name	dummy-dataset
description	生成用于测试的逼真虚拟数据集，支持自定义列、约束条件及输出格式（CSV、JSON、SQL、Python 脚本）。适用于创建测试数据、构建模拟数据集，或为开发和演示生成示例数据。

虚拟数据集生成

生成用于测试的逼真虚拟数据集，支持自定义列、约束条件及输出格式（CSV、JSON、SQL、Python 脚本）。生成可直接执行的脚本或数据文件，即开即用。

适用场景： 创建测试数据、生成示例数据集、为开发构建逼真的模拟数据，或填充测试环境。

参数：

$PRODUCT：产品或系统名称
$DATASET_TYPE：数据类型（如客户反馈、交易记录、用户画像）
$ROWS：生成的行数（默认：100）
$COLUMNS：需要包含的具体列或字段
$FORMAT：输出格式（CSV、JSON、SQL、Python 脚本）
$CONSTRAINTS：附加约束条件或业务规则

Step-by-Step Process（分步流程）

确定数据集类型 - 理解数据领域
定义列规格 - 名称、数据类型和取值范围
确定行数 - 需要多少条样本记录
选择输出格式 - CSV、JSON、SQL INSERT 或 Python 脚本
应用真实规律 - 确保数据看起来真实有效
添加业务约束 - 遵守业务逻辑和关联关系
生成或脚本化数据 - 创建可执行的输出
验证输出 - 确保数据质量和完整性

Template: Python Script Output（Python 脚本输出模板）

import csv
import json
from datetime import datetime, timedelta
import random

# 配置
ROWS = $ROWS
FILENAME = "$DATASET_TYPE.csv"

# 列定义及逼真值生成器
columns = {
    "id": "auto-increment",
    "name": "first_last_name",
    "email": "email",
    "created_at": "timestamp",
    # 添加更多列...
}

def generate_dataset():
    """生成逼真的虚拟数据集"""
    data = []
    for i in range(1, ROWS + 1):
        record = {
            "id": f"U{i:06d}",
            # 根据列定义生成值
        }
        data.append(record)
    return data

def save_as_csv(data, filename):
    """将数据集保存为 CSV 格式"""
    with open(filename, 'w', newline='') as f:
        writer = csv.DictWriter(f, fieldnames=data[0].keys())
        writer.writeheader()
        writer.writerows(data)

if __name__ == "__main__":
    dataset = generate_dataset()
    save_as_csv(dataset, FILENAME)
    print(f"已在 {FILENAME} 中生成 {len(dataset)} 条记录")

Example Dataset Specification（数据集规格示例）

数据集类型： 客户反馈

列：

feedback_id（自增，U001、U002……）
customer_name（真实姓名）
email（有效邮箱格式）
feedback_date（过去 90 天内的日期）
rating（1-5 星）
category（缺陷、功能请求、投诉、好评）
text（真实的反馈内容）
product（电子产品、服装、家居）

约束条件：

评分分布偏斜：40% 五星，30% 四星，20% 三星，10% 一二星
缺陷类别仅出现在 1-3 星评分中
功能请求仅出现在 3-5 星评分中
邮箱域名真实（gmail、yahoo、company.com）

Output Deliverables（输出交付物）

可直接执行的 Python 脚本，或直接的数据文件
格式正确、带表头的 CSV 文件
结构有效、类型正确的 JSON 文件
可在数据库中直接执行的 SQL INSERT 语句
数据验证和约束条件合规
真实、符合业务实际的数据值
数据生成逻辑说明文档
快速上手使用指南

Output Formats（输出格式）

CSV： 平面表格格式，易于导入电子表格和数据库

JSON： 嵌套结构，适用于 API 和 NoSQL 数据库

SQL： INSERT 语句，可直接在关系型数据库上执行

Python 脚本： 可执行的生成器，适用于自定义或大型数据集

Más de este repositorio

mismo repositorio

ab-test-analysis

killvxk/pm-skills-zh

分析 A/B 测试结果，涵盖统计显著性检验、样本量验证、置信区间计算及上线/延长/停止的决策建议。适用于评估实验结果、判断测试是否达到显著性、解读分流测试数据，或决定是否上线某个实验组。

2026-03-1699

cohort-analysis

killvxk/pm-skills-zh

对用户参与度数据执行同期群分析——留存曲线、功能采用趋势及分层洞察。适用于按同期群分析用户留存、研究功能随时间的采用情况、调查流失规律，或识别参与度趋势。

2026-03-1699

sql-queries

killvxk/pm-skills-zh

将自然语言描述转化为 SQL 查询语句。支持 BigQuery、PostgreSQL、MySQL 及其他方言。可从上传的结构图或文档中读取数据库结构。适用于编写 SQL、构建数据报表、探查数据库，或将业务问题转化为查询语句。

