[发明专利]计算机实现的方法、计算系统和计算机可读介质

说明书

本申请涉及计算机实现的方法、计算系统和计算机可读介质。所述方法包括：访问多个数据记录，每一个数据记录具有多个数据字段。该方法还包括分析所述多个数据记录中的至少一些的一个或多个数据字段的值，基于所述分析，生成多个数据记录的简档。该方法还包括基于所述简档，制定至少一个子集规则；以及基于所述至少一个子集规则，从多个数据记录中选择数据记录的子集。

本申请是申请日为2014年01月31日、申请号为201480004942.5、发明名称为“数据记录的选择”的申请的分案申请。

优先权声明

本申请要求提交于2013年2月1日的美国专利申请序列号61/759799以及提交于2013年3月14日的美国专利申请序列号13/827558的优先权，这两者的全部内容通过引用并入本文。

技术领域

本申请涉及数据记录的选择。

背景技术

存储的数据集通常包括事先不知道其各种特性的数据。例如，数据集的典型值的数值范围、数据集中不同字段的关系、或是不同字段中的值之间的函数依赖，可能是未知的。数据简档(data profiling)可以涉及检查数据集的源，以便确定这些特性。

发明内容

在数据处理应用的开发期间，开发人员可能在生产环境之外工作，并且可能无法访问生产数据。为了确保数据处理应用(在本文中称为“应用”)将在生产中适当地执行实际数据，可以在该应用的执行与测试期间使用真实的数据。应用通常包括执行依赖于一个或多个变量的值的规则。这些变量可以是对应于输入数据的输入变量，可以是依赖于一个或多个输入变量的派生变量，等等。可以从将被用于应用的开发和测试的实际生产数据中选择数据记录的子集。通常选择这些数据记录使得该输入数据对将被执行的应用中的每一条规则是足够的(例如，以使得达到在应用中的完整代码覆盖率)。

在一般方面中，一种计算机实现的方法，包括：访问多个数据记录，每一个数据记录具有多个数据字段。该方法还包括为所述多个数据记录中的至少一些分析一个或多个数据字段的值，并且基于该分析生成多个数据记录的简档。该方法还包括基于所述简档制定至少一个子集规则；以及基于所述至少一个子集规则，从所述多个数据记录中选择数据记录的子集。

实施例可包括下面的一项或多项。

制定至少一个子集规则包括基于第一数据字段的基数(cardinality)，将第一数据字段标识为目标数据字段。在一些情况下，目标数据字段具有多个数据记录中的不同的值的集合，并且其中选择数据记录的子集包括：选择数据记录以使得在所选择的子集中有至少一个数据记录具有目标数据字段的各个不同的值。

生成简档包括对多个数据记录中的第一数据字段的值进行分类。制定至少一个子集规则包括基于所述分类，将第一数据字段标识为目标数据字段。在一些情况下，目标字段具有多个数据记录中的不同的值的集合，并且其中选择数据记录的子集包括选择数据记录以使得在所选择的子集中有至少一个数据记录具有目标数据字段的各个不同的值。

制定至少一个子集规则包括将第一数据字段标识为第一目标数据字段以及将第二数据字段标识为第二目标数据字段。在一些情况下，选择数据记录的子集包括基于所述第一目标数据字段的不同的值的第一集合和所述第二目标数据字段的不同的值的第二集合的组合选择数据记录的子集。

生成简档包括标识经由第一数据字段的值相关的数据记录之间的关系。至少一个子集规则包括关系的标识。在一些情况下，选择的数据记录的子集包括选择第一数据记录；以及选择经由在子集规则中标识的关系与第一数据记录相关的一个或多个第二数据记录。在一些情况下，数据记录之间的关系包括在数据记录的第一集合中的数据记录和数据记录的第二集合的数据记录之间的关系。