# 拿不到客户数据？用越南语假数据搭好周五的演示

> 一个设定种子的 Python 脚本，把等数据库权限的一周变成数百条逼真的客户和订单，且每次运行结果一致。

原文: https://fdetimes.net/zh/guides/fake-vietnamese-demo-data-python-faker/

设想你在客户现场的第一周。合同已经签了，启动会也开完了，但数据库权限还在等安全团队审批。与此同时，客户的项目负责人希望本周五就看到一个能跑的演示。

这种情况很常见：手里有描述 schema 的文档，却连一行数据都没有。干等，就浪费一周；用几行手敲的“Nguyen Van A”搭演示，客户一眼就能看出这是个玩具。

本指南介绍第三种做法：用 Python 和 Faker 生成几百个带越南风格姓名、地址和公司的客户，而且每次运行得到的数据集完全相同。你只需要 Python 3、pip 和一个终端。

## 要做出什么？

最终产出是一个脚本 `sinh_du_lieu.py`，它会写出两个文件：`khach_hang.csv`（客户）和 `don_hang.csv`（订单）。假设场景是一家零售连锁企业，想要一个按客户统计营收的仪表盘。这个例子为教学做了简化，客户真实的 schema 肯定会有更多列。

根据官方文档，Faker 是一个用于生成假数据的 Python 包。项目 README 列出的用途包括初始化数据库、压力测试以及对生产数据做匿名化。等真实数据期间搭的演示属于第一类。

## 第 1 步：安装并记下版本

为这个演示单独创建一个 virtualenv，然后安装 Faker：

```bash
pip install Faker
pip show Faker
```

**检查：**`pip show` 应输出一行 `Version:`。把这个版本号按 `Faker==<你看到的版本>` 的格式写进 `requirements.txt`。原因在第 3 步就会清楚，而这恰恰是新手最常跳过的一步。

## 第 2 步：数据得像越南的

可以给 `Faker` 传入一个区域设置（locale），得到特定地区的数据。客户在越南，就用 `vi_VN`。该区域设置的文档页面里有越南地址的 provider，还有公司、职业和汽车相关的 provider。

```python
from faker import Faker

fake = Faker("vi_VN")
print(fake.name())
print(fake.address())
print(fake.company())
print(fake.job())
```

**检查：**打印出的姓名和地址应是带声调符号的越南语。如果看到的是美式姓名，可能是忘了传区域设置，或者代码别处又初始化了另一个 `fake` 变量。

这听起来是小事，却会左右听众的反应。销售经理在仪表盘上看到熟悉的客户姓名和地址，会去讨论数字；看到“John Smith, Springfield”，就会去讨论这个演示有多怪。

## 第 3 步：设定种子，让周五的演示和周四一样

周四晚上你试跑了一遍，看到排名第一的客户营收数字很漂亮，就提前给客户发了截图。周五早上再跑一次，排第一的客户换了人。对演示来说，这是严重事故。

Faker 有一个 `seed()` 方法，用来为共享的随机数生成器设定种子。README 写道，种子相同、方法相同、Faker 版本相同，结果就相同。README 也明确说明，不同补丁版本之间不保证结果一致，这正是第 1 步要求锁定版本的原因。

```python
import random
from faker import Faker

Faker.seed(2026)
random.seed(2026)
fake = Faker("vi_VN")
```

这里同时设定了 `random.seed`，因为下文的订单金额用的是 Python 的 `random` 模块。Python 文档指出，只要没有多个线程同时运行，复用同一个种子值就能在多次运行中复现相同的序列。

**检查：**把脚本运行两次，用 `diff` 比较输出文件。如果没有任何行不同，就完成了。

## 第 4 步：避免邮箱和 ID 重复

随机数据偶尔会出现重复。姓名列重复无所谓；但在键列里，比如登录邮箱或订单 ID，重复会导致关联（join）出错，甚至让演示当着客户的面崩掉。

Faker 类的文档说明，通过 `.unique` 属性调用 provider，可以保证返回值不重复。需要从头重新生成时，用 `fake.unique.clear()` 清空记录。

```python
emails = [fake.unique.email() for _ in range(300)]
fake.unique.clear()
```

