python - 使用 Python Faker 包的不同假数据的最大限制

Question

我使用 Python Faker 来生成假数据。但我需要知道使用 faker(例如:fake.name() )可以生成的不同假数据(例如:假名)的最大数量是多少。

我生成了 100,000 个假名，但得到的不同名称不到 76,000 个。我需要知道最大限制，这样我才能知道使用这个包生成数据我们可以扩展多少。

我需要生成庞大的数据集。我也想知道 Php faker, perl faker 对于不同的环境都是一样的吗？

其他用于生成庞大数据集的包将受到高度赞赏。

Answer 1

我遇到了同样的问题并进行了更多调查。

在 en_US 提供程序中，大约有 1000 个姓氏和 750 个名字，用于大约 750000 个独特的组合。如果您随机选择名字和姓氏，您可能会得到重复的名字。但实际上，现实世界就是这样运作的，那里有很多 John Smiths 和 Robert Doyles。

en 配置文件中有 7203 个名字和 473 个姓氏，可以提供一些帮助。 Faker 选择名字和姓氏的组合，这意味着大约有 7203 * 473 = 3407019。

但是，您仍有可能得到重复项。

我通过在名称中添加数字来解决这个问题。

I need to generate huge dataset.

请记住，在现实中，任何庞大的姓名数据集都会有重复项。我处理大型数据集(超过 100 万个名字)，我们看到大量重复的名字和姓氏。

如果您阅读了 faker 包代码，您可能会弄清楚如何修改它以便获得所有 3M 不同的名称。