合成数据实战指南：从原理到Python落地的完整工作流

1. 为什么今天必须亲手搞懂合成数据——一个干了十年数据工程的老兵的肺腑之言

我第一次被客户指着鼻子骂，是在2016年。那会儿还在做金融风控模型，客户给了37份脱敏后的贷款申请表，要求两周内上线反欺诈模型。我吭哧吭哧跑完特征工程、调参、验证，结果上线首周误拒率飙到42%。客户甩来一句：“你用的什么数据？连‘月收入5万但征信空白’这种基础组合都学不会？”——我当场打开原始数据看分布：37份里根本没有“高收入+低征信”的样本。不是模型不行，是数据根本没覆盖这个现实场景。

这就是合成数据最原始、最粗粝的价值：它不解决“数据好不好”的问题，它先解决“数据有没有”的生存问题。过去八年，我带团队做过医疗影像标注、工业设备故障预测、跨境电商用户行为建模，几乎每个项目都卡在数据环节。医院拿不出10万张带病理标注的胃镜图；工厂不愿共享核心产线传感器原始流；东南亚市场根本找不到符合GDPR的本地化用户行为日志。这时候，等真实数据？黄花菜都凉了。买数据？动辄百万起，还可能买到清洗过的垃圾。而合成数据，是唯一能让你在数据荒漠里自己挖井的技术。

你可能会说：“不就是造点假数据吗？Python里random.randint()一行搞定。”——这正是我踩过最深的坑。2019年给某三甲医院做术后并发症预测，团队用正态分布生成了10万条“模拟患者数据”，训练出的模型在测试集AUC高达0.92，结果一上临床，对真实患者预警准确率不到35%。复盘发现：我们生成的“年龄”和“肌酐值”有强相关性，但真实世界里，80岁老人肌酐值可能因肌肉萎缩反而偏低；我们设定的“手术时长”服从均匀分布，可实际中腹腔镜手术时长集中在1.5-2.5小时，两端极值极少。合成数据不是数据造假，而是用数学语言重写现实世界的因果律。它要求你比业务方更懂业务逻辑，比医生更懂病理机制，比工程师更懂设备物理特性。

这篇文章，是我把十年踩坑经验、三个失败项目复盘、五个成功落地案例，全部拆解成可执行步骤的结晶。不讲虚的“AI趋势”，不堆砌“GAN/VAE”术语，就告诉你：当老板明天就要看到demo、当合规部门卡着你的数据审批、当你面对一片空白的CSV文件时，怎么用Python从零开始，造出能真正跑通业务逻辑的合成数据。文中的每行代码，我都实测过至少三种边界场景；每个工具选型，都对比过生产环境下的吞吐量与内存占用；每个避坑提示，都来自凌晨三点debug的日志截图。如果你正在为数据发愁，这篇就是你的施工图纸。

2. 合成数据的本质：不是“造数据”，而是“建模现实”

2.1 破除迷思：合成数据≠随机数生成器

很多新手一上来就写np.random.normal(170, 10, 1000)，觉得“身高数据生成好了”。但请停一下：这个操作本质是在模拟一个静态快照，而真实世界是动态系统。举个例子，某智能电表公司需要合成用电负荷数据。如果只按正态分布生成“瞬时功率值”，你会得到一堆毫无时间关联的数字。但现实中，凌晨2点的负荷必然低于早高峰，空调开启会导致功率阶梯式上升，故障跳闸则产生尖锐脉冲。合成数据的核心任务，是捕捉变量间的约束关系（constraints）、时序依赖（temporal dependencies）和因果链条（causal chains）。

我见过最典型的失败案例，是某车企用GAN生成自动驾驶训练图像。模型确实生成了逼真的道路画面，但所有“行人”都笔直站立在路中央，没有行走姿态、没有遮挡关系、没有视线交互。因为GAN只学习了像素级统计分布，却没编码“行人会移动”“车辆会避让”“红灯时行人停止”这些物理规则。结果模型在仿真环境中表现完美，一上真实道路就频繁误判。所以，合成数据的第一道门槛，不是技术选型，而是业务建模能力——你得先用文字、流程图或数学公式，把现实世界的运行逻辑写清楚。

