Python Faker के साथ सिंथेटिक डेटा बनाना: ट्यूटोरियल

एप्लिकेशन परीक्षण और डेटा गोपनीयता के लिए वास्तविक‑दुनिया के डेटा को सप्लीमेंट करने हेतु Python Faker से सिंथेटिक डेटा जनरेट करना।

अपडेट किया गया 25 सित॰ 2026 · 13 मि॰ पढ़ें

AI के साथ खोजें

ChatGPT Claude Perplexity

सिंथेटिक डेटा क्या है?

सिंथेटिक डेटा कंप्यूटर द्वारा जनरेट किया गया डेटा है जो वास्तविक‑दुनिया के डेटा जैसा होता है। सिंथेटिक डेटा का प्राथमिक उद्देश्य प्रणालियों की गोपनीयता और अखंडता बढ़ाना है। उदाहरण के लिए, उपयोगकर्ताओं की PII (Personally Identifiable Information) या PHI (Personal Health Information) की सुरक्षा करने हेतु कंपनियों को डेटा सुरक्षा रणनीतियाँ लागू करनी पड़ती हैं। सिंथेटिक डेटा का उपयोग नई एप्लिकेशन का परीक्षण करने और उपयोगकर्ता की गोपनीयता की रक्षा करने में सहायक हो सकता है।

मशीन लर्निंग के मामले में, हम मॉडल का प्रदर्शन बेहतर करने के लिए सिंथेटिक डेटा का उपयोग करते हैं। यह उन स्थितियों में भी उपयोगी है जहाँ डेटा दुर्लभ या असंतुलित होता है। मशीन लर्निंग में सिंथेटिक डेटा का सामान्य उपयोग स्वायत्त वाहन, सुरक्षा, रोबोटिक्स, धोखाधड़ी सुरक्षा, और हेल्थकेयर में होता है।

चित्र स्रोत: Nvidia

Gartner के आँकड़ों के अनुसार, 2024 तक, मशीन लर्निंग और विश्लेषणात्मक एप्लिकेशन विकसित करने में उपयोग होने वाले 60% डेटा सिंथेटिक रूप से जनरेट किए जाएंगे। लेकिन हम सिंथेटिक डेटा की इस उर्ध्वगामी प्रवृत्ति को क्यों देख रहे हैं?

वास्तविक‑दुनिया का डेटा इकट्ठा करना और साफ करना महंगा होता है, और कई मामलों में यह दुर्लभ भी होता है। उदाहरणस्वरूप, बैंक धोखाधड़ी, स्तन कैंसर, स्वायत्त कारों, और मैलवेयर हमलों का डेटा वास्तविक दुनिया में कम मिलता है। भले ही डेटा मिल जाए, उसे मशीन लर्निंग कार्यों के लिए साफ़ और संसाधित करने में समय और संसाधन लगते हैं।

ट्यूटोरियल के पहले भाग में, हम सीखेंगे कि हमें सिंथेटिक डेटा की आवश्यकता क्यों है, इसके उपयोग और इसे कैसे जनरेट करें। अंतिम भाग में, हम Python Faker लाइब्रेरी का अन्वेषण करेंगे और इसका उपयोग परीक्षण तथा उपयोगकर्ता गोपनीयता बनाए रखने हेतु सिंथेटिक डेटा बनाने में करेंगे।

हमें सिंथेटिक डेटा जनरेट करने की आवश्यकता क्यों है?