**检查：**`len(set(emails)) == len(emails)` 应返回 `True`。

## 第 5 步：完整脚本

把前面几步拼起来。下面是简化版：客户 ID 按顺序编号，金额是随机整数，暂时没有季节性分布。

```python
import csv
import random
from faker import Faker

Faker.seed(2026)
random.seed(2026)
fake = Faker("vi_VN")

khach = []
for i in range(1, 301):
    khach.append({
        "ma_kh": f"KH{i:04d}",
        "ho_ten": fake.name(),
        "email": fake.unique.email(),
        "dia_chi": fake.address(),
        "cong_ty": fake.company(),
    })

with open("khach_hang.csv", "w", newline="", encoding="utf-8") as f:
    w = csv.DictWriter(f, fieldnames=khach[0].keys())
    w.writeheader()
    w.writerows(khach)

with open("don_hang.csv", "w", newline="", encoding="utf-8") as f:
    w = csv.writer(f)
    w.writerow(["ma_don", "ma_kh", "so_tien"])
    for j in range(1, 2001):
        kh = random.choice(khach)["ma_kh"]
        w.writerow([f"DH{j:05d}", kh, random.randint(50, 5000) * 1000])
```

**检查：**在准备用来演示的仪表盘工具里打开这两个文件，按 `ma_kh`（客户 ID）做关联。每笔订单都应能匹配到一个客户。

还有一个变体值得了解。如果客户群里有一部分是外国人，Faker 文档允许传入一个带权重的 `OrderedDict` 来按比例混合多个区域设置，例如 `OrderedDict([("vi_VN", 0.8), ("en_US", 0.2)])`。这里的比例只是示例，实际请用客户给的数字。

## 让假数据演示适得其反的三个错误

第一个错误是不锁定版本。同事重建环境时装上了更新的补丁版本，“同一个种子”就不再生成同样的数据。第二个错误是用 `random` 模块生成 token、密码或任何与安全相关的东西。Python 文档明确指出，该模块不适用于安全用途。

第三个错误更隐蔽：列名随手起。如果客户的 schema 文档写的是 `CUST_ID`，就严格叫 `CUST_ID`。这样等拿到权限那天，你只需要换数据源，而不必把数据管道和仪表盘都返工一遍。

## 练习：亲手把数据弄脏

自己生成的数据干净得可疑。为了养成从真实数据角度思考的习惯，在写出 `khach_hang.csv` 之前插入下面这段代码。这是一个简化模拟：5% 的比例是假设值，`CUST_ID` 沿用上文的 schema 示例。

```python
for kh in khach:
    kh["CUST_ID"] = kh.pop("ma_kh")
    if random.random() < 0.05:
        kh["email"] = ""
```

记得把生成订单部分里的 `ma_kh` 也改成 `CUST_ID`，关联才能继续生效。由于 `random` 已设定种子，被清空邮箱的那些行每次运行都相同。

**检查：**重新打开仪表盘。如果邮箱为空时有图表报错或计数出错，你就提前发现了一个在接触真实数据前必须修的问题。

**要点:** 假数据能带你走到第一次演示，但走不到项目终点。

## 假数据何时不再有用？

一份 2026 年的前线部署工程师（FDE）岗位描述样例写道，入职者将服务一到三个客户，在客户的系统里、用客户的数据工作。它还点出了一种失败模式：演示只能在宽松的沙箱里跑通，而生产环境并没有这样的沙箱。

所以，把这份假数据集当作迟早要丢掉的东西。它能让客户看到产品的形态，也能让你测试关联和聚合逻辑。

但它无法告诉你真实数据有多脏、空值有多少、权限会卡在哪里。演示时要明确说明数据是合成的，然后就在同一场会议上申请一小份真实数据样本的读取权限。

看岗位描述时，如果岗位写明要在客户的系统里、用客户的数据工作，就准备一个故事，讲讲拿到权限之前你是怎么应对的，因为面试官很可能会问。

简历上不要含糊地写“熟悉 Faker”，而要写：基于可复现的合成数据搭建演示，严格遵循客户的 schema，之后用了多少天切换到真实数据。

在客户现场最受重视的，不是假数据集做得最漂亮的人，而是最早把它删掉的人。

**本周动手试试:**

- 用固定种子运行本文的示例脚本，运行两次，再用 diff 比较两个 CSV 文件，确认输出完全一致
- 针对你熟悉的领域（零售、物流、银行）改写脚本，列名严格沿用客户发来的 schema 文档
- 在简历或 GitHub README 中加一行：在等待真实数据权限期间，基于可复现的合成数据搭建了演示

## 信源

- [Faker documentation](https://faker.readthedocs.io/en/master/)

- [Faker locale vi_VN providers](https://faker.readthedocs.io/en/master/locales/vi_VN.html)

- [joke2k/faker (README)](https://github.com/joke2k/faker)

- [Faker class documentation](https://faker.readthedocs.io/en/master/fakerclass.html)

- [random — Generate pseudo-random numbers (Python docs)](https://docs.python.org/3/library/random.html)

- [Forward Deployed Engineer Job Description (2026 Template)](https://vallettasoftware.com/blog/post/forward-deployed-engineer-job-description)
