使用一组已知值生成大量测试数据？答案

【问题标题】：Generating large amounts of test data using sets of known values?使用一组已知值生成大量测试数据？
【发布时间】：2014-06-12 14:28:46
【问题描述】：

我正在使用Mockaroo 和 Excel 创建和编辑一些 CSV 文件，这些文件将作为测试数据插入 MySQL 数据库。我有一个名为student_takes_module 的文件，其中包含module_ID 和student_ID 列。

有 10000 个学生 ID 和 500 个模块。该系统的规范要求每个模块注册 1 到 400 名学生（因此student_takes_module）。

有没有一种方法可以匹配随机的 student_ID 和 module_ID 值以符合此规范？

【问题讨论】：

您是否在数据库中存储了每个模块的最大学生人数？
我没有 - 出于数据库的目的，我不确定如果我可以正确生成数据，这将是必需的吗？ DB 仅需要作为在其他地方编写的时间表算法的示例数据源。谢谢

标签： mysql excel test-data

【解决方案1】：

另一种解决方案可能是使用 Excel 中的 RANDBETWEEN 函数从 module_ID 中随机选择值以填充 student_IDs 旁边的新列

或者，Mockaroo 将接受所有 500 个 module_ID 作为自定义列表，它可以将其分配给随机生成的 student_ID。

这些方法的缺点是学生将非常均匀地分布在所有模块中。

【讨论】：

【解决方案2】：

这是一种方法，它是近似的且计算上很痛苦。它首先为每个模块分配一些学生。然后它会随机选择该模块的学生。

insert into student_takes_module(module_id, student_id)
    select m.module_id, s.student_id
    from (select m.*, 10 + rand() * 350 as numstudents
          from modules m
         ) m cross join
         students s cross join
         (select count(*) as totalstudents) const
    where rand() < m.numstudents/const.totalstudents;

350 代替 400 是因为在此上下文中使用 rand() 是近似的。使用10 是因为我认为，如果您至少有 10 名学生，那么当您循环浏览数据时，您可能会为该班级找到至少一名学生。

此方法将处理 10,000*500 = 5,000,000 行来生成测试数据。但是，计算结果还不错（rand() 以性能不佳而闻名，但这是因为函数调用和order by rand() 之间存在混淆）。您可以通过将limit 放在末尾来测试性能，看看需要多长时间才能生成 10 行、1000 行、10000 行，然后是您需要的所有行。

【讨论】：

每次生成随机数之前运行 Randomize Timer() 以提高随机性。
我接受了您的回答，因为它似乎是最完整的解决方案。我添加了自己的答案，以更快地获得类似（但不太全面）的结果