चित्र: लेखक द्वारा

हमें उपयोगकर्ता गोपनीयता, एप्लिकेशन परीक्षण, मॉडल प्रदर्शन सुधार, दुर्लभ मामलों के प्रतिनिधित्व, और परिचालन लागत घटाने के लिए सिंथेटिक डेटा चाहिए।

गोपनीयता: उपयोगकर्ताओं के डेटा की रक्षा के लिए। आप नाम, ईमेल और पता को सिंथेटिक डेटा से प्रतिस्थापित कर सकते हैं। यह हमें उन साइबर और ब्लैक‑बॉक्स हमलों से बचने में मदद करेगा जहाँ मॉडल प्रशिक्षण डेटा के विवरण का अनुमान लगाते हैं।
परीक्षण: वास्तविक‑दुनिया के डेटा पर एप्लिकेशन टेस्ट करना महंगा है। डेटाबेस, UI, और AI एप्लिकेशन को सिंथेटिक डेटा पर टेस्ट करना अधिक किफायती और सुरक्षित है।
मॉडल प्रदर्शन: जनरेट किया गया सिंथेटिक डेटा मॉडल का प्रदर्शन बेहतर कर सकता है। उदाहरण: इमेज क्लासिफायर्स में, हम डेटासेट का आकार बढ़ाने और सटीकता सुधारने के लिए छवियों को शियर, शिफ्ट और रोटेट करते हैं।
दुर्लभ मामले: हम दुर्लभ घटनाओं के घटित होने का इंतजार नहीं कर सकते और वास्तविक‑दुनिया का डेटा नहीं जुटा सकते। उदाहरण: क्रेडिट धोखाधड़ी का पता लगाना, कार दुर्घटनाएँ, और कैंसर डेटा।
लागत: डेटा संग्रह में समय और संसाधन लगते हैं। वास्तविक‑दुनिया का डेटा प्राप्त करना, उसे साफ करना, लेबल करना, और परीक्षण या प्रशिक्षण मॉडलों के लिए तैयार करना महंगा है।

सिंथेटिक डेटा के उपयोग कौन‑कौन से हैं?

इस खंड में, हम सीखेंगे कि कंपनियाँ कैसे सिंथेटिक डेटा का उपयोग लागत‑प्रभावी, गोपनीयता‑अनुकूल, उच्च‑प्रदर्शन एप्लिकेशन बनाने के लिए करती हैं।

डेटा साझा करना: सिंथेटिक डेटा उद्यमों को संवेदनशील डेटा को आंतरिक रूप से और तृतीय पक्षों के साथ साझा करने में सक्षम बनाता है। यह निजी डेटा को क्लाउड में ले जाने और एनालिटिक्स के लिए डेटा बनाए रखने में भी मदद करता है।
वित्तीय सेवा: धोखाधड़ी वाले लेनदेन, विसंगति पहचान, और आर्थिक मंदी जैसी दुर्लभ घटनाओं की नकल करने हेतु सिंथेटिक डेटा जनरेट किया जाता है। इसका उपयोग एनालिटिक्स टूल से ग्राहक व्यवहार समझने में भी होता है।
क्वालिटी एश्योरेंस: एप्लिकेशन या डेटा सिस्टम की गुणवत्ता को बनाए रखना और परीक्षण करना। सिंथेटिक डेटा दुर्लभ विसंगतियों पर सिस्टम का परीक्षण करने और प्रदर्शन सुधारने के लिए रेंडर किया जाता है।
हेल्थकेयर: रोगी की गोपनीयता बनाए रखते हुए चिकित्सा रिकॉर्ड को अंदरूनी और बाहरी रूप से साझा करने की अनुमति देता है। आप इसे नैदानिक परीक्षणों और दुर्लभ रोगों का पता लगाने के लिए भी उपयोग कर सकते हैं। Python या R के साथ डेटा गोपनीयता और अनामीकरण कोर्स लेकर संवेदनशील जानकारी प्रोसेस करना सीखें।
ऑटोमोटिव: रोबोट, ड्रोन और स्वायत्त कारों के लिए वास्तविक‑दुनिया का डेटा प्राप्त करना कठिन और धीमा है। कंपनियाँ सिंथेटिक सिमुलेशन डेटा पर अपने सिस्टम को टेस्ट और ट्रेन करती हैं और प्रदर्शन से समझौता किए बिना समाधान बनाने की लागत बचाती हैं।
मशीन लर्निंग: हम प्रशिक्षण डेटासेट का आकार बढ़ाने, असंतुलित डेटा की समस्या सुलझाने, और प्रदर्शन व सटीकता सुनिश्चित करने हेतु मॉडलों का परीक्षण करने में सिंथेटिक डेटा का उपयोग कर सकते हैं। इसका उपयोग मौजूदा इमेज और टेक्स्ट डेटा में पक्षपात कम करने के लिए भी किया जाता है। यह हमें सिस्टम टेस्ट करने और उपयोगकर्ता गोपनीयता बनाए रखने में मदद करेगा। उदाहरण के लिए, DeepFake का उपयोग फेसियल रिकग्निशन सिस्टम टेस्ट करने में होता है।

