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。
要点速览
- Faker 可以按区域设置生成假数据。vi_VN 自带越南地址 provider,还有公司、职业和汽车相关的 provider。
- 种子相同、方法相同、Faker 版本相同,输出就相同。不同补丁版本之间不保证一致,所以要锁定版本。
- 假数据只是权宜之计。一份 FDE 岗位描述样例写明要在客户的系统里、用客户的数据工作,并提醒警惕只能在宽松沙箱里跑通的演示,因为生产环境没有这样的沙箱。
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:
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。
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。
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。
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。
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。
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。
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。
这篇文章对你有帮助吗?
感谢你的反馈!