概述

CTGAN 是一系列基于深度学习的单表数据合成生成器，能够从真实数据中学习，并生成高保真度的合成数据。

重要链接
:computer: [官网]	访问 SDV 官网，了解更多关于我们整体合成数据生态的信息。
:orange_book: [博客]	深入探讨开源、合成数据的创建与评估。
:book: [文档]	快速入门、用户指南、开发指南以及 API 参考。
:octocat: [仓库]	此库的 GitHub 仓库链接。
:keyboard: [开发状态]	本软件目前处于预 Alpha 阶段。
:busts_in_silhouette: [DataCebo 论坛]	讨论 CTGAN 功能、提问并获得帮助。

目前，该库实现了在 2019 年 NeurIPS 大会上发表的论文 使用条件 GAN 建模表格数据 中描述的 CTGAN 和 TVAE 模型。

安装

通过 SDV 库使用 CTGAN

:warning: 如果您刚刚开始接触合成数据，我们建议安装 SDV 库，它提供了易于使用的 API 来访问 CTGAN。 :warning:

SDV 库为您的数据预处理提供了封装，并包含约束等额外的易用性功能。请参阅 SDV 文档 开始使用。

直接使用 CTGAN 独立库

或者，您也可以直接安装和使用 CTGAN 作为独立库：

使用 pip:

pip install ctgan

使用 conda:

conda install -c pytorch -c conda-forge ctgan

直接使用 CTGAN 库时，您可能需要手动将数据预处理成正确的格式，例如：

• 连续数据必须表示为浮点数
• 离散数据必须表示为整数或字符串
• 数据不应包含任何缺失值

使用示例

在本示例中，我们加载了 Adult Census 数据集*，这是一个内置的演示数据集。我们使用 CTGAN 从真实数据中学习，然后生成一些合成数据。

from ctgan import CTGAN
from ctgan import load_demo

real_data = load_demo()

# 离散列的名称
discrete_columns = [
    'workclass',
    'education',
    'marital-status',
    'occupation',
    'relationship',
    'race',
    'sex',
    'native-country',
    'income',
]

ctgan = CTGAN(epochs=10)
ctgan.fit(real_data, discrete_columns)

# 创建合成数据
synthetic_data = ctgan.sample(1000)

*有关数据集的更多信息，请参阅： Dua, D. 和 Graff, C. (2019). UCI 机器学习存储库 [http://archive.ics.uci.edu/ml]。 加州欧文：加州大学信息与计算机科学学院。

加入我们的社区

加入我们的 论坛，讨论更多关于 CTGAN 的内容，提问并获得帮助。

有兴趣为 CTGAN 做贡献吗？ 请阅读我们的 贡献指南 开始行动。

引用 CTGAN

如果您使用 CTGAN，请引用以下文献：

Lei Xu, Maria Skoularidou, Alfredo Cuesta-Infante, Kalyan Veeramachaneni. 使用条件 GAN 建模表格数据。NeurIPS，2019 年。

@inproceedings{ctgan,
  title={Modeling Tabular data using Conditional GAN},
  author={Xu, Lei and Skoularidou, Maria and Cuesta-Infante, Alfredo and Veeramachaneni, Kalyan},
  booktitle={Advances in Neural Information Processing Systems},
  year={2019}
}

相关项目

请注意，这些项目不属于 SDV 生态系统，与 DataCebo 无关联，也不由 DataCebo 维护。

• R 语言的 CTGAN 接口：一个封装了 CTGAN 的工具，为 R 用户提供相关功能。 更多详情请参阅相应仓库：https://github.com/kasaai/ctgan
• CTGAN 服务器命令行工具：一个用于轻松将 CTGAN 部署到远程服务器的软件包。由 Timothy Pillow（@oregonpillow）开发，地址：https://github.com/oregonpillow/ctgan-server-cli

---

合成数据 vault 项目 最早于 2016 年在麻省理工学院的 数据到 AI 实验室 创建。经过四年的研究以及在企业界的广泛应用后，我们于 2020 年成立了 DataCebo，旨在进一步推动该项目的发展。 如今，DataCebo 是 SDV 的自豪开发者，SDV 是目前最大的合成数据生成与评估生态系统。该生态体系包含多个支持合成数据的库，其中包括：

• 🔄 数据发现与转换。通过逆向变换重现真实数据。
• 🧠 多种机器学习模型——从 Copula 到深度学习——可用于生成表格型、多表结构及时间序列数据。
• 📊 用于衡量合成数据的质量与隐私保护水平，并比较不同合成数据生成模型的工具。

开始使用 SDV 软件包——这是一个完全集成的解决方案，也是您获取合成数据的一站式平台。或者，您也可以根据具体需求单独使用各个独立库。

CTGAN 快速上手指南

CTGAN 是一个基于深度学习的单表合成数据生成器，能够学习真实数据分布并生成高保真的合成数据。它实现了 CTGAN 和 TVAE 模型。

环境准备

• 操作系统: Linux, macOS, Windows
• Python 版本: 建议 Python 3.8+
• 前置依赖:
  • PyTorch (用于深度学习后端)
  • Pandas, NumPy (用于数据处理)
  • 注：若通过 pip 或 conda 安装，大部分依赖会自动处理。

提示：对于初学者，推荐直接安装 SDV 库，它提供了更友好的 API 和数据预处理功能。本指南专注于 CTGAN 独立库 的使用。

安装步骤

你可以选择使用 pip 或 conda 进行安装。国内用户建议使用清华或阿里镜像源以加速下载。

方式一：使用 pip 安装（推荐）

pip install ctgan -i https://pypi.tuna.tsinghua.edu.cn/simple

方式二：使用 conda 安装

conda install -c pytorch -c conda-forge ctgan

基本使用

以下示例演示如何加载内置的成人人口普查数据集，指定离散列，训练模型并生成合成数据。

1. 导入库与加载数据

from ctgan import CTGAN
from ctgan import load_demo

# 加载内置演示数据 (Adult Census Dataset)
real_data = load_demo()

# 指定离散列的名称 (Categorical columns)
discrete_columns = [
    'workclass',
    'education',
    'marital-status',
    'occupation',
    'relationship',
    'race',
    'sex',
    'native-country',
    'income',
]

2. 初始化与训练模型

# 初始化 CTGAN 模型，设置训练轮数 (epochs)
ctgan = CTGAN(epochs=10)

# 拟合数据：传入真实数据和离散列列表
ctgan.fit(real_data, discrete_columns)

3. 生成合成数据

# 生成 1000 条合成数据
synthetic_data = ctgan.sample(1000)

# 查看生成的数据前几行
print(synthetic_data.head())

数据预处理注意事项

若使用自己的数据集而非 load_demo()，请确保：

• 连续数据必须表示为浮点数 (float)。
• 离散数据必须表示为整数 (int) 或字符串 (string)。
• 数据中不能包含缺失值 (NaN)，需预先清洗。