सिंथेटिक डेटा कैसे जनरेट करें

हम फेक डेटा जेनेरेटर, सांख्यिकीय टूल, न्यूरल नेटवर्क, और जनरेटिव एडवर्सरियल नेटवर्क का उपयोग कर सिंथेटिक डेटा जनरेट कर सकते हैं।

फेक डेटाबेस जनरेट करना—Faker लाइब्रेरी का उपयोग कर डेटाबेस और सिस्टम टेस्ट करने के लिए। यह पते और आवश्यक जानकारी सहित फेक यूज़र प्रोफाइल जनरेट कर सकता है। आप रैंडम टेक्स्ट और पैराग्राफ भी बना सकते हैं। यह परीक्षण चरण में उपयोगकर्ताओं की गोपनीयता की रक्षा करने और वास्तविक‑दुनिया के डेटासेट हासिल करने की लागत बचाने में मदद करता है।

डेटा वितरण को समझना—Gaussian, Exponential, Chi-square, t, lognormal, और Uniform जैसे सांख्यिकीय टूल का उपयोग कर बिल्कुल नया डेटासेट जनरेट करना। वितरण‑आधारित सिंथेटिक डेटा जनरेट करने के लिए विषय‑वस्तु का ज्ञान आवश्यक है।

वैरिएशनल ऑटोएन्कोडर—एक अनसुपर्वाइज़्ड लर्निंग विधि जो एन्कोडर और डिकोडर का उपयोग करके मूल डेटासेट को संपीड़ित करती है और उसके प्रतिनिधित्व जनरेट करती है। इसे इनपुट और आउटपुट डेटासेट के बीच सहसंबंध को अनुकूलित करने हेतु डिज़ाइन किया गया है।

जनरेटिव एडवर्सरियल नेटवर्क—डेटा जनरेट करने का सबसे लोकप्रिय तरीका। आप इसका उपयोग सिंथेटिक इमेज, साउंड, टैब्युलर डेटा, और सिमुलेशन डेटा रेंडर करने में कर सकते हैं। यह जनरेटर और डिस्क्रिमिनेटर डीप‑लर्निंग आर्किटेक्चर का उपयोग करता है जो रैंडम सैंपल को वास्तविक डेटा से तुलना कर सिंथेटिक डेटा बनाता है। अपना सिंथेटिक डेटा Keras से बनाने के लिए हमारा Demystifying Generative Adversarial Nets ट्यूटोरियल पढ़ें।

Python Faker क्या है?

Python Faker एक ओपन‑सोर्स Python पैकेज है जिसका उपयोग एप्लिकेशन परीक्षण, डेटाबेस बूटस्ट्रैपिंग, और उपयोगकर्ता अनामिता बनाए रखने हेतु फेक डेटासेट बनाने में किया जाता है।

चित्र: लेखक द्वारा

आप Faker को इस प्रकार इंस्टॉल कर सकते हैं:

pip install faker

Faker कमांड‑लाइन सपोर्ट, Pytest फ़िक्स्चर्स, लोकलाइज़ेशन (विभिन्न क्षेत्रों का समर्थन), पुनरुत्पादन‑क्षमता, और डायनेमिक प्रोवाइडर (अपनी आवश्यकताओं के अनुसार कस्टमाइज़) के साथ आता है।

