NGender

根据中文姓名猜测其性别

• 不到20行纯Python代码(核心部分)
• 无任何依赖库
• 兼容python3, python2, pypy
• 82%的准确率
• 可用于猜测性别
• 也可用于判断名字的男性化/女性化程度

使用

pip install ngender

或者(OSX)

brew install https://raw.githubusercontent.com/observerss/homebrew/61b3623967dc9507958dfb517e7f746baa96dcf1/Library/Formula/ngender.rb

然后在命令行中

$ ng 赵本山 宋丹丹
name: 赵本山 => gender: male, probability: 0.9836229687547046
name: 宋丹丹 => gender: female, probability: 0.9759486128949907

当然也可以在Python程序中用

>>> import ngender
>>> ngender.guess('赵本山')
('male', 0.9836229687547046)

>>> ngender.guess('宋丹丹')
('female', 0.9759486128949907)

>>> %timeit guess('宋丹丹')
100000 loops, best of 3: 4.01 µs per loop

原理

数学

贝叶斯公式: P(Y|X) = P(X|Y) * P(Y) / P(X)

当X条件独立时, P(X|Y) = P(X1|Y) * P(X2|Y) * ...

应用到猜名字上

P(gender=男|name=本山) 
= P(name=本山|gender=男) * P(gender=男) / P(name=本山)
= P(name has 本|gender=男) * P(name has 山|gender=男) * P(gender=男) / P(name=本山)

计算

0. 文件charfreq.csv是怎么来的?

   曾经有个东西叫开房记录.avi(雾)，里面有名字和性别, 2000w条, 统计一下得出

1. 怎么算 P(name has 本|gender=男)?

   “本”在男性名字中出现的次数 / 男性字出现的总次数

2. 怎么算 P(gender=男)?

   男性名出现的次数 / 总次数

3. 怎么算 P(name=本山)?

   不用算, 在算概率的时候会互相约去

坑

>>> ngender.guess('李胜男')
('male', 0.851334658742)

虽然两个字都很偏男性，但是结合起来就是女性名