测试造假数据的库 Faker 随机生成名字的能力如何

看到某公众号有一篇文章：Python中神奇的第三方库：Faker
Faker 项目地址
文章大致介绍了一下 Faker 这个库的功能和用法。我对其中随机生成名字的功能比较感兴趣，想看看随着生成的数据逐渐变多，随机生成的名字会不会出现重复，以及重复的概率有多大。

测试过程如下：

1. 每次随机生成的数目 m 的范围和步长分别是 [100, 10000]、100；
2. 每次数据生成后求每条名字的重复的次数 n；
3. 概率取 n/m;
4. 重复步骤 1、2、3、4 十次；
5. 取十次概率的均值并画出变化趋势

代码如下：

from faker import Faker
import math
import numpy as np
import matplotlib.pyplot as plt
from matplotlib.ticker import FuncFormatter

#epoch：运行次数，int 类型
#ite：一次生成的名字数量，int 类型
#sta：是否每次显示统计信息， bool 类型，默认为 False
#函数返回 这一批名字的重复概率（所有可用名字的数量除以 ite），int 类型
def gen_names(epoch, ite, sta=False):
    fake = Faker(locale='zh_CN')
    total = 0
    names = {}								#存放名字及其数量的字典
    for r in range(epoch):
        for i in range(ite):
            if (i + r * ite + 1)%(int(epoch * ite / 10)) == 0:	#每10%输出一次进度
                if sta:
                    print(str(round((i + r * ite + 1)/(epoch * ite) * 100)) + '%')
            name = fake.name()
            if name in names:
                names[name] = names[name] + 1 					#累加名字重复的次数
            else:
                names[name] = 0 			#如果是新名字则保存，初始数量为 0
    repeats = 0
    for key in names:
        repeats = repeats + names[key] 		#累加所有名字的重复次数
    if sta:
        print('{} iterations {} names each time'.format(epoch,ite))
        print('%d names' % len(names))
        print('%d repeats' % repeats)
        print('duplicate rate: %.5f' % (epoch * ite)))
    return round(repeats/(epoch * ite), 4)


array = np.zeros((10,100)) 				#用来绘图的数组，10 次实验每次 100 个数据

for i in range(10):
    print('{}/10'.format(i+1)) 			#展示进度 需要数几分钟
    list_ = [] 							#暂存每次统计的数据
    for j in range(100,10100,100):
        list_.append(gen_names(1, j))
    array[i] = list_
    
data = np.mean(array, axis = 0)			#求十次的均值

def changex(temp, position):			#x轴原来是 1-100，扩大 100 倍来符合实际意义
    return int(temp * 100)
plt.gca().xaxis.set_major_formatter(FuncFormatter(changex)) #扩展x轴
plt.plot(data.tolist(),color='g')							#绘制趋势，横坐标为一次生成的名字数量，纵坐标为所有名字重复的概率
plt.savefig('./test.png', format='png')						#保存图片

举个例子：(10000, 0.4)这个点代表的意思是，用 Faker 库一次随机生成 10000 个名字，有 40% 的名字是重复的

综上：

• 这个库随机生成名字的数量比较大的时候，重复的概率还是很高的
• 地址生成的真实度也比较低，但是用来测试应该够用了