2.2 三类数据的合成逻辑差异：结构决定方法论

合成策略必须匹配数据类型，这是血泪教训换来的铁律。我按实战经验把三类数据的合成逻辑差异总结如下：

特别强调一点：永远不要用同一套方法处理所有数据类型。我曾见团队用Stable Diffusion生成医疗检验报告PDF（非结构化），再用OCR转成结构化表格——结果OCR把“HbA1c: 5.7%”识别成“HbAlc: 5.7%”，导致后续所有血糖分析全错。正确做法是：直接用synthpop生成结构化检验指标，再用Jinja2模板引擎渲染成PDF格式。形式服务于内容，而非相反。

2.3 合成质量的黄金三角：保真度、隐私性、实用性

评估合成数据不能只看“像不像”，必须用三维坐标系衡量。这是我带团队验收127个合成数据项目的总结：

• 保真度（Fidelity）：不是指单字段分布相似，而是多维联合分布与业务逻辑的一致性。例如银行风控数据，不仅要保证“收入”和“负债”各自的直方图匹配，更要确保“负债/收入比>5”时，“逾期次数”的条件概率分布与真实数据一致。我们用SDV的evaluate模块计算CSTest（分类统计检验）和KSTest（连续变量KS检验），阈值设为p>0.05才算通过。

• 隐私性（Privacy）：不是简单删除身份证号，而是防止成员推断攻击（Membership Inference Attack）。即攻击者能否通过合成数据反推出“某人是否在原始数据集中”。我们采用SDV的PrivacyEvaluator，用真实数据训练一个判别器，看它能否区分合成数据与真实数据。若AUC<0.65，说明隐私性达标（随机猜测AUC=0.5）。

• 实用性（Utility）：终极标准——用合成数据训练的模型，在真实数据上的性能衰减≤5%。我们固定模型架构、超参、验证集，只替换训练数据源。若合成数据训练的模型F1-score为0.82，真实数据为0.86，则衰减4.7%，可接受；若衰减12%，说明合成过程丢失了关键模式，必须回溯调整。

这三个维度像三角形的三条边，拉长一条必然压缩另一条。比如为提升隐私性加入更多噪声，保真度就会下降；为增强实用性过度拟合真实数据，隐私性就危险。我的经验是：优先保障实用性底线（衰减≤5%），在此基础上优化保真度，最后用差分隐私等技术兜底隐私性。毕竟，老板要的是能赚钱的模型，不是完美的数学玩具。

3. 四种核心技术的深度拆解：从原理到避坑指南

3.1 随机生成法：不是“低端”，而是“精准狙击”

很多人鄙视随机生成，认为它“太简单”。但在我处理过的37个紧急项目中，有21个首选随机生成——因为它快、可控、无黑箱。关键在于：随机不是目的，而是实现特定业务约束的工具。以生成电商用户数据为例：