आप अपनी आवश्यकताओं के अनुसार त्वरित डेटासेट बनाने और उसे कस्टमाइज़ करने के लिए Faker की बुनियादी क्षमताओं का भी उपयोग कर सकते हैं। नीचे दी गई तालिका में, आप विभिन्न Faker फ़ंक्शंस और उनके उद्देश्य देख सकते हैं।

Faker फ़ंक्शन	उद्देश्य
name()	फेक पूरा नाम जनरेट करता है
credit_card_full()	एक्सपायरी और CVV सहित क्रेडिट कार्ड नंबर जनरेट करता है
email()	फेक ईमेल पता जनरेट करता है
url()	फेक URL जनरेट करता है
phone_number()	देश कोड सहित फेक फ़ोन नंबर जनरेट करता है
address()	फेक पूरा पता जनरेट करता है
license_plate()	फेक लाइसेंस प्लेट जनरेट करता है
currency()	मुद्रा कोड और पूरा नाम का ट्यूपल जनरेट करता है
color_name()	रैंडम रंग नाम जनरेट करता है
local_latlng()	अक्षांश, देशांतर, क्षेत्र, देश, और राज्य जनरेट करता है
domain_name()	फेक व्यक्ति के नाम के आधार पर फेक वेबसाइट जनरेट करता है
text()	छोटा फेक टेक्स्ट जनरेट करता है
company()	फेक कंपनी का नाम जनरेट करता है

और अधिक उन्नत फ़ंक्शंस के बारे में जानने के लिए Faker दस्तावेज़ देखें।

इन फ़ंक्शंस की समीक्षा करना महत्वपूर्ण है क्योंकि हम इन्हें विभिन्न उदाहरण और डेटाफ़्रेम बनाने में उपयोग करेंगे।

Python Faker के साथ सिंथेटिक डेटा जनरेशन

इस खंड में, हम Python Faker का उपयोग कर सिंथेटिक डेटा जनरेट करेंगे। इसमें विभिन्न कार्यों के लिए Faker के उपयोग के 5 उदाहरण शामिल हैं। मुख्य लक्ष्य सिस्टम परीक्षण के लिए गोपनीयता‑केंद्रित दृष्टिकोण विकसित करना है। अंतिम भाग में, हम Faker के localized प्रोवाइडर का उपयोग कर मूल डेटा को पूरक करने हेतु फेक डेटा जनरेट करेंगे।

आप इस ट्यूटोरियल का सारा कोड इस DataLab वर्कबुक में पा सकते हैं; आप अपने ब्राउज़र में ही सारा कोड चलाने के लिए इसकी अपनी प्रति आसानी से बना सकते हैं, अपने कंप्यूटर पर कुछ इंस्टॉल किए बिना।

सबसे पहले, हम `Faker()` का उपयोग कर एक फेक जनरेटर इनिशिएट करेंगे। डिफ़ॉल्ट रूप से, यह “en_US” लोकेल का उपयोग करता है।

from faker import Faker
fake = Faker()

उदाहरण 1

“fake” ऑब्जेक्ट प्रॉपर्टी नामों का उपयोग कर डेटा जनरेट कर सकता है। उदाहरण के लिए, `fake.name()` रैंडम व्यक्ति का पूरा नाम जनरेट करने के लिए उपयोग होता है।

print(fake.name())
>>> Jessica Robinson

इसी तरह, हम नीचे दिखाए अनुसार फेक ईमेल पता, देश का नाम, टेक्स्ट, जियोलोकेशन, और URL जनरेट कर सकते हैं।

print(fake.email())
print(fake.country())
print(fake.name())
print(fake.text())
print(fake.latitude(), fake.longitude())
print(fake.url())

आउटपुट

ybanks@example.com
Mayotte
Mr. Jose Browning DDS
Dog might bank dog total life financial. Dark view doctor time just.
Stay second treatment language theory. Space seek adult create matter imagine lay.
51.7514185 -148.802970
http://fischer.info/

