Heim

Skill

Datenbankverwaltung

dummy-dataset

phuryn/pm-skills

Erstellen Sie realistische Dummy-Datensätze für Testzwecke mit anpassbaren Spalten, Einschränkungen und Ausgabeformaten (CSV, JSON, SQL, Python-Skript).

...Alle erweitern

Zeit aktualisiert 29. September 2026

# testing # json # python # sql # csv # data analysis # mock data # test data

Erstellung von Dummy-Datensätzen

Erstellen Sie realistische Dummy-Datensätze für Testzwecke mit anpassbaren Spalten, Einschränkungen und Ausgabeformaten (CSV, JSON, SQL, Python-Skript). Erzeugt ausführbare Skripte oder direkte Datendateien zur sofortigen Verwendung.

Anwendungsfälle: Erstellung von Testdaten, Generierung von Beispieldatensätzen, Erstellung realistischer Scheindaten für die Entwicklung oder Befüllung von Testumgebungen.

Argumente:

$PRODUCT: Der Produkt- oder Systemname
$DATASET_TYPE: Art der Daten (z. B. Kundenfeedback, Transaktionen, Benutzerprofile)
$ROWS: Anzahl der zu generierenden Zeilen (Standard: 100)
$COLUMNS: Bestimmte Spalten oder Felder, die einbezogen werden sollen
$FORMAT: Ausgabeformat (CSV, JSON, SQL, Python-Skript)
$CONSTRAINTS: Zusätzliche Einschränkungen oder Geschäftsregeln

Schritt-für-Schritt-Anleitung

Datensatztyp identifizieren – Die Datendomain verstehen
Spaltenspezifikationen definieren – Namen, Datentypen und Wertebereiche
Anzahl der Zeilen bestimmen – Wie viele Beispieldatensätze werden benötigt?
Ausgabeformat auswählen – CSV, JSON, SQL-INSERT oder Python-Skript
Realistische Muster anwenden – Sicherstellen, dass die Daten authentisch und gültig wirken
Geschäftliche Einschränkungen hinzufügen – Geschäftslogik und Beziehungen berücksichtigen
Daten generieren oder skripten – Erstellen Sie eine ausführbare Ausgabe
Ausgabe validieren – Datenqualität und Vollständigkeit sicherstellen

Vorlage: Python-Skript-Ausgabe

import csv
import json
from datetime import datetime, timedelta
import random

# Configuration
ROWS = $ROWS
FILENAME = "$DATASET_TYPE.csv"

# Column definitions with realistic value generators
columns = {
    "id": "auto-increment",
    "name": "first_last_name",
    "email": "email",
    "created_at": "timestamp",
    # Add more columns...
}

def generate_dataset():
    """Generate realistic dummy dataset"""
    data = []
    for i in range(1, ROWS + 1):
        record = {
            "id": f"U{i:06d}",
            # Generate values based on column definitions
        }
        data.append(record)
    return data

def save_as_csv(data, filename):
    """Save dataset as CSV"""
    with open(filename, 'w', newline='') as f:
        writer = csv.DictWriter(f, fieldnames=data[0].keys())
        writer.writeheader()
        writer.writerows(data)

if __name__ == "__main__":
    dataset = generate_dataset()
    save_as_csv(dataset, FILENAME)
    print(f"Generated {len(dataset)} records in {FILENAME}")

Beispiel für eine Datensatzspezifikation

Datensatztyp: Kundenfeedback

Spalten:

feedback_id (Autoinkrement, U001, U002...)
customer_name (realistische Namen)
E-Mail (gültiges E-Mail-Format)
feedback_date (Daten der letzten 90 Tage)
bewertung (1–5 Sterne)
category (Fehler, Feature-Anfrage, Beschwerde, Lob)
text (realistisches Feedback)
Produkt (Elektronik, Bekleidung, Haushalt)

Einschränkungen:

Verzerrte Bewertungen: 40 % 5 Sterne, 30 % 4 Sterne, 20 % 3 Sterne, 10 % 1–2 Sterne
Kategorie „Fehler“ nur mit Bewertungen von 1–3
Funktionswünsche nur mit Bewertungen von 3–5
E-Mail-Domains realistisch (gmail, yahoo, company.com)

