有什么好的姓氏数据库吗？

Question

我希望生成一些数据库测试数据，特别是包含人名的表列。为了很好地表明索引在基于名称的搜索方面的工作效果如何，我希望尽可能接近真实世界的名称及其真实的频率分布，例如，许多不同的名称的频率分布在某些幂律分布上。

理想情况下，我正在寻找一个免费可用的数据文件，其名称后跟每个名称的单个频率值（或等效的概率）。

基于盎格鲁撒克逊语的名字就可以了，尽管来自其他文化的名字也很有用。

Answer 1

我找到了一些符合要求的美国人口普查数据。唯一需要注意的是，它仅列出至少出现 100 次的名称...

• 家谱数据：2000 年人口普查中经常出现的姓氏
• names.zip

通过此博客条目找到，还显示了幂律分布曲线

• < a href="http://insidemr.blogspot.com/2010/01/power-law-curve-in-surnames.html" rel="nofollow">幂律曲线姓氏（博客条目）

除此之外，您可以使用轮盘赌选择从列表中进行采样，例如（未测试）

struct NameEntry
{
    public string _name;
    public int _frequency;
}

int _frequencyTotal; // Precalculate this.


public string SampleName(NameEntry[] nameEntryArr, Random rng)
{
    // Throw the roulette ball.
    int throwValue = rng.NextDouble() * frequencyTotal;
    int accumulator = 0.0;

    for(int i=0; i<nameEntryArr.Length; i++)
    {
        accumulator += nameEntryArr[i]._frequency;
        if(throwValue <= accumulator) {
            return nameEntryArr[i]._name;
        }
    }

    // If we get here then we have an array of zero fequencies.
    throw new ApplicationException("Invalid operation. No non-zero frequencies to select.");
}

Answer 2

牛津大学在其公共 FTP 站点上以压缩的 .gz 文件形式提供单词列表，网址为 ftp:// ftp.ox.ac.uk/pub/wordlists/names/。

Answer 3

您还可以查看 jFairy 项目。它是用 Java 编写的，会生成虚假数据（例如名称）。 http://codearte.github.io/jfairy/

Fairy fairy = Fairy.create(); 
Person person = fairy.person();
System.out.println(person.firstName());           // Chloe
System.out.println(person.lastName());            // Barker
System.out.println(person.fullName());            // Chloe Barker

Answer 4

为了生成具有真实姓名频率分布的真实数据库测试数据，我建议探索 census.name 提供的免费预览版。他们提供了一个全面的数据库，其中包含来自不同文化的数百万个名字，包括频率分布，可以帮助您模拟现实世界的场景。虽然完整数据库是付费的，但您可以在 GitHub 和 Kaggle 上免费访问姓名普查前 100 名，其中包括带有频率值的姓名 - 这是满足您需求的一个很好的起点。