我需要创建一些测试数据以放入我的测试数据库中。我无法使用实时数据，并且当我想测试逻辑时，我需要在测试数据库中拥有“合理的”数据。 假设我只使用一个表T（对于许多表，我将需要做同样的事情），它具有几列，一些数字和一些类别。 对于分类“维度”，创建“合理的行”很容易：例如，如果我有3个类别，并且我看到50％的真实行具有类别A，30％拥有类别B和20％拥有类别C，则对于我创建的每个测试行，我可以生成一个随机数，并且：如果小于0.5，则选择A；如果大于0.8，则选择C，否则选择B。
对于连续尺寸，我想有一个类似的方法，为此，我想到了装仓。问题是，我不知道要使用多少个垃圾箱，以及使用不同大小的垃圾箱是否会更好。理想情况下，我希望bin包含以相似频率出现的所有连续值。不幸的是，我的发行版有些偏斜。 示例：C列的值为0 140万次，其余的10万行中，假设80K个不同的值，频率范围为1到250。
我需要一种无需人工干预就能处理这种极端情况的算法。 这里可能的分布是：对于每一行，取1到15之间的一个数字。如果它小于15，则测试列的值为0，否则它是一个从0到最大值（不包括0）的随机值。列。我不确定这是否可以很好地表示表格，而且最重要的是，我需要自动找到该分布，以获取可能的实际价值分布。
我已经尝试过Freedman–Diaconis规则，但是这给了我宽度为0的垃圾箱，因为IQR为0。 我还可以使用其他算法吗？
非常感谢