SDV项目v1.22.0版本发布:数据合成与约束增强
2025-06-17 19:41:12作者:霍妲思
项目简介
SDV(Synthetic Data Vault)是一个用于生成高质量合成数据的Python开源库。它能够从原始数据中学习特征和关系,然后生成具有相同统计特性的合成数据,同时保护隐私。SDV广泛应用于数据科学、机器学习测试、隐私保护等领域。
核心更新内容
约束增强功能
本次v1.22.0版本最显著的改进在于约束系统的全面升级。SDV引入了全新的约束架构CAG(Constraint Application Graph),为数据合成提供了更强大的约束控制能力。
-
新增多种约束模式:
- OneHotEncoding:支持独热编码约束
- FixedIncrements:固定增量约束
- Range:范围约束
- Inequality:不等式约束
- FixedCombinations:固定组合约束
-
约束验证机制: 新增了synthesizer.validate_cag方法,允许用户在合成数据前验证约束的有效性,确保约束逻辑正确。
-
编程式约束: 引入了ProgrammableConstraint和ProgrammableSingleTableConstraint,让用户可以通过编程方式定义自定义约束逻辑,大大提高了约束定义的灵活性。
多表约束支持
本次更新扩展了约束系统在多表场景下的应用能力:
- 单表约束现在可以在多表合成器中使用
- 改进了多表约束的获取和验证机制
- 解决了多表约束与单表约束的兼容性问题
数据类型处理优化
- 改进了日期时间格式的处理,确保Inequality约束能正确处理日期时间类型
- 修复了整数列包含NaN值时的转换错误
- 优化了格式化列在约束应用后的处理逻辑
其他重要改进
-
API改进:
- 新增violin选项到get_column_plot函数
- 为SingleTableSynthesizer.get_metadata添加version参数
- 允许ProgrammableConstraint的fit方法可选
-
错误修复:
- 修复了只读文件系统下的使用问题
- 解决了条件采样时列被约束丢弃导致的错误
- 修复了自动分配转换器在添加CAG模式后的错误
-
弃用通知:
- 开始弃用ScalarInequality和ScalarRange约束,建议迁移到新的CAG模式
技术影响与建议
本次更新标志着SDV约束系统的重要演进。CAG架构的引入为复杂数据关系的建模提供了更强大的工具,特别是在以下场景中价值显著:
- 业务规则严格的场景:如金融、医疗等领域,数据必须满足特定的业务规则和逻辑约束
- 多表关系建模:支持跨表的复杂约束关系,适合关系型数据库的合成
- 自定义需求:通过编程式约束满足特殊业务需求
对于现有用户,建议:
- 逐步将旧式约束迁移到新的CAG模式
- 利用validate_cag方法验证约束有效性
- 探索编程式约束满足特定业务需求
总结
SDV v1.22.0通过增强约束系统,显著提升了合成数据的质量和可控性。新的CAG架构和多种约束模式为复杂数据合成场景提供了更专业的解决方案,同时保持了良好的向后兼容性。这些改进使SDV在数据隐私保护、机器学习测试数据生成等应用场景中更具竞争力。
登录后查看全文
热门项目推荐
- QQwen3-Next-80B-A3B-InstructQwen3-Next-80B-A3B-Instruct 是一款支持超长上下文(最高 256K tokens)、具备高效推理与卓越性能的指令微调大模型00
- QQwen3-Next-80B-A3B-ThinkingQwen3-Next-80B-A3B-Thinking 在复杂推理和强化学习任务中超越 30B–32B 同类模型,并在多项基准测试中优于 Gemini-2.5-Flash-Thinking00
GitCode-文心大模型-智源研究院AI应用开发大赛
GitCode&文心大模型&智源研究院强强联合,发起的AI应用开发大赛;总奖池8W,单人最高可得价值3W奖励。快来参加吧~0265cinatra
c++20实现的跨平台、header only、跨平台的高性能http库。C++00AI内容魔方
AI内容专区,汇集全球AI开源项目,集结模块、可组合的内容,致力于分享、交流。02- HHunyuan-MT-7B腾讯混元翻译模型主要支持33种语言间的互译,包括中国五种少数民族语言。00
GOT-OCR-2.0-hf
阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile06
- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00
热门内容推荐
最新内容推荐
项目优选
收起

OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
139
1.91 K

deepin linux kernel
C
22
6

Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
8
0

React Native鸿蒙化仓库
C++
192
273

🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
923
551

旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
421
392

openGauss kernel ~ openGauss is an open source relational database management system
C++
145
189

为非计算机科班出身 (例如财经类高校金融学院) 同学量身定制,新手友好,让学生以亲身实践开源开发的方式,学会使用计算机自动化自己的科研/创新工作。案例以量化投资为主线,涉及 Bash、Python、SQL、BI、AI 等全技术栈,培养面向未来的数智化人才 (如数据工程师、数据分析师、数据科学家、数据决策者、量化投资人)。
Jupyter Notebook
74
64

本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
344
1.3 K

Elasticsearch
国内Top1 elasticsearch搜索引擎框架es ORM框架,索引全自动智能托管,如丝般顺滑,与Mybatis-plus一致的API,屏蔽语言差异,开发者只需要会MySQL语法即可完成对Es的相关操作,零额外学习成本.底层采用RestHighLevelClient,兼具低码,易用,易拓展等特性,支持es独有的高亮,权重,分词,Geo,嵌套,父子类型等功能...
Java
36
8