उदाहरण 2

आप विभिन्न भाषाओं और अलग‑अलग क्षेत्रों के लिए अलग‑अलग लोकेल का उपयोग कर डेटा जनरेट कर सकते हैं।

नीचे दिए उदाहरण में, हम स्पेनिश भाषा और स्पेन क्षेत्र के लिए डेटा जनरेट करेंगे।

fake = Faker("es_ES")
print(fake.email())
print(fake.country())
print(fake.name())
print(fake.text())
print(fake.latitude(), fake.longitude())
print(fake.url())

आउटपुट

जैसा कि हम देख सकते हैं, व्यक्ति का नाम बदल गया है, और टेक्स्ट स्पेनिश में है।

casandrahierro@example.com
Tonga
Juan Solera-Mancebo
Cumque adipisci eligendi aperiam. Quas laboriosam amet at dignissimos. Excepturi pariatur ipsam esse.
89.180798 -2.274117
https://corbacho-galan.net/

आइए जर्मन भाषा और जर्मनी देश के साथ फिर से प्रयास करें। पूरा यूज़र प्रोफाइल जनरेट करने के लिए हम `profile()` फ़ंक्शन का उपयोग करेंगे।

fake = Faker("de_DE")
fake.profile()

आउटपुट

यह स्पष्ट है कि हम Faker का उपयोग विभिन्न देशों और भाषाओं के लिए डेटा जनरेट करने में कर सकते हैं। लोकेल बदलने से भाषा और देश के आधार पर नाम, नौकरी, पता, कंपनी, और अन्य पहचान संबंधी डेटा बदल जाते हैं।

{'job': 'Erzieher',
'company': 'Stadelmann Thanel GmbH',
'ssn': '631-64-0521',
'residence': 'Leo-Schinke-Allee 298\n26224 Altötting',
'current_location': (Decimal('51.5788595'), Decimal('29.780659')),
'blood_group': 'B+',
'website': ['https://www.schmidtke.de/',
  'https://roskoth.com/',
  'http://www.textor.de/',
  'https://www.zirme.com/'],
'username': 'vdoerr',
'name': 'Francesca Fröhlich',
'sex': 'F',
'address': 'Steinbergallee 13\n84765 Saarbrücken',
'mail': 'smuehle@gmail.com',
'birthdate': datetime.date(1998, 3, 19)}

उदाहरण 3

इस उदाहरण में, हम Faker का उपयोग कर एक pandas डेटाफ़्रेम बनाएँगे।

खाली pandas डेटाफ़्रेम (data) बनाएँ
कई पंक्तियाँ बनाने हेतु इसे x बार लूप से पास करें
यूनिक id जनरेट करने के लिए `randint()` का उपयोग करें
नाम, पता, और जियो‑लोकेशन बनाने के लिए Faker का उपयोग करें
`input_data()` फ़ंक्शन को x=10 के साथ चलाएँ

from random import randint 
import pandas as pd 
 
fake = Faker()
 
def input_data(x):
   
    # pandas dataframe
    data = pd.DataFrame()
    for i in range(0, x):
        data.loc[i,'id']= randint(1, 100)
        data.loc[i,'name']= fake.name()
        data.loc[i,'address']= fake.address()
        data.loc[i,'latitude']= str(fake.latitude())
        data.loc[i,'longitude']= str(fake.longitude())
    return data
   

input_data(10)

आउटपुट बेहतरीन दिखता है। हमारे पास id, name, address, latitude, और longitude कॉलम यूनिक यूज़र डेटा के साथ हैं।

परिणाम को पुन: उत्पन्न करने के लिए, हमें seed सेट करना होगा। ताकि जब भी हम कोड सेल फिर चलाएँ, हमें समान परिणाम मिलें।

Faker.seed(2)
input_data(10)

