10.02.2023 в 15:52

Как сгенерировать тестовые данные для вашего проекта базы данных с помощью Python

Если вам нужны тестовые данные для базы данных вашего проекта, вы можете получить набор данных из Kaggle или воспользоваться генератором данных. В первом случае, если вам нужно обработать данные перед вставкой их в базу данных, вы можете использовать Pandas, широко используемую библиотеку Python для анализа данных. Эта библиотека поддерживает различные форматы, включая CSV и JSON, а также предоставляет метод вставки данных в базу данных SQL.

Если вы выберете вместо этого генератор данных, вы можете найти его для MySQL в одном из репозиториев нашей учетной записи Percona Lab на GitHub. Используете ли вы другие технологии баз данных? Вы можете следовать руководствам, где объяснено, как создать свой собственный генератор данных для MySQL (он может работать для PostgreSQL) и MongoDB.

Если вы создаете свой собственный генератор данных, вы должны следовать этому процессу:

Генерация поддельных данных с помощью Faker
Хранение сгенерированных данных во фрейме данных Pandas
Установление соединения с вашей базой данных
Вставка содержимого DataFrame в базу данных

Зависимости

Убедитесь, что все зависимости установлены перед созданием скрипта Python, который будет генерировать данные для вашего проекта.

Вы можете создать requirements.txt файл со следующим содержимым:

pandas
tqdm
faker

Или, если вы используете Anaconda, создайте файл environment.yml:

name: percona
dependencies:
  - python=3.10
  - pandas
  - tqdm
  - faker

Вы можете изменить версию Python, поскольку было доказано, что этот скрипт работает с этими версиями Python: 3.7, 3.8, 3.9, 3.10 и 3.11.

В зависимости от используемой вами технологии базы данных вы должны добавить соответствующий пакет в свой requirements.txt или файл environment.yml:

MySQL → PyMySQL
PostgreSQL → psycopg2
MongoDB → pymongo

Запустите следующую команду, если вы используете pip:

pip install -r requirements.txt

Или выполните следующую инструкцию для настройки среды проекта при использовании Anaconda:

conda env create -f environment.yml

База данных

Теперь, когда у вас установлены зависимости, вы должны создать базу данных с именем company для MySQL или PostgreSQL.

Войдите в MySQL:

$ mysql -u root -p

Замените root на ваше имя пользователя, если необходимо, и замените localhost на IP-адрес или URL-адрес вашего экземпляра сервера MySQL, если необходимо.

Или войдите в PostgreSQL:

$ sudo su postgres
$ psql

и создайте базу данных company:

create database company;

Вам не нужно предварительно создавать базу данных MongoDB.

Создание кадра данных Pandas

Перед созданием скрипта важно знать, что нам необходимо реализовать многопроцессорную обработку для оптимизации времени выполнения скрипта.

Многопроцессорность - это способ использовать преимущества процессорных ядер, доступных на компьютере, на котором запущен скрипт. В Python использование одного процессора вызвано глобальной блокировкой интерпретатора, которая позволяет только одному потоку выполнять интерпретатор Python в любой момент времени. При многопроцессорной обработке вся рабочая нагрузка распределяется на каждое доступное ядро процессора.

Теперь давайте начнем создавать наш собственный генератор данных. Во-первых, необходимо создать каталог modules, а внутри каталога мы создадим модуль с именем dataframe.py. Этот модуль позже будет импортирован в наш основной скрипт, и именно здесь мы определяем метод, который будет генерировать данные.

Вам необходимо импортировать необходимые библиотеки и методы:

from multiprocessing import cpu_count
import pandas as pd
from tqdm import tqdm
from faker import Faker

pandas. Данные, сгенерированные с помощью Faker, будут сохранены в фрейме данных Pandas перед импортом в базу данных.
tqdm(). Этот метод необходим для добавления индикатора выполнения, показывающего ход создания DataFrame.
Faker(). Это генератор из библиотеки faker.
cpu_count(). Это метод из модуля многопроцессорной обработки, который вернет количество доступных ядер.

Затем будет создан и инициализирован генератор подделок путем вызова метода Faker(). Это необходимо для генерации данных путем доступа к свойствам в библиотеке Faker.

