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。为了更好地指示索引在基于名称的搜索方面的工作情况，我希望尽可能接近真实世界名称及其真实频率分布，例如：许多不同的名称，其频率分布在一些幂律分布上。

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

基于盎格鲁撒克逊人的名字很好，尽管来自其他文化的名字也很有用。

Answer 1

我发现了一些符合要求的美国人口普查数据。唯一需要注意的是，它只列出至少出现100次的名字......

通过此博客条目找到，也显示了幂律分布曲线

Power law curve in surnames(blog entry)

此外，您可以使用轮盘赌轮选择从列表中进行采样，例如：（未经测试）

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站点上提供单词列表，作为ftp://ftp.ox.ac.uk/pub/wordlists/names/的压缩.gz文件。

Answer 3

您还可以查看jFairy项目。它是用Java编写的，可以生成虚假数据（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

有什么好的姓氏数据库吗？

3 个答案: