fn_registry/python/functions/datascience/generate_synthetic_eda_table.md

name, kind, lang, domain, version, purity, signature, description, tags, params, output, uses_functions, uses_types, returns, returns_optional, error_type, imports, tested, tests, test_file_path, file_path

name	kind	lang	domain	version	purity	signature	description	tags	params	output	uses_functions	uses_types	returns	returns_optional	error_type	imports	tested	tests	test_file_path	file_path
generate_synthetic_eda_table	function	py	datascience	1.0.0	impure	def generate_synthetic_eda_table(out_db_path: str, table: str = 'synthetic', n_rows: int = 2000, seed: int = 42) -> dict	Genera una tabla DuckDB sintetica (Faker + numpy, determinista por seed) cuyo contenido esta disenado para ACTIVAR el maximo de capitulos del motor AutomaticEDA del grupo eda: numericas continuas con correlacion lineal/no-lineal, numericas con outliers, categoricas desbalanceadas, texto libre multi-idioma con duplicados, fecha para serie temporal, lat/lon validas, semanticos/PII (uuid/email/iban/phone) y nulos con patron MCAR/MAR. Fixture para evaluar el EDA de punta a punta. Estilo dict-no-throw: nunca lanza.	eda synthetic faker testing fixture datascience	name desc out_db_path Ruta al archivo DuckDB de salida. Se crea (o reutiliza) y la tabla se reemplaza con CREATE OR REPLACE TABLE si ya existe. name desc table Nombre de la tabla a crear. Se valida contra ^[A-Za-z_][A-Za-z0-9_]*$ y se cita en el DDL. Default 'synthetic'. name desc n_rows Numero de filas (clientes unicos). Cada fila es un cliente con id/email/iban/phone propios. Default 2000. name desc seed Semilla para Faker (Faker.seed) y numpy (np.random.default_rng). Mismo seed -> tabla identica byte a byte. Default 42.	dict dict-no-throw. En exito {status:'ok', db_path, table, n_rows, columns:[19 nombres de columna], seed}. En error (sin lanzar, p.ej. nombre de tabla invalido o n_rows<=0) {status:'error', error:str}. Columnas: customer_id,email,iban,phone,income,spending,age,risk_score,tenure_months,engagement_quad,amount,n_purchases,country,category,plan,review,signup_date,latitude,longitude.				false	error_go_core		true	test_genera_ok_y_columnas test_determinismo_mismo_seed test_seeds_distintos_difieren test_latlon_en_rango test_plan_solo_niveles_validos test_income_spending_co_nulos test_review_mediana_palabras_y_signup_datetime test_phone_matchea_regex_internacional test_outliers_y_correlaciones test_tabla_invalida_devuelve_error	python/functions/datascience/generate_synthetic_eda_table_test.py	python/functions/datascience/generate_synthetic_eda_table.py

Ejemplo

# Genera /tmp/x.duckdb con la tabla `synthetic` (2000 filas, seed 42)
fn run generate_synthetic_eda_table /tmp/x.duckdb synthetic 2000 42

import sys, os
sys.path.insert(0, os.path.join("python", "functions"))
from datascience import generate_synthetic_eda_table

res = generate_synthetic_eda_table("/tmp/x.duckdb", "synthetic", n_rows=2000, seed=42)
# res == {"status":"ok", "db_path":"/tmp/x.duckdb", "table":"synthetic",
#         "n_rows":2000, "columns":[...19...], "seed":42}
# Luego perfilala con el grupo eda:
#   fn run profile_table /tmp/x.duckdb synthetic

Cuando usarla

• Cuando necesites un dataset de prueba REPRODUCIBLE para evaluar el motor AutomaticEDA de punta a punta: su contenido dispara, a proposito, num_distr, cat_distr, text_distr, correlacion, missingness (MCAR/MAR), modelos (PCA/KMeans/outliers), timeseries, geospatial, calidad, agregacion y los detectores semanticos / PII (infer_semantic_type).
• Cuando escribas tests de capitulos del EDA y quieras una tabla con una columna que active CADA detector sin montar datos a mano.
• Cuando quieras un fixture determinista (mismo seed -> misma tabla) para comparar el render del EDA entre versiones.

Gotchas

• Impura: escribe a disco (crea/reutiliza el archivo DuckDB). Reemplaza la tabla destino con CREATE OR REPLACE.
• Requiere faker, duckdb, numpy y pandas instalados en el venv. Sin faker la generacion devuelve {status:'error'} (no lanza).
• signup_date queda como TIMESTAMP/DATE en DuckDB (se construye con datetime64[ns]), NO VARCHAR — condicion para que detect_time_column la elija y se active el capitulo timeseries. Si fuese VARCHAR, el detector de fecha fallaria.
• El texto de review debe superar el gate de text_distr: media de caracteres >= 50 y mediana de palabras >= 20. Por eso cada review concatena dos parrafos Faker (~50 palabras de mediana); no reducir el numero de frases o el capitulo text_distr no activa.
• Determinismo dependiente del orden de llamadas: se siembra Faker.seed(seed) + np.random.default_rng(seed) al inicio; cambiar el orden de las extracciones cambia la salida aunque el seed sea el mismo.
• PII real-istica: email/iban/phone/customer_id matchean los regex de infer_semantic_type (email/iban/phone_intl/uuid) al 100%; son datos sinteticos de Faker, no personas reales.

Notas

Mapa columna -> detector que activa:

Columna(s)	Tipo	Detector / capitulo
income, spending	num continua	correlacion POSITIVA fuerte (Pearson > 0.8)
age, risk_score	num continua	correlacion NEGATIVA
tenure_months, engagement_quad	num continua	relacion NO LINEAL (cuadratica)
amount, n_purchases	num + outliers	num_distr / outliers (cola pesada + extremos inyectados)
country (12), category (6), plan (3 desbalanceado)	categorica	cat_distr / agregacion (entropia baja en plan)
review	texto libre multi-idioma	text_distr (len_mean>=50, mediana palabras>=20) + duplicados exactos
signup_date	DATE/TIMESTAMP	timeseries
latitude, longitude	num [-90,90]/[-180,180]	geospatial (detect_latlon_columns)
customer_id, email, iban, phone	texto	semantic_type uuid/email/iban/phone_intl (PII)
income+spending (co-nulos 12%), risk_score (nulo si plan=alta), review (8%)	nulos con patron	missingness MCAR/MAR