import numpy as np import pandas as pd # 正确做法：用截断分布+条件采样，强制业务逻辑 def generate_ecommerce_users(n_samples=10000): # 年龄：真实世界中18-80岁，但电商主力是25-45岁，用截断正态分布 age = np.random.normal(loc=35, scale=8, size=n_samples) age = np.clip(age, 18, 80) # 强制边界 # 收入：与年龄强相关，但非线性（35岁后增速放缓） income_base = 20000 + (age - 18) * 1200 - (age - 35) ** 2 * 5 # 二次项模拟增速放缓 income = np.random.normal(loc=income_base, scale=income_base * 0.25) # 关键！购买频次必须满足：年轻用户（<25）频次高但客单价低；中年用户（35-50）频次适中但客单价高 purchase_freq = np.where( age < 25, np.random.poisson(lam=8), # 学生党爱刷单 np.where(age <= 50, np.random.poisson(lam=3), # 上班族理性消费 np.random.poisson(lam=1) # 退休族少购物 ) ) # 客单价：与收入正相关，但受年龄调节（年轻人愿为兴趣付费） avg_order_value = ( income * 0.05 + (age - 25) * 200 * (age >= 25) + # 35岁以上更舍得花钱 np.random.normal(loc=0, scale=500) # 随机波动 ) avg_order_value = np.clip(avg_order_value, 50, 20000) # 合理范围 return pd.DataFrame({ 'user_id': range(1, n_samples+1), 'age': age.astype(int), 'annual_income': income.astype(int), 'purchase_frequency_monthly': purchase_freq, 'avg_order_value': avg_order_value.astype(int) }) df = generate_ecommerce_users(10000) print(df.describe())

提示：这段代码的关键在于np.where嵌套和np.clip。它不追求“完美拟合真实分布”，而是用最少的参数，强制实现三个业务事实：1）年龄集中在25-45岁；2）收入与年龄呈倒U型关系；3）购买频次随年龄增长而下降。实测下来，用此数据训练的RF推荐模型，在真实A/B测试中点击率衰减仅2.3%，远优于盲目用GAN生成的“高保真”数据。

避坑指南：

• ❌ 错误：np.random.randint(18, 80, 10000)→ 生成均匀分布，完全违背电商用户年龄集中规律
• ✅ 正确：用scipy.stats.truncnorm替代np.random.normal，精确控制截断点
• ⚠️ 警惕：所有字段必须用同一随机种子（np.random.seed(42)），否则字段间无关联

3.2 规则驱动法：把领域知识编译成数据引擎

规则法不是写if-else，而是将专家经验转化为可计算的约束系统。以生成医疗检验报告为例，真实世界中存在硬性医学逻辑：

• 血红蛋白（Hb）<120g/L → 可能贫血，此时红细胞压积（HCT）通常<37%
• 白细胞计数（WBC）>10×10⁹/L → 提示感染，此时中性粒细胞比例（NEUT%）应>70%
• 肌酐（CREA）>133μmol/L → 肾功能异常，此时尿素氮（BUN）通常>7mmol/L

这些不是统计相关性，而是临床指南规定的因果链。我的做法是构建三层规则引擎：

import pandas as pd import numpy as np class MedicalDataGenerator: def __init__(self): # 第一层：基础生理参数（独立分布） self.base_params = { 'hb': {'dist': 'normal', 'loc': 140, 'scale': 15}, 'wbc': {'dist': 'lognormal', 'shape': 0.5, 'scale': 6}, 'crea': {'dist': 'gamma', 'a': 2, 'scale': 50} } def _apply_medical_rules(self, df): # 第二层：基于基础参数的衍生计算（确定性规则） df['hct'] = df['hb'] * 0.28 + np.random.normal(0, 2) # Hb与HCT的线性关系 # 第三层：条件约束（硬性医学逻辑） # 规则1：贫血时HCT必须降低 anemia_mask = df['hb'] < 120 df.loc[anemia_mask, 'hct'] = np.clip( df.loc[anemia_mask, 'hct'], 0, 37 # 强制上限37% ) # 规则2：感染时NEUT%必须升高 infection_mask = df['wbc'] > 10 df.loc[infection_mask, 'neut_pct'] = np.clip( df.loc[infection_mask, 'neut_pct'], 70, 100 # 强制下限70% ) return df def generate(self, n_samples=5000): df = pd.DataFrame() for param, config in self.base_params.items(): if config['dist'] == 'normal': df[param] = np.random.normal(config['loc'], config['scale'], n_samples) elif config['dist'] == 'lognormal': df[param] = np.random.lognormal(config['shape'], config['scale'], n_samples) # 添加其他字段 df['neut_pct'] = np.random.normal(55, 10, n_samples) # 初始中性粒细胞比例 # 应用医学规则 df = self._apply_medical_rules(df) return df generator = MedicalDataGenerator() df_med = generator.generate(5000)

实操心得：规则引擎的威力在于“可解释性”。当合规部门质疑数据真实性时，我能直接展示第12行代码：“看，这里强制贫血患者HCT≤37%，完全遵循《内科学》第7版P213页指南”。而GAN生成的数据，我只能回答“模型学到了分布”，这在医疗审计中是致命缺陷。

避坑指南：

• ❌ 错误：把所有规则写在一个函数里 → 无法单独测试某条规则有效性
• ✅ 正确：按“基础参数→衍生计算→条件约束”分层，每层可独立单元测试
• ⚠️ 警惕：规则冲突！例如“贫血→HCT↓”和“脱水→HCT↑”同时触发时，需定义优先级（临床中贫血优先级更高）

3.3 仿真建模法：用代码重演现实世界的物理引擎

仿真不是“画流程图”，而是用微分方程/状态机描述系统动力学。以生成工业设备振动数据为例，真实设备故障有明确物理过程：

• 正常状态：振动频谱以基频（f0）为主，幅值稳定
• 早期故障：出现f0/2、2f0等谐波，幅值缓慢上升
• 严重故障：出现冲击脉冲，时域波形出现周期性尖峰

我用simpy构建的仿真器，核心是定义设备状态转移：

import simpy import numpy as np import pandas as pd class IndustrialMachine: def __init__(self, env, failure_rate=0.001): self.env = env self.state = 'normal' # normal, incipient, severe self.failure_rate = failure_rate self.vibration_history = [] def run(self): while True: # 根据当前状态生成振动信号 if self.state == 'normal': signal = self._generate_normal_vibration() elif self.state == 'incipient': signal = self._generate_incipient_vibration() else: # severe signal = self._generate_severe_vibration() self.vibration_history.append({ 'time': self.env.now, 'state': self.state, 'rms': np.sqrt(np.mean(signal**2)), 'peak_to_peak': np.max(signal) - np.min(signal) }) # 状态转移逻辑（基于物理退化模型） if self.state == 'normal': if np.random.random() < self.failure_rate * self.env.now: self.state = 'incipient' elif self.state == 'incipient': if np.random.random() < self.failure_rate * 2 * self.env.now: self.state = 'severe' yield self.env.timeout(1) # 每秒采集一次 def _generate_normal_vibration(self): # 基频f0=50Hz，叠加白噪声 t = np.linspace(0, 1, 1000) return 1.0 * np.sin(2*np.pi*50*t) + np.random.normal(0, 0.1, 1000) def _generate_incipient_vibration(self): t = np.linspace(0, 1, 1000) # 加入2f0谐波和幅值缓升 base = 1.2 * np.sin(2*np.pi*50*t) harmonic = 0.3 * np.sin(2*np.pi*100*t) return base + harmonic + np.random.normal(0, 0.15, 1000) def _generate_severe_vibration(self): t = np.linspace(0, 1, 1000) # 周期性冲击：每0.1秒一个脉冲 impulse = np.zeros(1000) for i in range(0, 1000, 100): # 100点=0.1秒 if i+10 < 1000: impulse[i:i+10] = np.linspace(0, 5, 10) # 上升沿 return 2.0 * np.sin(2*np.pi*50*t) + impulse + np.random.normal(0, 0.2, 1000) # 运行仿真 env = simpy.Environment() machine = IndustrialMachine(env, failure_rate=0.0005) env.process(machine.run()) env.run(until=3600) # 仿真1小时 df_vib = pd.DataFrame(machine.vibration_history) print(df_vib.groupby('state').agg({'rms': ['mean', 'std']}))

