// 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。
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。
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。
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。
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。
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。
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。
| 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。 |
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")
数据集类型： 客户反馈
列：
约束条件：
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