◾️はじめに

https://dk521123.hatenablog.com/entry/2025/12/21/000330

の続き。

https://dk521123.hatenablog.com/entry/2025/12/24/001900

を書いている時に気がついたのだが、外部キーがあるようなデータって
SDV (Synthetic Data Vault)はサポートしているのかって気になった。

　AIに聞いたら、
『SDVの最大の強みは「外部キー（リレーションシップ）」を持った
複数テーブルのサポートにあります』って言ってたので、折角なのでメモ。

【１】外部キーを考慮する合成データを作るには
【２】HMA (Hierarchical Modeling Algorithm)
　１）他モデルとの対比
　２）メリット・デメリット
【３】サンプル
　例１：Hello world
【４】Tips
　１）メタデータをJSONで保存する
　２）学習済みモデルを保存する

【１】外部キーを考慮する合成データを作るには

Metadata クラスで「テーブル同士の親子関係」を定義し、
専用の HMASynthesizer を使用

【２】HMA (Hierarchical Modeling Algorithm)

HMAは、リレーショナルデータベースのように
「親テーブル（例：ユーザー）」と「子テーブル（例：注文履歴）」
があるデータを扱うための専用モデル
 => 特徴：テーブルをまたいだ相関（関係性）を壊さないこと

１）他モデルとの対比

特徴	Single Table系 (CTGAN/GaussianCopula)	HMA (HMASynthesizer)	PAR (PARSynthesizer)
対象構造	1枚の表（CSV）	複数の表（親子関係）	1枚の表（時系列）
データの繋がり	なし（1行が独立）	1対多のリレーション	前後の時間的つながり
整合性	行内の整合性のみ	テーブル間の参照整合性	時間軸の連続性
典型的な例	顧客リスト（名簿）	DB（顧客＋注文＋配送）	センサーログ、株価

２）メリット・デメリット

メリット

* 外部キーの不一致（親にいないIDが子にいる）が理論上発生しない
* 「都会のユーザーは注文回数が多い」といった、テーブルをまたぐルールを再現可能
* 統計モデルをベースにしているため、深層学習（GAN）系よりも比較的計算が速く、
　中規模なDBであれば現実的な時間で学習が終わる

デメリット

* 階層が3段階、4段階（親→子→孫→ひ孫...）と深くなると、
　末端の「孫」や「ひ孫」のデータの再現性が落ちる傾向がある
*  「AとBが互いに参照し合っている（循環参照）」ような複雑なリレーションは扱えない

【３】サンプル

例１：Hello world

import pandas as pd
from sdv.metadata import MultiTableMetadata
from sdv.multi_table import HMASynthesizer

# 1. Sample data creation
users_data = pd.DataFrame({
    'user_id': [1, 2, 3],
    'country': ['JP', 'US', 'US']
})

orders_data = pd.DataFrame({
    'order_id': [101, 102, 103, 104, 105],
    'user_id': [1, 1, 2, 3, 3],  # Outer key to users table
    'amount': [1000, 2000, 1500, 3000, 500]
})

# 2. To create metadata for multi-table data
metadata = MultiTableMetadata()

# Important: "detect_table_from_dataframe" must be called before updating columns or setting keys
metadata.detect_table_from_dataframe(table_name='users', data=users_data)
metadata.detect_table_from_dataframe(table_name='orders', data=orders_data)

# 3. Adjust primary keys and types
# After the tables are registered, update_column will work
metadata.update_column(table_name='users', column_name='user_id', sdtype='id')
metadata.set_primary_key(table_name='users', column_name='user_id')

metadata.update_column(table_name='orders', column_name='order_id', sdtype='id')
metadata.set_primary_key(table_name='orders', column_name='order_id')

# Set foreign key relationship ★注目★
metadata.add_relationship(
    parent_table_name='users',
    child_table_name='orders',
    parent_primary_key='user_id',
    child_foreign_key='user_id'
)

# 4. Learning and synthesis
data = {
    'users': users_data,
    'orders': orders_data
}
synthesizer = HMASynthesizer(metadata)
synthesizer.fit(data)

# Generate synthetic data
synthetic_data = synthesizer.sample(scale=1)

print("--- Synthesis successful! ---")
print("\n[Users Table]")
print(synthetic_data['users'])
print("\n[Orders Table]")
print(synthetic_data['orders'])

【４】Tips

１）メタデータをJSONで保存する

# 保存
metadata.save_to_json('my_metadata.json')

# 次回からの読み込み
# from sdv.metadata import MultiTableMetadata
# metadata = MultiTableMetadata.load_from_json('my_metadata.json')

２）学習済みモデルを保存する

# 保存
synthesizer.save('my_synthesizer.pkl')

# 次回からの読み込み
# from sdv.multi_table import HMASynthesizer
# synthesizer = HMASynthesizer.load('my_synthesizer.pkl')

Python SDV 〜入門編〜
https://dk521123.hatenablog.com/entry/2025/12/21/000330