实测效果：用此仿真数据训练的LSTM故障预测模型，在真实设备上提前2.3小时预警轴承失效，准确率91.7%。关键在于，仿真器编码了“故障是渐进过程”这一物理本质，而纯统计方法（如ARIMA）只能拟合平稳序列，对突变毫无招架之力。

避坑指南：

• ❌ 错误：用随机游走模拟设备退化 → 无法体现故障的确定性物理规律
• ✅ 正确：查阅设备手册，提取基频、谐波比、冲击周期等物理参数，作为仿真输入
• ⚠️ 警惕：仿真步长必须匹配真实采样率（如振动传感器10kHz，仿真步长≤0.0001秒）

3.4 生成模型法：当统计规律复杂到必须用神经网络

生成模型不是银弹，而是处理高维非线性关系的终极武器。但必须明确：GAN/VAE不是用来生成“好看图片”的，而是解决“传统方法无法建模的耦合关系”。以生成银行信贷数据为例，真实数据中存在隐性耦合：

• “教育程度”与“职业类型”强相关（博士多为高校教师/研究员）
• “婚姻状况”与“房贷余额”相关（已婚用户更可能有房贷）
• “信用卡使用率”与“逾期历史”存在非线性阈值效应（使用率>90%时逾期风险陡增）

这些关系用规则法写不完，用随机法拟合不准。这时SDV的GaussianCopula就是最优解——它用高斯混合模型学习字段联合分布，再用copula函数解耦边缘分布与相关性：

from sdv.tabular import GaussianCopula from sdv.evaluation import evaluate # 加载真实数据（脱敏后） real_data = pd.read_csv('bank_real_data.csv') # 包含education, occupation, marital_status等20+字段 # 训练合成模型（自动处理混合数据类型） model = GaussianCopula( categorical_columns=['education', 'occupation', 'marital_status'], continuous_columns=['income', 'loan_balance', 'credit_utilization'], # 关键参数：增加迭代次数提升复杂关系拟合 epochs=300, # 使用贝叶斯优化自动调参 learn_rounding=True ) model.fit(real_data) # 生成10万条合成数据 synthetic_data = model.sample(num_rows=100000) # 评估质量（重点看联合分布） quality_report = evaluate( synthetic_data, real_data, metrics=['CSTest', 'KSTest', 'LogisticDetection'] ) print(quality_report)

注意：GaussianCopula比GAN更稳，因为它是概率模型而非对抗训练。在2022年某城商行项目中，GAN训练3天后崩溃，而GaussianCopula2小时完成，且合成数据训练的XGBoost风控模型AUC仅衰减0.008。

避坑指南：

• ❌ 错误：对高基数分类变量（如用户ID）用one-hot编码 → 内存爆炸
• ✅ 正确：用sdv的AnonymizedFaker转换器，将ID映射为匿名字符串
• ⚠️ 警惕：生成模型对缺失值敏感！必须用sklearn.impute.IterativeImputer先补全，而非简单删行

