database - 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。为了更好地了解索引在基于名称的搜索方面的效果如何，我想尽可能接近真实世界的名称及其真实频率分布，例如许多不同的名字，其频率分布在某种幂律分布上。

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

基于盎格鲁撒克逊人的名字会很好，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，它只列出至少出现 100 次的名称...

• Genealogy Data: Frequently Occurring Surnames from Census 2000
• names.zip

通过此博客条目找到，该条目还显示了幂律分布曲线

• Power law curve in surnames(blog entry)

除此之外，您还可以使用轮盘选择从列表中采样，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.");
}