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工作情况，我希望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（或等效的概率）。
基于盎格鲁-撒克逊的名字会很好，尽管来自其他文化的名字也很有用。
【问题讨论】：
标签： database testing test-data
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...
通过此博客条目找到，该条目还显示了幂律分布曲线
除此之外，您还可以使用轮盘选择从列表中取样，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.");
}
【讨论】：
您还可以查看 jFairy 项目。它是用 Java 编写的，并产生假数据（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
【讨论】：
牛津大学在其公共 FTP 站点上以压缩 .gz 文件的形式在 ftp://ftp.ox.ac.uk/pub/wordlists/names/ 上提供单词列表。
【讨论】：