4. 工具链实战：从单表到多表关系的完整工作流

4.1 SDV：结构化数据的瑞士军刀（附完整医疗数据生成案例）

SDV不是玩具库，而是经过生产环境千锤百炼的工业级工具。我以生成符合HL7标准的电子病历（EMR）数据为例，展示其多表关系建模能力：

from sdv.relational import HMA1 from sdv.constraints import FixedCombinations import pandas as pd # 步骤1：定义多表关系（模拟真实EMR数据库） patients = pd.read_csv('patients.csv') # patient_id, age, gender, diagnosis visits = pd.read_csv('visits.csv') # visit_id, patient_id, date, department lab_results = pd.read_csv('lab_results.csv') # result_id, visit_id, test_name, value # 步骤2：添加业务约束（这才是SDV的灵魂） # 约束1：性别与激素检测值的逻辑关系（女性FSH值通常高于男性） hormone_constraint = FixedCombinations( columns=['gender', 'test_name'], handling_strategy='reject_sampling' ) # 约束2：诊断与科室的映射（糖尿病患者必去内分泌科） diagnosis_dept_constraint = FixedCombinations( columns=['diagnosis', 'department'], handling_strategy='transform' ) # 步骤3：构建多表模型（HMA1是SDV最新架构） model = HMA1( metadata={ 'tables': { 'patients': { 'primary_key': 'patient_id', 'fields': { 'age': {'type': 'numerical'}, 'gender': {'type': 'categorical'}, 'diagnosis': {'type': 'categorical'} } }, 'visits': { 'primary_key': 'visit_id', 'fields': { 'patient_id': {'type': 'id', 'ref': 'patients.patient_id'}, 'date': {'type': 'datetime'}, 'department': {'type': 'categorical'} } } } } ) # 步骤4：训练（自动处理外键、约束、混合类型） model.fit({ 'patients': patients, 'visits': visits, 'lab_results': lab_results }) # 步骤5：生成（保持1:10:50的患者:就诊:检验比例） synthetic = model.sample( num_rows={'patients': 1000, 'visits': 10000, 'lab_results': 50000} ) # 验证外键完整性（关键！） print("Patients-Visits外键验证:", synthetic['visits']['patient_id'].isin(synthetic['patients']['patient_id']).all())

实测数据：在某三甲医院合作项目中，用此流程生成10万患者数据，耗时47分钟（AWS c5.4xlarge），合成数据训练的DRG分组模型在真实测试集上F1-score达0.892，仅比真实数据低0.003。SDV的真正价值在于：它把数据库管理员（DBA）的领域知识，编译成了可复用的数据生成协议。

避坑指南：

• ❌ 错误：直接用pd.concat()合并多表 → 外键断裂，生成数据无法JOIN
• ✅ 正确：用HMA1的metadata明确定义主外键，让模型自动学习关系
• ⚠️ 警惕：时间字段必须用datetime类型，否则HMA1无法学习时序模式

4.2 Gretel.AI：当需要企业级API与合规认证时

Gretel不是“云版SDV”，而是为GDPR/HIPAA合规设计的合成数据工厂。它的核心优势是：所有数据处理在客户VPC内完成，API密钥不接触原始数据。以下是我们为某跨国药企搭建的自动化流水线：

from gretel_trainer.relational import RelationalData, MultiTable from gretel_client import configure_session # 配置会话（密钥不上传，仅用于认证） configure_session( api_key="grt_...", endpoint="https://api.gretel.cloud", default_project="clinical-trials" ) # 步骤1：加载多表数据（自动推断主外键） relational_data = RelationalData() relational_data.add_table( name="patients", primary_key="patient_id", data=pd.read_csv("patients.csv") ) relational_data.add_table( name="adverse_events", primary_key="event_id", data=pd.read_csv("adverse_events.csv") ) # 自动检测外键关系 relational_data.infer_foreign_keys() # 步骤2：配置企业级模型（amplify是Gretel最强模型） multitable = MultiTable( relational_data, project_display_name="Oncology_Trial_Synthetic", gretel_model="amplify", # 比basic模型保真度高40% # 关键：启用差分隐私（ε=2.0，平衡隐私与效用） privacy_compliance={"epsilon": 2.0} ) # 步骤3：训练（异步，返回job_id） job_id = multitable.train() # 步骤4：生成（指定记录数，保持比例） multitable.generate(record_size_ratio=1.0) # 步骤5：下载合成数据（加密传输） synthetic_patients = multitable.synthetic_output_tables["patients"] synthetic_patients.to_csv("synthetic_patients.csv", index=False)

合规亮点：Gretel的privacy_compliance参数直接对接差分隐私理论，ε=2.0意味着攻击者无法以>63%的概率判断某人是否在原始数据集中（根据ε-DP定义）。这比“删除姓名”“泛化年龄”等传统脱敏，具备数学可证明的隐私保障。

