直接循环调用Faker().name()极慢，因每次初始化均重建缓存、加载provider、解析locale路径；复用单例可从8–12秒降至约1.3秒。
为什么直接循环调用Faker().name()会慢得离谱
因为每次初始化 Faker() 实例都会重建本地化数据缓存、加载 provider、解析 locale 路径——十万次就是十万次重复开销。实测在默认 en_US 下，纯调用 fake.name() 生成 10 万条要 8–12 秒；而复用单个实例可压到 1.3 秒左右。
- 始终只创建一次
Faker实例，别写在循环里 - 显式指定 locale（如
Faker('zh_CN')），避免首次调用时动态探测耗时 - 不用
fake = Faker(['zh_CN', 'en_US'])多 locale 模式——它内部会为每个 locale 初始化完整 provider 树，内存和初始化时间翻倍
生成结构化用户数据时，fake.simple_profile() 和手拼字段哪个更稳
fake.simple_profile() 返回的是 dict，字段固定（username, name, sex, address, mail, birthdate），但不带手机号、身份证号、头像 URL 等常用字段；且 address 是含换行符的多行字符串，入库前需清洗。
- 需要自定义字段组合（比如加
fake.phone_number()或fake.ssn()）时，手拼更可控 -
fake.profile(fields=['username','name','email'])可按需选字段，比simple_profile灵活，且返回字段名与值类型一致 - 注意：
fake.ssn()在zh_CNlocale 下不可用，会抛AttributeError；中国身份证号得自己用fake.pystr(min_chars=18, max_chars=18)+ 校验位逻辑模拟
写入 CSV 文件卡住？别用 csv.writer.writerow() 逐条刷
逐行 writer.writerow(row) 调用底层 I/O 太频繁，10 万行实测比批量写慢 3–5 倍。更关键的是：如果没设 newline=''，Windows 下会多出空行；用 open(..., encoding='utf-8-sig') 才能保证 Excel 正确识别中文。
Python 编程规范
下载
Python 编程规范与最佳实践。强制 PEP 8 代码风格、语法校验、单元测试执行，适用于代码编写、审查和重构。触发词：Python、代码规范、py_compile、单元测试。
- 先收集全部数据到 list（内存够用前提下），再一次性
writer.writerows(all_rows) - 文件打开必须加
newline=''参数，否则csv模块会在每行末尾额外加 \r\n - 导出中文务必用
encoding='utf-8-sig'，否则 Excel 打开是乱码
内存爆了或想流式生成？用生成器 + 分批写入
10 万条用户数据（每条约 200 字节）纯内存存储约 20MB，通常没问题；但如果字段极多（比如带 1KB 的 mock 头像 base64 字符串），或机器只有 512MB 内存，就得边生成边写。
- 用
def gen_users(n, batch_size=5000)写生成器，每次 yield 一个 batch 列表 - 主循环中分批
writer.writerows(batch)，并手动f.flush()防止缓冲区堆积 - 避免在生成器里反复 new
Faker()实例——仍用外部传入的单例 fake
真正卡点不在 Faker 本身，而在你是否让同一实例复用、字段是否合理选型、IO 是否批量处理。生成 10 万条其实不到 2 秒，慢下来的地方，八成是你没关掉那些隐式开销。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