2026-03-1699

brainstorm-okrs

killvxk/pm-skills-zh

集思广益制定团队级 OKR（目标与关键成果），对齐公司目标——定性目标与可量化关键成果。适用于制定季度 OKR、将团队目标与公司战略对齐、起草目标，或学习如何编写有效的 OKR。

2026-03-1699

create-prd

killvxk/pm-skills-zh

使用涵盖问题、目标、市场细分、价值主张、解决方案和发布规划的 8 节综合模板创建产品需求文档（PRD）。适用于编写 PRD、记录产品需求、准备功能规格，或评审现有 PRD。

2026-03-1699

job-stories

killvxk/pm-skills-zh

使用「当 [情境] 时，我想要 [动机]，以便 [结果]」格式创建工作故事，附带详细的验收标准。适用于编写工作故事、创建 JTBD（用户待办任务）风格的待办事项，或表达用户情境和动机。

2026-03-1699

name	dummy-dataset
description	生成用于测试的逼真虚拟数据集，支持自定义列、约束条件及输出格式（CSV、JSON、SQL、Python 脚本）。适用于创建测试数据、构建模拟数据集，或为开发和演示生成示例数据。

虚拟数据集生成

生成用于测试的逼真虚拟数据集，支持自定义列、约束条件及输出格式（CSV、JSON、SQL、Python 脚本）。生成可直接执行的脚本或数据文件，即开即用。

适用场景： 创建测试数据、生成示例数据集、为开发构建逼真的模拟数据，或填充测试环境。

参数：

$PRODUCT：产品或系统名称
$DATASET_TYPE：数据类型（如客户反馈、交易记录、用户画像）
$ROWS：生成的行数（默认：100）
$COLUMNS：需要包含的具体列或字段
$FORMAT：输出格式（CSV、JSON、SQL、Python 脚本）
$CONSTRAINTS：附加约束条件或业务规则

Step-by-Step Process（分步流程）

确定数据集类型 - 理解数据领域
定义列规格 - 名称、数据类型和取值范围
确定行数 - 需要多少条样本记录
选择输出格式 - CSV、JSON、SQL INSERT 或 Python 脚本
应用真实规律 - 确保数据看起来真实有效
添加业务约束 - 遵守业务逻辑和关联关系
生成或脚本化数据 - 创建可执行的输出
验证输出 - 确保数据质量和完整性

Template: Python Script Output（Python 脚本输出模板）

import csv
import json
from datetime import datetime, timedelta
import random

# 配置
ROWS = $ROWS
FILENAME = "$DATASET_TYPE.csv"

# 列定义及逼真值生成器
columns = {
    "id": "auto-increment",
    "name": "first_last_name",
    "email": "email",
    "created_at": "timestamp",
    # 添加更多列...
}

def generate_dataset():
    """生成逼真的虚拟数据集"""
    data = []
    for i in range(1, ROWS + 1):
        record = {
            "id": f"U{i:06d}",
            # 根据列定义生成值
        }
        data.append(record)
    return data

def save_as_csv(data, filename):
    """将数据集保存为 CSV 格式"""
    with open(filename, 'w', newline='') as f:
        writer = csv.DictWriter(f, fieldnames=data[0].keys())
        writer.writeheader()
        writer.writerows(data)

if __name__ == "__main__":
    dataset = generate_dataset()
    save_as_csv(dataset, FILENAME)
    print(f"已在 {FILENAME} 中生成 {len(dataset)} 条记录")

Example Dataset Specification（数据集规格示例）

数据集类型： 客户反馈

列：

feedback_id（自增，U001、U002……）
customer_name（真实姓名）
email（有效邮箱格式）
feedback_date（过去 90 天内的日期）
rating（1-5 星）
category（缺陷、功能请求、投诉、好评）
text（真实的反馈内容）
product（电子产品、服装、家居）

约束条件：

评分分布偏斜：40% 五星，30% 四星，20% 三星，10% 一二星
缺陷类别仅出现在 1-3 星评分中
功能请求仅出现在 3-5 星评分中
邮箱域名真实（gmail、yahoo、company.com）

Output Deliverables（输出交付物）

可直接执行的 Python 脚本，或直接的数据文件
格式正确、带表头的 CSV 文件
结构有效、类型正确的 JSON 文件
可在数据库中直接执行的 SQL INSERT 语句
数据验证和约束条件合规
真实、符合业务实际的数据值
数据生成逻辑说明文档
快速上手使用指南

Output Formats（输出格式）

CSV： 平面表格格式，易于导入电子表格和数据库

JSON： 嵌套结构，适用于 API 和 NoSQL 数据库

SQL： INSERT 语句，可直接在关系型数据库上执行

Python 脚本： 可执行的生成器，适用于自定义或大型数据集