Skip to content

Sintetizador de Datos: Cómo construí un generador de datos tabulares

21 oct 2025 (hace 3 meses)

3 min de lectura

#Python#Data Science#SDV#Streamlit#Hugging Face

Crear una app web ligera que permita subir un CSV, entrenar un modelo generativo (GaussianCopula / CTGAN / TVAE) y descargar un dataset sintético, todo corriendo en CPU dentro de Hugging Face Spaces.

Hugging Face Logo

Space en Hugging Face

|GitHub Logo

Repositorio

Sintetizador de datos

En muchos proyectos reales no es posible compartir datos por temas de privacidad o compliance. Los datos sintéticos permiten:

  • Publicar demos sin exponer información sensible.
  • Aumentar datos (data augmentation) y balancear clases raras.
  • Probar pipelines/ETL y dashboards sin usar el dataset original.

Quise construir una herramienta simple, explicable y portable para mi portafolio: subir un CSV, aprender su distribución y generar un nuevo CSV que conserve patrones globales (distribuciones y correlaciones), sin copiar registros.

¿Qué hace?

  1. Upload obligatorio de un CSV (no hay datos precargados).
  2. Detección de tipos de columna y construcción de metadata.
  3. Entrenamiento de un sintetizador (GaussianCopula / CTGAN / TVAE) con parámetros ligeros.
  4. Generación de N filas sintéticas y descarga (synthetic.csv).
  5. Evaluación de calidad (0–1) con sdmetrics si está disponible.
  6. UI moderna con header degradado, cards y tabs (Cargar Datos · Entrenar & Evaluar).

Arquitectura y stack

  • Interfaz: Streamlit (tabs + cards + estilos CSS propios)
  • Modelado sintético: SDV single_table (con fallback a sdv.tabular para compatibilidad)
  • Métricas: sdmetrics.QualityReport
  • ML opcional: PyTorch (solo para CTGAN/TVAE)
  • Manipulación: Pandas / NumPy
Browser ──▶ Streamlit UI
              │
              ├─▶ Upload CSV → previsualización + limpieza ligera
              │
              ├─▶ SDV.metadata (detección tipos)
              │     ├─▶ GaussianCopula Synthesizer (CPU, rápido)
              │     ├─▶ CTGAN Synthesizer (GAN, requiere torch; pac=1)
              │     └─▶ TVAE Synthesizer (VAE, requiere torch)
              │
              ├─▶ sample(N) → synthetic.csv (download)
              └─▶ sdmetrics.QualityReport (score 0–1)

Modelos y “cuándo usarlos”

  • GaussianCopula (CPU, sin PyTorch): baseline rápido y estable; ideal para demos y datasets pequeños/medianos o relaciones poco no lineales.
  • CTGAN (PyTorch): mejor para mixtos con muchas categóricas/alta cardinalidad y modas múltiples; capturó mejor clases minoritarias. Forcé pac=1 para evitar asserts de PacGAN con batches comunes.
  • TVAE (PyTorch): entrenamiento estable y buena estructura global, sobre todo cuando predomina lo numérico; a veces “suaviza” extremos.

Incluí un recomendador que, según el dataset y la disponibilidad de PyTorch, sugiere modelo y parámetros por defecto (epochs, batch, sample).

Decisiones técnicas clave

  • Importación perezosa de modelos: CTGAN/TVAE solo se importan cuando el usuario los elige, así la app corre con GaussianCopula incluso sin PyTorch.
  • Compatibilidad SDV nueva/legacy: primero intento sdv.single_table (CTGANSynthesizer/TVAESynthesizer/GaussianCopulaSynthesizer) y, si falla, hago fallback a sdv.tabular.
  • Guardrails de demo: límite de 25 columnas, muestreos razonables y epochs bajos en CPU.
  • Evaluación robusta: sdmetrics.QualityReport con metadata.to_dict() cuando está disponible.
  • Límite de upload: 5 MB desde la app + server.maxUploadSize en .streamlit/config.toml.

Despliegue en Hugging Face Spaces (CPU, gratis)

Front‑matter de README (o Settings → Runtime):

sdk: streamlit
app_file: app.py
python_version: 3.10

requirements.txt

streamlit>=1.36.0
pandas>=2.1.0
numpy>=1.24.0
sdv>=1.8.0,<2.0.0
sdmetrics>=0.12.0
scikit-learn>=1.3.0
scipy>=1.10.0
plotly>=5.20.0
torch>=2.1,<3.0   # opcional: solo si usarás CTGAN/TVAE

Persistencia: en el plan gratis, el almacenamiento es efímero; lo generado se descarga localmente.

Uso local

# 1) Crear entorno
conda create -n synth python=3.10 -y
conda activate synth

# 2) Instalar dependencias
pip install -r requirements.txt

# 3) Ejecutar
streamlit run app.py

Si vas a usar CTGAN/TVAE en CPU:

pip install "torch>=2.1,<3.0" --index-url https://download.pytorch.org/whl/cpu

Resultados y lecciones

  • En datasets mixtos con categóricas de alta cardinalidad, CTGAN rindió mejor que TVAE y GaussianCopula.
  • TVAE fue el más estable con pocos epochs en CPU.
  • GaussianCopula es ideal como baseline y para demos públicas donde no quieres depender de PyTorch.
  • Los límites (columnas/epochs) fueron clave para evitar timeouts y ofrecer una experiencia fluida en Spaces.