उदाहरण 4

हम ऐसे वाक्य भी जनरेट कर सकते हैं जिनमें हमारे चुने हुए कीवर्ड शामिल हों। `text(), texts(), paragraph(), word(), और words()` की तरह। आप nb_words आर्गुमेंट सेट करके वाक्य में शब्दों की संख्या बढ़ा सकते हैं।

नीचे दिए उदाहरण में, हम शब्द सूची का उपयोग कर पाँच वाक्य जनरेट करते हैं। यह परफेक्ट नहीं है, लेकिन उन एप्लिकेशनों का परीक्षण करने में मदद कर सकता है जिन्हें बहुत सारा टेक्स्ट डेटा चाहिए।

word_list = ["DataCamp", "says", "great", "loves", "tutorial", "workplace"]

for i in range(0, 5):
    print(fake.sentence(ext_word_list=word_list))

आउटपुट

Loves great says.
Says workplace workplace tutorial great loves.
Loves workplace workplace loves workplace loves great DataCamp.
Loves says workplace great.
Workplace great DataCamp.

सिंथेटिक और वास्तविक डेटा को ब्लेंड करना

इस भाग में, हम DataCamp के डेटासेट रिपोजिटरी से E-Commerce डेटा का उपयोग करेंगे और CustomerID और Country कॉलम का उपयोग कर फेक यूज़र डेटा जोड़ेंगे। यह हमें उपयोगकर्ता गोपनीयता बनाए रखने और अतिरिक्त पैरामीटर पर सिस्टम का परीक्षण करने में मदद करेगा।

CSV फाइल लोड करने के लिए, हम pandas के `read_csv()` फ़ंक्शन का उपयोग करेंगे और `head()` से शीर्ष पाँच पंक्तियाँ दिखाएँगे

# Loading CSV file
Ecommerce = pd.read_csv("e-commerce.csv")
Ecommerce.head()

डेटासेट में InvoiceNo, StockCode (प्रोडक्ट ID), Description, Product (आइटम) नाम, Quantity (प्रति ट्रांज़ैक्शन), InvoiceDate, UnitPrice (पाउंड में), CustomerID, और Country कॉलम शामिल हैं।

Localized faker ऑब्जेक्ट बनाने के लिए, हम यूनिक देश के नाम दिखाएँगे और उनका उपयोग कर एक डिक्शनरी बनाएँगे। जैसा कि हम देख सकते हैं, हमारे पास सात देश हैं, और अगले भाग में हम सात faker localized जनरेटर बनाएँगे।

Ecommerce.Country.dropna().unique()

>>> array(['United Kingdom', 'France', 'Australia', 'Netherlands', 'Germany',
      'Norway', 'EIRE'], dtype=object)

`anonymous` फ़ंक्शन में, हमने:

यूनिक कस्टमर ID निकाली और मिसिंग वैल्यू हटाईं
देश के नाम और लोकेल के शॉर्ट‑फॉर्म की डिक्शनरी बनाई
यूनिक कस्टमर ID के लिए रो इंडेक्स और देश का नाम निकाला
डिक्शनरी और देश के नाम से localized faker जनरेटर इनिशिएट किया
मौजूदा डेटाफ़्रेम में कस्टमर नाम, पता, और जियो‑लोकेशन जोड़ी।

नीचे दिया फ़ंक्शन डेटाफ़्रेम लेता है और CustomerID तथा Country कॉलम के आधार पर चार नए कॉलम यूज़र डेटा के साथ जोड़ता है।

def anonymous(df):
   
    # Extracting unique CustomerID
    unique_id = df.CustomerID.dropna().unique()
   
    # Creating the dictionary for Faker localized providers
    local = {
        "United Kingdom": "en_GB",
        "France": "fr_FR",
        "Australia": "en_AU",
        "Netherlands": "nl_NL",
        "Germany": "de_DE",
        "Norway": "no_NO",
        "EIRE": "ga_IE",
    }

    for i in unique_id:
       