Zu liefernde Ergebnisse

Ausführungsbereites Python-Skript ODER direkte Datendatei
CSV-Datei mit korrekten Kopfzeilen und Formatierung
JSON-Datei mit gültiger Struktur und Typen
SQL-INSERT-Anweisungen zum Befüllen der Datenbank
Datenvalidierung und Einhaltung von Einschränkungen
Realistische, geschäftsrelevante Werte
Dokumentation der Logik zur Datengenerierung
Schnellstartanleitung zur Verwendung des Datensatzes

Ausgabeformate

CSV: Flaches Tabellenformat, einfach in Tabellenkalkulationen und Datenbanken zu importieren

JSON: Verschachtelte Struktur, ideal für APIs und NoSQL-Datenbanken

SQL: INSERT-Anweisungen, direkt in relationalen Datenbanken ausführbar

Python-Skript: Ausführbarer Generator für benutzerdefinierte oder große Datensätze

Auf GitHub ansehen

---
name: dummy-dataset
description: Generate realistic dummy datasets for testing with customizable columns, constraints, and output formats (CSV, JSON, SQL, Python script).
---
# Dummy Dataset Generation

Generate realistic dummy datasets for testing with customizable columns, constraints, and output formats (CSV, JSON, SQL, Python script). Creates executable scripts or direct data files for immediate use.

**Use when:** Creating test data, generating sample datasets, building realistic mock data for development, or populating test environments.

**Arguments:**
- `$PRODUCT`: The product or system name
- `$DATASET_TYPE`: Type of data (e.g., customer feedback, transactions, user profiles)
- `$ROWS`: Number of rows to generate (default: 100)
- `$COLUMNS`: Specific columns or fields to include
- `$FORMAT`: Output format (CSV, JSON, SQL, Python script)
- `$CONSTRAINTS`: Additional constraints or business rules

## Step-by-Step Process

1. **Identify dataset type** - Understand the data domain
2. **Define column specifications** - Names, data types, and value ranges
3. **Determine row count** - How many sample records needed
4. **Select output format** - CSV, JSON, SQL INSERT, or Python script
5. **Apply realistic patterns** - Ensure data looks authentic and valid
6. **Add business constraints** - Respect business logic and relationships
7. **Generate or script data** - Create executable output
8. **Validate output** - Ensure data quality and completeness

## Template: Python Script Output

```python
import csv
import json
from datetime import datetime, timedelta
import random

# Configuration
ROWS = $ROWS
FILENAME = "$DATASET_TYPE.csv"

# Column definitions with realistic value generators
columns = {
    "id": "auto-increment",
    "name": "first_last_name",
    "email": "email",
    "created_at": "timestamp",
    # Add more columns...
}

def generate_dataset():
    """Generate realistic dummy dataset"""
    data = []
    for i in range(1, ROWS + 1):
        record = {
            "id": f"U{i:06d}",
            # Generate values based on column definitions
        }
        data.append(record)
    return data

def save_as_csv(data, filename):
    """Save dataset as CSV"""
    with open(filename, 'w', newline='') as f:
        writer = csv.DictWriter(f, fieldnames=data[0].keys())
        writer.writeheader()
        writer.writerows(data)

if __name__ == "__main__":
    dataset = generate_dataset()
    save_as_csv(dataset, FILENAME)
    print(f"Generated {len(dataset)} records in {FILENAME}")
```

## Example Dataset Specification

**Dataset Type:** Customer Feedback

**Columns:**
- feedback_id (auto-increment, U001, U002...)
- customer_name (realistic names)
- email (valid email format)
- feedback_date (dates last 90 days)
- rating (1-5 stars)
- category (Bug, Feature Request, Complaint, Praise)
- text (realistic feedback)
- product (electronics, clothing, home)

**Constraints:**
- Ratings skewed: 40% 5-star, 30% 4-star, 20% 3-star, 10% 1-2 star
- Bug category only with ratings 1-3
- Feature requests only with ratings 3-5
- Email domains realistic (gmail, yahoo, company.com)

## Output Deliverables

- Ready-to-execute Python script OR direct data file
- CSV file with proper headers and formatting
- JSON file with valid structure and types
- SQL INSERT statements for database population
- Data validation and constraint compliance
- Realistic, business-appropriate values
- Documentation of data generation logic
- Quick-start instructions for using the dataset

## Output Formats

**CSV:** Flat tabular format, easy to import into spreadsheets and databases

**JSON:** Nested structure, ideal for APIs and NoSQL databases

**SQL:** INSERT statements, directly executable on relational databases

**Python Script:** Executable generator for custom or large datasets