbares Seed, Exportformate. Optional/fortgeschrittene Funktionen: pro-Feld benutzerdefinierte Generatoren, Feld-zu-Feld-Abhängigkeiten, Datenschutzoptionen (deterministische Hashing für Identifikatoren, Anonymisierungs-Modi), Verteilungsprofile (gleichmäßig, normal, kategorial) und Mehrfach-Exportformate (CSV, JSON, SQL). Unterstützt gängige Datentypen und ermöglicht locale-abhängige Formatierung. Inputs & Outputs: Eingaben umfassen Schema (strukturiertes Objekt), Größe (Ganzzahl), Verteilung (vordefinierte Einstellungen), Seed (Ganzzahl, optional) und output_format (CSV/JSON/SQL). Ausgaben sind eine Dataset-Datei und eine Metadaten-Zusammenfassung (Feldtypen, Häufigkeiten, verwendete Verteilungen). Beispielzeilen können zur schnellen Validierung erzeugt werden. Algorithmen & Berechnungen: Generierung verwendet seeded Pseudozufallszahlen, um Reproduzierbarkeit sicherzustellen. Für jeden Feldtyp gelten: Ganzzahlen mit min/max, Fließkommazahlen mit Genauigkeit, Zeichenketten über Buchstaben und Längen, Datumsangaben innerhalb eines Bereichs, Booleans nach Wahrscheinlichkeit, und Aufzählungen nach gewichteten Wahrscheinlichkeiten. Datenschutzschützende Schritte umfassen deterministische Hashing für Identifikatoren, falls aktiviert, sowie optionale Anonymisierungsmodi. Abhängigkeiten zwischen Feldern werden durch Abhängigkeitsregeln ausgedrückt, falls angegeben. Error & Edge Cases: Ungültiges oder fehlendes Schema, nicht unterstützte Typen, null oder negative Größe, widersprüchliche Einschränkungen oder fehlende externe Vorlagen werden durch klare Datenmodell-Validierungen behandelt. Große Größen können Streaming- oder chunked-Schreibvorgänge verwenden, um Speicherverbrauch zu begrenzen. Unvereinbare Verteilungen oder ungültige Seeds erzeugen deterministische Defaults. Industry/Region & Localization: Unterstützt länderspezifische Formate (Datum und Zahlen), Zeitzonen und Währungen, falls in Feldern enthalten. Entspricht Datenschutzrichtlinien, sofern anwendbar, und erlaubt regionale Einschränkungen pro Schema. Assumptions & Exclusions: Geht von synthetischen Datensätzen aus; schließt Live-Produktionsdaten, direkte Ableitung realer Nutzer oder Garantien der Rechtskonformität aus. Externe Datenquellen sind optional; Binärfelder werden nicht erzeugt, sofern nicht angegeben.