        # Extracting row index
        row_id = df[df["CustomerID"] == i].index
       
        # Extracting country name for faker locale
        CountryName = Ecommerce.loc[
            Ecommerce["CustomerID"] == i, "Country"
        ].to_numpy()[0]

        # Using locale dictionary to create faker locale generator
        code = local[CountryName]
        fake = Faker(code)

        # Generating fake data and adding it to dataframe
        CustomerName = fake.name()
        Address = fake.address()
        Latitude = str(fake.latitude())
        Longitude = str(fake.longitude())

        for x in row_id:
            df.loc[x, "CustomerName"] = CustomerName
            df.loc[x, "Address"] = Address
            df.loc[x, "Latitude"] = Latitude
            df.loc[x, "Longitude"] = Longitude

    return df

हम पुनरुत्पादन‑क्षमता के लिए seed(5) का उपयोग करेंगे और Ecommerce डेटाफ़्रेम पर `anonymous` फ़ंक्शन चलाएँगे।

# Using seed for reproducibility
Faker.seed(5)

secure_db = anonymous(Ecommerce)
secure_db

प्रारंभिक कुछ परिणाम 17850, United Kingdom, और Pamela Cox-James का डेटा दिखाते हैं।

फ़ंक्शन के localized परिणाम को देखने के लिए, हमें यूनिक Country कॉलम के डेटा को देखना होगा।

display_db = []
for i in Ecommerce.Country.dropna().unique():
    display_db.append(secure_db[secure_db["Country"] == i].to_numpy()[0])
pd.DataFrame(display_db, columns=Ecommerce.columns)

परिणाम आशाजनक हैं। आप प्रति क्षेत्र और भाषा अलग‑अलग नाम देख सकते हैं। पते देश के अनुरूप हैं। इस विधि से, आप व्यक्तिगत पहचान डेटा हटाकर Faker का उपयोग कर localized डेटा बना सकते हैं ताकि उपयोगकर्ता गोपनीयता की रक्षा हो और लागत बचे।

कोड स्रोत इस DataLab वर्कबुक में उपलब्ध है।

निष्कर्ष

Python Faker का एक नकारात्मक पक्ष यह है कि यह कम गुणवत्ता वाला डेटा प्रदान कर सकता है। यह एप्लिकेशन परीक्षण के लिए कार्य कर सकता है, पर डेटा की शुद्धता की कमी रहती है। उदाहरण के लिए, नाम ईमेल, डोमेन नाम, या यूज़रनेम से मेल नहीं खाते।

आप प्रोवाइडर को कस्टमाइज़ कर सकते हैं या अपनी पसंद के अनुसार नया बना सकते हैं, लेकिन सिस्टम को परफेक्ट करने में अतिरिक्त समय लगेगा। उतने समय में, आप `random.choice()` का उपयोग कर अपना Python पैकेज बना सकते हैं।

बड़ी टेक कंपनियों में, डेटा वैज्ञानिक संवेदनशील डेटा प्रोसेस करने और डेटा गोपनीयता बनाए रखने के लिए विभिन्न टूल का उपयोग कर रहे हैं। वे मॉडल प्रदर्शन सुधारने, पक्षपात कम करने, एप्लिकेशन टेस्ट करने, और अत्याधुनिक AI समाधान विकसित करने की लागत बचाने हेतु सिंथेटिक डेटा का भी उपयोग कर रहे हैं।

यदि आप और सीखने में रुचि रखते हैं, तो आत्मविश्वासी डेटा वैज्ञानिक बनने की अपनी यात्रा शुरू करने के लिए Data Scientist with Python करियर ट्रैक देखें।

इस ट्यूटोरियल में, हमने सिंथेटिक डेटा के महत्व और उसके उपयोगों के बारे में सीखा। हमने Python Faker का उपयोग कर शुरुआती स्तर से फेक डेटा जनरेट किया ताकि डेटा सिस्टम का परीक्षण किया जा सके और उपयोगकर्ताओं की गोपनीयता बनाए रखी जा सके।

विषय

Python

डेटा साइंस