在 C# 中将名字和姓氏与全名字符串分开答案

【问题标题】：Separate firstname and lastname from fullname string in C#在 C# 中将名字和姓氏与全名字符串分开
【发布时间】：2009-08-02 15:10:52
【问题描述】：

我正在进行网站迁移，其中涉及从全名中提取名字和姓氏。鉴于这些是由最终用户创建的，存在各种排列（尽管是英语并且通常不会太奇怪）。大多数情况下，我可以将第一个单词作为名字，将最后一个单词作为姓氏，但偶尔的前缀和后缀有一些例外。在浏览数据并试图了解所有可能的例外情况时，我意识到这是一个常见问题，之前至少已经部分解决了很多次。

在重新发明轮子之前，有没有人有任何对他们有用的正则表达式或有用的代码？性能不是考虑因素，因为这是一次性实用程序。

要处理的典型值：

杰森布里格斯， J.D.史密斯，约翰·Y·公民， J斯科特迈尔斯，比尔·杰克布森三世，约翰·米尔斯先生

更新：虽然是一个常见问题，但典型的解决方案似乎涉及处理大多数情况并手动清理其余情况。

（考虑到这个问题必须经历的频率，我原本希望在那里找到一个实用程序库，但我自己无法通过 Google 找到一个）

【问题讨论】：

数据库中有多少个名字？
大约 10K，因此使用处理 95% 情况的解决方案进行手动检查仍然是可行的。使用第一个和最后一个词处理了大约 85% 的名称。

标签： c# regex string

【解决方案1】：

我的建议如下：

在空格上拆分名称。
检查返回数组的长度。如果2，容易分裂。如果更多，下一个。
比较前缀的第一个值（即 Mr. Mrs. Ms. Dr.）...如果是，则将其删除，否则移至下一个。
比较第一个值的长度。如果只有 1 个字符，则合并数组中的前 2 个项目。

这仍然不是万无一失的；但是，它应该至少能解决您 80% 的案件。

希望这会有所帮助。

【讨论】：

我同意这一点，如果您可以将数据分解为各种可靠解析的数据集，您可能会发现剩余的“故障案例”小到可以人工处理。
James - 感谢您非常实用的想法。鉴于数据总体上相当不错，我认为这应该可以解决约 95% 的情况。

【解决方案2】：

这可能是不可能的（可靠的）。

即使您可以为某些名字这样做，您也会在某个时候得到一个西班牙人，他会写下两个姓氏。或者有些人（忘记了它是哪个国籍）会输入“姓氏名字”。或许多其他情况之一...

您可能会做的最好的事情是将 2 个单词分别作为名字和姓氏，然后手动检查其余部分（您自己，或聘请一些专业人员）...

【讨论】：

我认为你是对的。正如 Apoorv 指出的那样，语言排列和非结构化的性质导致这是一个不确定的问题。
别忘了 O'Neill、Van Der Spek、Van Eck、Hart-Mahon 和 de la Cruz 等姓氏......

【解决方案3】：

最快的方法是混合算法-人工方法。您不想花时间组装一个在 99.99% 的时间内都可以工作的系统，因为最后 5-10% 的优化会杀死您。此外，您不想将所有工作都转嫁给一个人，因为大多数情况（我猜）都相当简单。

因此，快速构建类似于 JamesEggers 建议的内容，但要捕获所有看起来不寻常或不符合您预定义转换的情况。然后，只需手动处理这些案例（不应该太多）。

您可以自己处理这些案例，也可以通过在 Mechanical Turk 中设置 HIT 将其外包给其他用户：

http://aws.amazon.com/mturk/

（假设 500 个案例，0.05 美元（高回报），您的总成本最多应为 25 美元）

【讨论】：

【解决方案4】：

如果这是一次性交易，那么我强烈考虑付钱给其他专家为您做这件事。

他们将在处理结构不佳的数据集方面经验丰富。

我与他们没有任何关系，但 Melissa Data 提供的服务似乎是为这类事情量身定制的。

【讨论】：

【解决方案5】：

这是一个不确定的问题（或者我喜欢称之为 Oracle 问题）并且无法以可靠的方式解决。这是因为存在既是名字又是姓氏的名字，例如斯坦利、杰克逊等。但可以尝试一下。您需要编写一个学习程序，该程序将获得一组名字和姓氏，并且它将维护这些名字的字典，映射到它是名字的概率。

现在，传递要迁移的所有值，并使用这些概率，您可以合理地划分名字和姓氏。此外，如果某个特定名称变得模棱两可（完全由您来定义模棱两可，但我会将其定义为我获得的所有概率值的底部 30 个百分位数），那么您可以标记它以供稍后查看。

希望这会有所帮助。

干杯！

【讨论】：

此外，对于 J.D. Smith 这样的案例，您可以主要将 J.D. 视为名字，将 Smith 视为姓氏。

【解决方案6】：

如果您只有几个用户（

【讨论】：

大约有 10K 用户，所以你可能是对的 - 这是不合理的程序员强迫花费 5 个小时试图解决一半的边缘案例，而实习生需要一个小时的“手动”清理.
完全正确 ;-) 我只知道很清楚

【解决方案7】：

我在 perl 中找到了一个非常简单（可能是 80%）的正则表达式，并添加了一些快乐的 C# 组名：

(?<title>(mr|ms|mrs|miss|dr|hon)\.?\s+)?(?<firstandmiddle>.+)\s+(?<last>((van|de|von)\s+)?\S+)(?<junior>\s+(jr|sr|ii|iii|iv)\.?)

