桑基图展示了交易如何在支付方式、错误状态和欺诈标签之间流动。右侧的粗带表明大多数交易没有记录错误——对于绝大多数行，Errors? 列为空（即 null）。较窄的带则细分出罕见错误类型：PIN 错误、余额不足、技术故障等。欺诈在所有支付方式中都很罕见，并且集中在没有记录错误的交易中。

DayZSynthesizer 通过从用户定义的取值范围和类别中随机采样值来生成假数据。与统计模型不同，它不会从真实数据中学习任何模式或相关性。

为了让假数据尽可能逼真，我们利用真实数据集中的信息逐步对其进行配置。

首先，我们从元数据实例化一个 DayZSynthesizer。该合成器初始处于默认状态，它知道列类型，但对真实数据中的实际值、取值范围或空值率一无所知——这些正是我们在后续步骤中要配置的内容。 from sdv.single_table import DayZSynthesizer fake_synthesizer = DayZSynthesizer(metadata) 接下来，我们告诉合成器每个含空值的列的缺失值比例。默认情况下，DayZSynthesizer 假设每列都完全填充，这将生成不含任何空值的假数据。真实的信用卡数据在 Merchant State 和 Errors? 列中存在空值，因此我们显式设置这些比例以匹配——否则假数据会看起来过于完整而不真实。

Set missing value proportions to match real data

for col in ['Merchant State', 'Errors?']: fake_synthesizer.set_missing_values( column_name=col, missing_values_proportion=round( real_data[col].isnull().sum() / len(real_data), 10 ) ) 接下来，我们告诉合成器每个分类列的有效类别。没有这一步，合成器不知道 Merchant Name、Use Chip 等列允许哪些值，要么无法生成，要么生成占位符。我们传入真实数据中的唯一值，使假数据使用相同的词汇表。 cat_columns = [ 'User', 'Card', 'Use Chip', 'Merchant Name', 'Merchant City', 'Merchant State', 'Zip', 'MCC', 'Errors?', 'Is Fraud?' for col in cat_columns: fake_synthesizer.set_category_values( column_name=col, category_values=real_data[col].dropna().unique().tolist() ) 最后，我们为每个非分类列设置数值和日期时间边界。没有这些，合成器不知道 Amount、Year、Month 或 Day 应该从什么范围采样。我们使用真实数据中每列的最小值/最大值——这为假数据提供了逼真的范围，尽管这些范围内的值是均匀随机采样的。 for col in ['Amount', 'Year', 'Month', 'Day', 'Time']: cast = float if col == 'Amount' else int fake_synthesizer.set_numerical_bounds( column_name=col, min_value=cast(real_data[col].min()), max_value=cast(real_data[col].max()) ) if col != 'Amount': fake_synthesizer.set_rounding_scheme( column_name=col, num_decimal_digits=0 ) 现在，让我们生成与真实数据集行数相同的假数据。 num_sample_rows = len(real_data) fake_data = fake_synthesizer.sample(num_sample_rows) fake_data[['Year', 'Month', 'Day', 'Time']] = fake_data[['Year', 'Month', 'Day', 'Time']].astype(int) fake_data.head() User Card Year Month Day Time Amount Use Chip Merchant Name Merchant City Merchant State Zip MCC Errors? Is Fraud? 0 1451 1 1995 2 3 15 2718.94 Chip Transaction 3533508019517891227 Bradley Beach NaN 1840 3405 NaN No 1 429 2 2002 11 12 11 691.59 Online Transaction 6655367386832070574 Airville Algeria 80016 7276 NaN No 2 843 5 2002 10 28 2 4568.73 Online Transaction 5979176342209983088 Ore City Uganda 97470 5311 NaN Yes 3 1402 4 2015 5 20 12 2811.24 Swipe Transaction -5140159998192253928 Arverne AL 22935 5651 NaN Yes 4 644 4 1992 7 23 8 2437.87 Online Transaction 686332575408057196 Bridgeport NJ 7823 5499 NaN Yes 为什么假数据在每个范围内看起来是均匀分布的？ 这是设计使然。DayZSynthesizer 专为没有真实数据可供学习、只有模式和范围的场景而构建，因此它在您提供的边界内均匀采样。它唯一的配置选项是边界（set_numerical_bounds、set_datetime_bounds）、类别（set_category_values）、空值比例（set_missing_values）和舍入（set_rounding_scheme）；没有用于塑造分布的参数。要捕捉真实世界的形状（偏斜、众数、相关性），您需要一个能从真实数据中学习的合成器——这正是 GaussianCopulaSynthesizer 接下来要做的事情。

GaussianCopulaSynthesizer 学习真实数据中的统计分布和相关性，然后生成保留这些模式的新行。这是与假数据的关键区别——合成数据是建模生成的，而非随机生成的。 注意，我们不需要像对 DayZ 那样进行任何手动配置——不需要类别列表，不需要数值边界，不需要日期时间范围。合成器直接从数据中学习所有这些属性。 from sdv.single_table import GaussianCopulaSynthesizer synthetic_synthesizer = GaussianCopulaSynthesizer(metadata) synthetic_synthesizer.fit(real_data) synthetic_data = synthetic_synthesizer.sample(num_sample_rows) synthetic_data.head() User Card Year Month Day Time Amount Use Chip Merchant Name Merchant City Merchant State Zip MCC Errors? Is Fraud? 0 1594 1 2012 9 5 14 35.35 Swipe Transaction -4500542936415012428 Breaux Bridge IL 2145 5499 NaN No 1 1798 0 2012 7 2 12 134.92 Swipe Transaction -4334232547381218591 Pensacola OH 97504 5499 NaN No 2 332 2 2011 2 13 7 36.44 Swipe Transaction -5581123930363301609 ONLINE WA nan 4121 NaN No 3 1888 2 2018 7 20 15 95.10 Swipe Transaction 3639123430068731390 Detroit OK 47129 5814 NaN No 4 1283 1 2008 11 27 3 12.94 Swipe Transaction -5162038175624867091 Los Angeles PA 10280 5812 NaN No 评估数据质量¶

（原文较长，此处译出前 6000 字，完整内容请点「打开原文」。）