避坑指南：

• ❌ 错误：用免费版Gretel处理PHI数据 → 不符合HIPAA要求
• ✅ 正确：必须购买企业版，启用VPC部署和审计日志
• ⚠️ 警惕：record_size_ratio=1.0不保证字段数一致！需检查synthetic_patients.shape[0]是否等于原始行数

4.3 Synthea：医疗领域的开箱即用解决方案

Synthea不是Python库，而是用FHIR标准构建的医疗仿真引擎。它不生成“数据”，而是模拟“人的一生”。以下是如何定制化生成中国慢病管理数据：

# 步骤1：下载Synthea（Java环境） git clone https://github.com/synthetichealth/synthea.git cd synthea # 步骤2：修改配置（生成中国人口特征） echo 'export SYNTHEA_HOME="/path/to/synthea"' >> ~/.bashrc echo 'export JAVA_HOME="/usr/lib/jvm/java-11-openjdk-amd64"' >> ~/.bashrc # 步骤3：创建中国疾病谱配置（config/properties.ini） # 修改发病率：高血压18.9%（中国CDC数据），糖尿病11.2% # 修改用药：二甲双胍为一线用药，阿卡波糖为二线

// 步骤4：扩展疾病模型（src/main/resources/conditions/hypertension.json） { "name": "Hypertension", "prevalence": 0.189, "onset_age": {"min": 30, "max": 80}, "progression": [ { "stage": "Stage1", "duration": {"min": 1, "max": 5}, // 持续1-5年 "medications": ["Metformin"] // 中国指南一线用药 } ] }

# 步骤5：运行生成（指定中国地区、人口规模） ./run_synthea -p 10000 -r "China" -a 30-80

效果：生成10,000名虚拟中国患者，包含完整的生命周期事件：出生、疫苗接种、门诊就诊、住院、用药、死亡。所有数据符合FHIR R4标准，可直接导入医院EMR系统测试。Synthea的价值在于：它把《中国慢性病防治指南》编译成了可执行的代码。

避坑指南：

• ❌ 错误：直接用默认美国配置 → 生成患者服用氯吡格雷（中国指南不推荐）
• ✅ 正确：必须修改conditions/目录下的JSON文件，匹配中国诊疗路径
• ⚠️ 警惕：Synthea生成的是FHIR JSON，需用fhir.resources库解析，而非直接读CSV

5. 质量评估与问题排查：一份来自生产环境的速查手册

5.1 三步质量评估法：从统计到业务的穿透式验证

合成数据验收不是“跑个脚本”，而是分层穿透验证。我在所有项目中严格执行以下三步：

第一步：统计层验证（10分钟）

用SDV的evaluate模块快速扫描：

from sdv.evaluation import evaluate report = evaluate( synthetic_data, real_data, metrics=['CSTest', 'KSTest', 'CorrelationSimilarity'], aggregate=False # 逐字段输出，不汇总 ) # 重点关注p-value < 0.05的字段（分布显著不同） print(report[report['score'] < 0.05])

第二步：模型层验证（2小时）

训练轻量级模型，对比性能衰减：

from sklearn.ensemble import RandomForestClassifier from sklearn.metrics import f1_score # 固定超参，只换数据源 rf = RandomForestClassifier(n_estimators=100, max_depth=10, random_state=42) # 在真实数据上训练并测试 rf.fit(real_data.drop('target', axis=1), real_data['target']) real_score = f1_score(real_test['target'], rf.predict(real_test.drop('target', axis=1))) # 在合成数据上训练，在真实测试集上测试 rf_syn.fit(synthetic_data.drop('target', axis=1), synthetic_data['target']) syn_score = f1_score(real_test['target'], rf_syn.predict(real_test.drop('target', axis=1))) print(f"性能衰减: {(real_score - syn_score)/real_score:.1%}") # 要求 ≤5%

第三步：业务层验证（半天）

邀请领域专家盲测，提出具体问题：

• “请找出10个‘糖尿病患者但从未使用