如何生成你需要的基础数据？

原地的回忆

我们在从事数据相关的项目过程中，数据梳理、数据整合和数据补全等工作需要占用大量的时间与精力，而进展到数据分析、数据挖掘阶段也对数据的完整性有着苛刻的要求。

对于一个统计算法的验证与研究，也同样面临着根据自身业务情景特点，配置数据属性的需求。

今天，我们就简单介绍几种基础数据生产方法，以简化我们的ETL流程，方便大家根据业务定义去生产数据。

本文以面向对象的JAVA语义进行示例。小伙伴们可以按照自己熟悉的各种语言来实现，笔者秉承着逻辑方法高于开发语言选择的思想去发现问题、解决问题。

业务场景：

在医院就诊过程中，系统需要记录我们的基本信息，比如：病案号、姓名、性别、发病时间、体重等。

这些数据必须符合客观规律，并且结构化。我们接下来就逐一介绍每种属性的数据生产方法。

1、根据面向对象原则建立一个父类

首先我们建立一个抽象类AttributeValueGenerator，在这个类中声明一个实体entity，并建立get、set方法，此后的每种方法都继承这个父类。

2、定义病案号

病案号是一组规则的、自定义的递增数列，我们可以采用递增的方式产生。定义两个参数：病案号的起始数字、增长规模。

函数如下：

输入参数：

10001为病案号的起始数字、每次增加1。

结果展示：

3、区分性别

我们用一组枚举型的数列填充性别属性。男性、女性的就诊比例根据业务需求自定义，采用按百分比产生随机数的方式实现。

函数如下：

输入参数：

第一个参数为性别、第二参数为出现的概率。

结果展示：

4、发病日期归并

发病日期分布在不同的年份月份日期，需要规划起始日期、截止日期、期间概率，随机生成范围内日期并转换为int型输出。

函数如下：

参数输入：

发病时间在2005年的占27%、在2006年的占73%

结果展示：

5、体重正态分布

一组成年人的体重数据应该根据男女区别对待，并符合正态分布的规律。正态分布数据生成，可以控制期望、方差、起始、截止。

函数如下：

参数输入：

如果是男性，平均值为67公斤、方差为10、40-150公斤之间浮动。

如果是女性，平均值为57公斤、方差为10、40-150公斤之间浮动。

结果如下：

汇总结果展现：

总结

我们可以不停地思考，随时随地的根据项目需要结合数据特点来开发一些属性的生成函数。不要小看这些细节，一旦你需要的时候就可以快速生产了。

所谓：积土成山，风雨兴焉；积水成渊，蛟龙生焉；积善成德，而神明自得，圣心备焉。故不积跬步，无以至千里；不积小流，无以成江海。你说是不是这个道理呢？

作者：杨老师 （中国统计网特邀认证作者）

原文链接：http://www.itongji.cn/cms/article/articledetails?articleid=4751

粉色KT猫