我以 wiki 的形式发帖，所以任何人都可以随意添加他们认为有帮助的内容！

【讨论】：

谢谢 Mike，我会看看我的数据如何处理。

【解决方案8】：

正如其他人指出的那样，没有适用于所有情况的解决方案。这样做的一个原因是，有些名字既可以用作名字，也可以用作姓氏。

您可以使用名字数据库并找出名字的哪些部分可能是名字。如果您还知道具有特定姓名的人的国家/地区，则可以大大提高准确性。

如需免费的名字数据库，请参阅this answer。

【讨论】：

【解决方案9】：

如果您的数据世界是 100k，那么就值得尝试通过编程来摆脱它并分离出一个文件，以便手动审查和修改所有不给您完美的名字，姓氏拆分的名字。

【讨论】：

【解决方案10】：

static void CheckSuffix(ref string[] sArrName) { // Initialize suffixes List<string> Suffixes = new List<string>(); Suffixes.Add("jr"); Suffixes.Add("sr"); Suffixes.Add("esq"); Suffixes.Add("ii"); Suffixes.Add("iii"); Suffixes.Add("iv"); Suffixes.Add("v"); Suffixes.Add("2nd"); Suffixes.Add("3rd"); Suffixes.Add("4th"); Suffixes.Add("5th");

        int i = 0;
        string suffix = string.Empty;
        foreach (string s in sArrName)
        {
            string[] schk = s.ToLower().Split(new char[] { ' ' });
            foreach (string sverifiy in schk)
            {
                if (Suffixes.Contains(sverifiy))
                {
                    suffix = sverifiy;
                    sArrName[i] = sArrName[i].Replace(sverifiy.ToUpper(), string.Empty).Trim();
                };
            }
            i += 1;
        }
        sArrName[2] = string.Format("{0}{1}", sArrName[2], (!string.IsNullOrEmpty(suffix) ? " " + suffix.ToUpper() + "." : string.Empty));
    }
    public static string[] ExtractFullname(string name)
    {
        string[] sArr = { "", "", ""};
        string[] sName = name.Split(new char[] { ' ', ',', '.' }, StringSplitOptions.RemoveEmptyEntries);
        int chkinitial = -1;
        for (int i = 0; i < sName.Length; i++)
        {
            if (sName[i].Length == 1) chkinitial = i;
        }

        switch (sName.Length)
        {
            case 1:
                sArr[0] = name;
                break;
            case 2:
                {
                    int idx = name.IndexOf(',');
                    if (idx != -1 && idx < name.Length) { sArr[0] = sName[1]; sArr[2] = sName[0]; } /* last, first */
                    else
                    {
                        idx = name.IndexOf(' ');
                        if (idx != -1 && idx < name.Length) { sArr[0] = sName[0]; sArr[2] = sName[1]; } /* first last */
                    }
                }
                break;
            case 3:
                if (chkinitial == 1) { sArr[0] = sName[0]; sArr[1] = sName[1]; sArr[2] = sName[2]; } /* first middle last */
                else if (chkinitial == 2) { sArr[0] = sName[1]; sArr[1] = sName[2]; sArr[2] = sName[0]; } /* last first middle */
                else if (chkinitial == -1) {
                    int idx = name.IndexOf(',');
                    if (idx != -1)
                    {
                        if (idx == (sName[0].Length + sName[1].Length + 1))
                        {
                            sArr[0] = sName[2]; sArr[2] = string.Format("{0} {1}", sName);
                        }
                        else
                        {
                            sArr[0] = string.Format("{1} {2}", sName); sArr[2] = sName[0];
                        }
                    }
                    else
                    {
                        sArr[0] = name;
                    }
                }
                break;
            case 4:
                if (chkinitial == 1) { sArr[0] = sName[0]; sArr[1] = sName[1]; sArr[2] = string.Format("{2} {3}", sName); } /* first middle last */
                else if (chkinitial == 2) { sArr[0] = string.Format("{0} {1}", sName); sArr[1] = sName[2]; sArr[2] = sName[3]; } /* last first middle */
                else if (chkinitial == 3) {
                    int idx = name.IndexOf(',');
                    if (idx != -1)
                    {
                        if (idx == (sName[0].Length + sName[1].Length + 1))
                        {
                            sArr[0] = sName[2]; sArr[1] = sName[3]; sArr[2] = string.Format("{0} {1}", sName);
                        }
                        else
                        {
                            sArr[0] = string.Format("{1} {2}", sName); sArr[1] = sName[3]; sArr[2] = sName[0];
                        }
                    }
                    else
                    {
                        sArr[0] = name;
                    }
                }
                else if (chkinitial == -1)
                {
                    int idx = name.IndexOf(',');
                    if (idx != -1)
                    {
                        if (idx == (sName[0].Length))
                        {
                            sArr[0] = string.Format("{1} {2} {3}", sName); sArr[2] = sName[0];
                        }
                        else if (idx == (sName[0].Length + sName[1].Length + 1))
                        {
                            sArr[0] = string.Format("{2} {3}", sName); sArr[2] = string.Format("{0} {1}", sName);
                        }
                        else if (idx == (sName[0].Length + sName[1].Length + sName[2].Length + 1))
                        {
                            sArr[0] = sName[3]; sArr[2] = string.Format("{0} {1} {2}", sName);
                        }
                        else
                        {
                            sArr[0] = name;
                        }
                    }
                    else
                    {
                        sArr[0] = name;
                    }
                }
                break;
            default:
                /* more than 3 item in array */
                sArr[0] = name;
                break;
        }
        CheckSuffix(ref sArr);
        return sArr;
    }

【讨论】：