如何区分R中的名字和姓氏？答案

【问题标题】：How to separate forename and surnames in R?如何区分R中的名字和姓氏？
【发布时间】：2021-03-30 16:14:14
【问题描述】：

我有一份巴西姓名列表，我需要区分名字和姓氏。问题是许多巴西人只有一个名字，而其他人有两个名字。考虑到这种特殊性，有没有办法区分这些名称？

编辑：大多数男人的姓氏有两个词，女人可以有两个（单身时）或三个词（已婚时）。数据框识别性别但不识别婚姻状况。也就是说，当genderMale=0 时，我想将名称的组成部分分为：名字、后两个名字和后三个名字。

数据框示例：

fullName;                           genderMale;
Antonio Oliveira Souza              1
Carlos Antonio Oliveira Souza       1
Maria Oliveira Silva                0 
Maria Oliveira Souza Silva          0
Antonia Maria Oliveira Souza Silva  0

数据框必须如下所示：

  fullName;                          genderMale;  firstName;  lastTwoNames;     lastThreeNames;
  Antonio Oliveira Souza             1            Antonio     Oliveira Souza    NA
  Carlos Antonio Oliveira Souza      1            Carlos      Oliveira Souza    NA
  Maria Oliveira Silva               0            Maria       Oliveira Silva    Maria Oliveira Souza
  Maria Oliveira Souza Silva         0            Maria       Souza Silva       Oliveira Souza Silva
  Antonia Maria Oliveira Souza Silva 0            Antonia     Souza Silva       Oliveira Souza Silva

提前致谢。

【问题讨论】：

是否有规则可以让我们确定名字的结束位置和姓氏的开始位置？如果没有，那将是棘手的......
恐怕不行。巴西人基本上知道如何在看到名字和姓氏时识别它。我知道的唯一规则是姓氏中的字数：大多数男人的姓氏有两个字，女人可以有两个（单身时）或三个字（结婚时）。数据框识别性别但不识别婚姻状况。

标签： r parsing text

【解决方案1】：

您的问题的解决方案将分为两部分：

将全名分成其组成部分
将每个组件分类为“名字”或“姓氏”

第一部分很简单，正如@MattKaye 所建议的那样，tidyr::separate 是一个显而易见的选择。

第二部分是three-pipe problem。您关于“巴西人基本上知道如何在看到名字和姓氏时识别它”的评论证实了我的怀疑，即不会有一个可以处理所有情况的单线算法解决方案。这是一个分类问题。而且任何解决方案都不太可能 100% 准确。

可能会有一些低垂的果实可以采摘。例如，

如果全名有两个或多个组成部分，则第一个元素必须是名字，最后一个组成部分必须是姓氏。（假设没有数据错误。）
如果全名包含三个组成部分，那么它可能是一个名字后跟一个两个元素的姓氏
是否有可能总是是名字或总是是姓氏的名字？然后我们可以将该元素（以及每个前面/后面的元素）分类为名字/姓氏。

分类器不是我的专业领域。您是否有可用作训练数据的大型独立数据集？如果是这样，也许神经网络是一种可能性。

底线是，如果没有确定性（一组）规则来应用，您的工作就会被淘汰。至少，如果我们要提出一些含糊不清的建议，您将不得不向我们提供更多信息。

【讨论】：

非常感谢。我将更新我的问题以使其更简单，也许我可以解决一些问题。
@BenBolker：是的，应该。谢谢你。我会改正的。

【解决方案2】：

来自tidyr 的separate 执行此操作。您需要使用正则表达式根据倒数第二个空格（或其他一些规则，因为我对巴西名字的了解有限）进行分隔，但我会看这里：https://tidyr.tidyverse.org/reference/separate.html

【讨论】：

我认为这（还）没有解决@Limey 的观点，即如何知道应该在哪里进行分离。由于separate 在字符串（正则表达式，例如" "）或固定位置（数字，不容易预先确定）上运行，我认为仅此一项可能不是最好的方法。无论如何，当他们证明问题的解决方案时，答案通常会更好。
是的，通常我会同意，但如果没有更多的知识和背景，我不确定我是否能够提出要使用的规则或正则表达式。除此之外，使用mutate 或使用几个自定义函数可能是有意义的，但我会等待来自@savioecon 的更多信息