testdatatools
Tools/DATAMIMIC CE
Entwickler-Tools

DATAMIMIC CE

DATAMIMIC CE ist ein per pip installierbares Python-Developer-Tool für modellbasierte Generierung, SQL-selektierte Quelldaten-Teilmengen und explizite Feldtransformationen. Python-API, CLI und optionaler MCP-Adapter unterstützen lokale, CI- und agentengestützte Workflows. CE hat einen eigenen, von EE getrennten Ausführungskern.

Quellen geprüft

Wann kommt es infrage?

Geeignet für kundeneigene XML-Modelle, wiederverwendbare Fixtures und explizite Fachregeln in lokaler Entwicklung oder CI. Ein heruntergeladenes Enterprise-Projekt kann ohne Umschreiben des Modells laufen, wenn sämtliche Funktionen und Abhängigkeiten von CE unterstützt werden.

Redaktionelle Einordnung anhand der unten genannten Quellen.

Welche Grenzen sind wichtig?

Die Auswahl personenbezogener Felder und Pseudonymisierungsmodelle erfolgt manuell. EE-ML-Engine, zentrale Plattform-Governance und Browser-IDE gehören zum Enterprise-Produkt. Seed-Replay-Nachweise gelten für die dokumentierte CE-Laufzeitmatrix und Ausgaben; ein Seed allein garantiert nicht jeden Exporter oder jede Umgebung.

Developer-Laufzeit mit eigenem Produktumfang

CE stellt lokale Datengenerierung und Modellwerkzeuge über Python, CLI und einen optionalen Agenten-Adapter bereit. Teams integrieren sie in ihre eigene Entwicklungsumgebung und Automatisierung. Zentrale Projekt-Governance, Plattform-IDE-Anbindung und verwaltete Enterprise-Task-Ausführung werden im eigenen Enterprise-Platform-Profil eingeordnet.

Referenz

Dokumentiertes SQL-Subsetting und Transformation

Das veröffentlichte CE-4.3.0-Zahlungsbeispiel wählt Zahlungs-IDs 1–3 mit WHERE und ORDER BY direkt an der SQLite-Quelle und schreibt explizit transformierte Datensätze in eine separate Zieltabelle. Laut Artikel bleibt Quellzeile 4 ausgeschlossen. Das dokumentiert modelldefinierte Quelldaten-Teilmengen; es demonstriert keine automatische Erkennung und Vervollständigung eines mehrtabelligen Fremdschlüssel-Graphen in CE. Der Plattform-Planungsablauf wird separat eingeordnet.

Referenz

Gemeinsame Modelle, getrennte Ausführungs-Engines

CE kann exportierte Kundenmodelle innerhalb ihres unterstützten DSL-Umfangs ausführen, bei kompatiblen Versionen, passender Konfiguration und Ressourcen sowie verfügbaren Abhängigkeiten, Eingaben und Zieldiensten. Projekte mit EE-exklusiven Kafka-, ML- oder erweiterten Nodes benötigen EE oder Änderungen an diesen Funktionen. CE unterstützt Python-Multiprocessing und optional Ray; Engine und Leistungsprofil unterscheiden sich von EE. Plattform-Governance und Ausführungs-Provenance bleiben eigene Dienste.

Referenz
Enterprise Platform und CE haben eigene Profile.

Das Enterprise-Produkt verbindet einen EE-Ausführungskern mit Plattform-Diensten. CE ist ein separat installierbares Developer-Paket. Eine Fähigkeit oder ein Nachweis aus einer Laufzeit gilt nicht automatisch für die andere.

DATAMIMIC Enterprise Platform

Welche Fähigkeiten sind dokumentiert?

Synthetische GenerierungLokale CE-Modelle und API
De-Identifizierung / MaskierungManuell modellierte Transformationen
Subsetting / TeilmengenplanungSQL-definierte Quelldaten-Teilmengen
DatenvirtualisierungNicht verifiziert
Seed-Replay, mit BedingungenBegrenzte CE-Laufzeitmatrix

Dokumentiert bedeutet: Eine zitierte Herstellerquelle beschreibt diese eingegrenzte Fähigkeit. Nicht verifiziert bedeutet: Die geprüften Belege bestätigen sie nicht. Beides ist kein praktisches Testergebnis.

Wie wird es betrieben und lizenziert?

Installation mit pip install datamimic-ce und lokale Ausführung über Python oder die datamimic-CLI, auch in CI. Der optionale Adapter wird mit pip install "datamimic-ce[mcp]" installiert. Dieser lokale MCP-Adapter unterscheidet sich vom projektbezogenen MCP-Dienst der Plattform.

Community Edition unter MIT-Lizenz laut Projekt-Repository. Die kommerzielle Enterprise-Plattform und ihr eigener EE-Kern haben eine separate Lizenzierung und Bereitstellung.

Quellen und Geltungsbereich

  1. rapiddweller/datamimic repository

    CE package installation, Python/CLI APIs, optional local MCP adapter, MIT license, manual pseudonymization and the explicit CE replay test boundary.

    Quelle geprüft: 2026-10-01
  2. Upgrade your models from DATAMIMIC 3.5 to 4.0

    Exact replay boundary; requires same engine version, complete deterministic inputs, explicit seed, execution topology, deterministic serialization and ordering; ML is excluded; date behavior depends on the seeded reference clock.

    Quelle geprüft: 2026-10-01
  3. Date and Time Generation

    Relative date windows use a runtime clock anchor; seeded execution uses deterministic runtime clock, while unseeded execution reads live clock.

    Quelle geprüft: 2026-10-01
  4. DATAMIMIC vs Delphix: source selection and transformation example

    Vendor-published CE 4.3.0 example: SQL range selection, explicit field transformations and target writing; edition-scoped four-path explanation. The reported execution was not independently repeated in this comparison.

    Quelle geprüft: 2026-10-01
  5. Database and other source selection contracts

    SQL selectors and source read semantics; distinguishes Platform-owned environment configuration from model execution.

    Quelle geprüft: 2026-10-01
  6. Iterate source traversal

    Source records and parent context for explicit child transformations and target generation.

    Quelle geprüft: 2026-10-01

Was solltest du im Proof of Concept prüfen?

  1. Deine Datenbankversion, Schema-Constraints und Zielformate.
  2. Konkretes Produkt, Edition, Deployment und Lizenzumfang.
  3. Fachliche Sollwerte und die Bedeutung von Wiederholbarkeit für deinen Output.
  4. Fehlgeschlagenen Lauf, Bereinigung und Wiederholung mit kontrollierten Eingaben.
Bedarf und Proof of Concept festlegen