我想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,其频率分布在某些幂律分布上.
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).
基于盎格鲁撒克逊语的名字会很好,尽管来自其他文化的名字也会有用.
解决方法
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了至少出现100次的名字……
> Genealogy Data: Frequently Occurring Surnames from Census 2000
> names.zip
> 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.");
}