И мы определяем количество доступных ядер процессора, вызывая метод cpu_count() и присваивая это значение num_cores variable.

fake = Faker()
num_cores = cpu_count() - 1

num_cores — это переменная, в которой хранится значение, возвращаемое после вызова метода cpu_count(). Используем все ядра минус одно, чтобы не зависал компьютер.

def create_dataframe(arg):
    x = int(60000/num_cores)
    data = pd.DataFrame()
    for i in tqdm(range(x), desc='Creating DataFrame'):
        data.loc[i, 'first_name'] = fake.first_name()
        data.loc[i, 'last_name'] = fake.last_name()
        data.loc[i, 'job'] = fake.job()
        data.loc[i, 'company'] = fake.company()
        data.loc[i, 'address'] = fake.address()
        data.loc[i, 'city'] = fake.city()
        data.loc[i, 'country'] = fake.country()
        data.loc[i, 'email'] = fake.email()
    return data

Затем мы определяем функцию create_dataframe(), где:

x — это переменная, которая будет определять количество итераций цикла for, в котором создается DataFrame.
data — это пустой DataFrame, который позже будет заполнен данными, сгенерированными с помощью Faker.
Атрибут Pandas DataFrame.loc обеспечивает доступ к группе строк и столбцов по их меткам. На каждой итерации в DataFrame добавляется строка данных, и этот атрибут позволяет присваивать значения каждому столбцу.

DataFrame, созданный после вызова этой функции, будет иметь следующие столбцы:

 #   Column      Non-Null Count  Dtype
---  ------      --------------  -----
 0   first_name  60000 non-null  object
 1   last_name   60000 non-null  object
 2   job         60000 non-null  object
 3   company     60000 non-null  object
 4   address     60000 non-null  object
 5   country     60000 non-null  object
 6   city        60000 non-null  object
 7   email       60000 non-null  object

Примечание. Скрипт генерирует 60 тысяч записей, но его можно адаптировать к вашему проекту, вы можете изменить это значение в переменной x.

Подключение к базе данных

MySQL и PostgreSQL

Перед вставкой данных, ранее сгенерированных с помощью Faker, нам необходимо установить соединение с базой данных, и для этого будет использоваться библиотека SQLAlchemy.

SQLAlchemy — это набор инструментов Python SQL и Object Relational Mapper, который дает разработчикам приложений всю мощь и гибкость SQL.

from sqlalchemy import create_engine
from sqlalchemy.orm import sessionmaker

engine = create_engine("mysql+pymysql://user:password@localhost/company")
Session = sessionmaker(bind=engine)

Из SQLAlchemy мы импортируем методы create_engine() и sessionmaker(). Первый предназначен для подключения к базе данных, а второй — для создания привязки сеанса к объекту движка.

Не забудьте заменить user, password и localhost своими данными аутентификации. Сохраните этот код в каталоге modules и назовите его base.py.

Для PostgreSQL замените:

engine = create_engine("mysql+pymysql://user:password@localhost/company")

С:

engine = create_engine("postgresql+psycopg2://user:password@localhost:5432/company")

Определение схемы базы данных

Для MySQL и PostgreSQL схема базы данных может быть определена с помощью Schema Definition Language, предоставляемого SQLAlchemy, но, поскольку мы создаем только одну таблицу и импортируем DataFrame, вызывая метод Pandas to_sql(), в этом нет необходимости.

При вызове метода Pandas to_sql() мы определяем схему следующим образом:

from sqlalchemy.types import *
schema = {
    "first_name": String(50),
    "last_name": String(50),
    "job": String(100),
    "company": String(100),
    "address": String(200),
    "city": String(100),
    "country" String(100),
    "email": String(50)
}

Затем мы передаем переменную schema в качестве параметра этому методу.

Сохраните этот код в каталоге modules под именем schema.py.

MongoDB

Прежде чем вставлять данные, ранее сгенерированные с помощью Faker, нам необходимо установить соединение с базой данных, и для этого будет использоваться библиотека PyMongo.

from pymongo import MongoClient

uri = "mongodb://user:password@localhost:27017/"
client = MongoClient(uri)

Из PyMongo мы импортируем метод MongoClient().

Не забудьте заменить user, password, localhost и port (27017) данными аутентификации. Сохраните этот код в каталоге модулей и назовите его base.py.

Создание ваших данных

MySQL и PostgreSQL

Все необходимые модули теперь готовы к импорту в основной скрипт, теперь пришло время создать скрипт sql.py. Сначала импортируйте необходимые библиотеки:

from multiprocessing import Pool
from multiprocessing import cpu_count
import pandas as pd

Для многопроцессорной обработки требуются Pool() и cpu_count(). Класс Python Multiprocessing Pool позволяет создавать пулы процессов и управлять ими в Python.

Затем импортируйте ранее созданные модули:

from modules.dataframe import create_dataframe
from modules.schema import schema
from modules.base import Session, engine

Теперь мы создаем многопроцессорный пул, настроенный на использование всех доступных ядер CPU минус одно. Каждое ядро вызовет функцию create_dataframe() и создаст DataFrame с 4 тысячами записей. После завершения каждого вызова функции все созданные кадры данных будут объединены в один.

if __name__ == "__main__":
    num_cores = cpu_count() - 1
    with Pool() as pool:
        data = pd.concat(pool.map(create_dataframe, range(num_cores)))
    data.to_sql(name='employees', con=engine, if_exists = 'append', index=False, dtype=schema)

И, наконец, мы вставим DataFrame в базу данных MySQL, вызвав метод to_sql(). Все данные будут храниться в таблице с именем сотрудников.

Таблица employees создается без первичного ключа, поэтому мы выполняем следующую инструкцию SQL, чтобы добавить столбец id, который установлен в качестве первичного ключа таблицы.

with engine.connect() as conn:
        conn.execute("ALTER TABLE employees ADD id INT NOT NULL AUTO_INCREMENT PRIMARY KEY FIRST;")

Для PostgreSQL замените эту строку:

conn.execute("ALTER TABLE employees ADD id INT NOT NULL AUTO_INCREMENT PRIMARY KEY FIRST;")

С:

conn.execute("ALTER TABLE employees ADD COLUMN id SERIAL PRIMARY KEY;")

MongoDB

Все необходимые модули теперь готовы к импорту в основной скрипт, теперь пришло время создать скрипт mongodb.py. Сначала импортируйте необходимые библиотеки:

from multiprocessing import Pool
from multiprocessing import cpu_count
import pandas as pd

Затем импортируйте ранее созданные модули:

from modules.dataframe import create_dataframe
from modules.base import client

if __name__ == "__main__":
    num_cores = cpu_count() - 1
    with Pool() as pool:
        data = pd.concat(pool.map(create_dataframe, range(num_cores)))
    data_dict = data.to_dict('records')
    db = client["company"]
    collection = db["employees"]
    collection.insert_many(data_dict)

После входа на сервер MongoDB мы указываем базу данных и коллекцию, в которой будут храниться данные.

И, наконец, мы вставим DataFrame в MongoDB, вызвав метод insert_many(). Все данные будут храниться в коллекции с именем employees.

Запуск скрипта

Запустите следующую инструкцию, чтобы заполнить таблицу:

$ python sql.py

Или:

$ python mongodb.py

Время выполнения зависит от ядер CPU, доступных на вашем компьютере. Я запускаю этот скрипт на Intel i7 1260P с 16 ядрами, но использую 15.

Запросите свои данные

После завершения скрипта вы можете проверить данные в базе данных.

MySQL и PostgreSQL

Подключиться к базе данных company.

MySQL:

use company;

PostgreSQL:

\c company

Затем получите количество записей.

select count(*) from employees;

Функция count() возвращает количество записей в таблице employees.

+----------+
| count(*) |
+----------+
|    60000 |
+----------+
1 row in set (0.22 sec)

MongoDB

use company
db.employees.count()

Функция count() возвращает количество записей в таблице employees.

Или вы можете отобразить записи в таблице employees:

db.employees.find().pretty()

Код, показанный в этом сообщении блога, можно найти в учетной записи GitHub в репозитории генератора данных.

#PostgreSQL #MongoDB #Python #MySQL

947

Войти на сайт

Как сгенерировать тестовые данные для вашего проекта базы данных с помощью Python

Зависимости

База данных

Создание кадра данных Pandas

Подключение к базе данных

MySQL и PostgreSQL

Определение схемы базы данных

MongoDB

Создание ваших данных

MySQL и PostgreSQL

MongoDB

Запуск скрипта

Запросите свои данные

MySQL и PostgreSQL

MongoDB