◾️はじめに

https://dk521123.hatenablog.com/entry/2025/12/19/233012

で「SDV (Synthetic Data Vault)」っていうのを知ったので
調べてみた

【１】SDV (Synthetic Data Vault)

* 実データからパターンをさまざまな機械学習アルゴリズムを使用し、
　合成データ(Synthetic Data) を生成するためのPythonライブラリ

https://docs.sdv.dev/sdv
https://github.com/sdv-dev/SDV

１）合成データ（Synthetic Data）とは?

https://aws.amazon.com/jp/what-is/synthetic-data/

より抜粋
~~~~~~~~
合成データは、現実世界のデータを模倣した、
人間が作成したデータではありません。
生成型人工知能技術に基づく計算アルゴリズムと
シミュレーションによって作成されます。
~~~~~~~~

２）主要モデル

モデル名	カテゴリ	手法対象データの特徴	強み・メリット
Gaussian Copula(ガウスコピュラ)	単一テーブル(単一で完結するデータ)	統計モデル	相関が比較的単純なデータ\|爆速。計算負荷が低く、数値を綺麗に再現する。
CTGAN / TVAE	単一テーブル(単一で完結するデータ)	深層学習	複雑な分布やカテゴリ変数\|精度重視。非線形な関係や偏ったデータに強い。
HMA	複数テーブル	階層的統計	データベース（親子関係）\|整合性。 ID連携やテーブル間の統計量を維持する。
PAR	時系列・連続	深層学習	履歴、センサー、行動ログ\|順序性。「過去の状態が次に影響する」流れを再現

https://docs.sdv.dev/sdv/tutorials

【２】インストール

pip install sdv

# pip install sdv pandas numpy

【３】サンプル

１）Hello world

import pandas as pd
from sdv.datasets.demo import download_demo
from sdv.metadata import SingleTableMetadata
from sdv.single_table import GaussianCopulaSynthesizer

# 1. 元となるデータの準備（単一テーブル）
# ここでは「顧客情報」のようなシンプルなデータを作成します
data = pd.DataFrame({
    'user_id': [1, 2, 3, 4, 5],
    'age': [25, 34, 45, 23, 56],
    'plan': ['Basic', 'Premium', 'Premium', 'Basic', 'Free'], # カテゴリ変数
    'satisfaction': [0.8, 0.9, 0.7, 0.2, 0.5]  # 数値（0~1）
})

# 2. メタデータの作成
# データの型（どの列がIDか、数値かなど）を自動検出します
metadata = SingleTableMetadata()
metadata.detect_from_dataframe(data)

# 3. 合成モデル（Synthesizer）の選択と学習
# 最も高速な GaussianCopula を使用します
synthesizer = GaussianCopulaSynthesizer(metadata)
synthesizer.fit(data)

# 4. 合成データの生成（サンプリング）
# 10件の新しい「本物そっくりのデータ」を生成します
synthetic_data = synthesizer.sample(num_rows=10)

# 結果の表示
print("--- 元のデータ ---")
print(data.head())
print("\n--- 生成された合成データ ---")
print(synthetic_data.head(10))

出力結果（警告が出るので、コードは感じを掴む形で、、、）

/Library/Frameworks/Python.framework/Versions/3.13/lib/python3.13/site-packages/sdv/single_table/base.py:168: FutureWarning: The 'SingleTableMetadata' is deprecated. Please use the new 'Metadata' class for synthesizers.
  warnings.warn(DEPRECATION_MSG, FutureWarning)
/Library/Frameworks/Python.framework/Versions/3.13/lib/python3.13/site-packages/sdv/single_table/base.py:134: UserWarning: We strongly recommend saving the metadata using 'save_to_json' for replicability in future SDV versions.
  warnings.warn(
--- 元のデータ ---
   user_id  age     plan  satisfaction
0        1   25    Basic           0.8
1        2   34  Premium           0.9
2        3   45  Premium           0.7
3        4   23    Basic           0.2
4        5   56     Free           0.5

--- 生成された合成データ ---
    user_id  age     plan  satisfaction
0   6138286   48  Premium           0.9
1   9216891   37  Premium           0.5
2  15482477   30  Premium           0.8
3   6685114   29  Premium           0.6
4   6689746   49  Premium           0.8
5  11818073   33  Premium           0.5
6   4498502   42  Premium           0.7
7    153594   30  Premium           0.9
8   4933337   56     Free           0.9
9  11440469   27    Basic           0.5

２）CSVデータから読み取って、CSV出力する

import pandas as pd
from sdv.metadata import SingleTableMetadata
from sdv.single_table import GaussianCopulaSynthesizer

df = pd.read_csv('sample.csv')

metadata = SingleTableMetadata()
metadata.detect_from_dataframe(df)

metadata.update_column(column_name='id', sdtype='id')
metadata.update_column(column_name='name', sdtype='categorical')
metadata.update_column(column_name='gender', sdtype='categorical')
metadata.update_column(column_name='birth_day', sdtype='datetime')
metadata.update_column(column_name='address', sdtype='categorical')
metadata.update_column(column_name='phone_number', sdtype='categorical')
metadata.update_column(column_name='email', sdtype='categorical')

synthesizer = GaussianCopulaSynthesizer(
    metadata,
    enforce_min_max_values=True
)
synthesizer.fit(df)

synthetic_data = synthesizer.sample(num_rows=5000)
synthetic_data.to_csv('synthetic_data.csv', index=False)

print("Done!")