v1.0.0
基于海量中文人名数据，通过贝叶斯算法从姓名中识别性别、出生年代、星座、四季、节气五种属性。
name_marked/
├── tables/ # 频率表（5个CSV，由build脚本生成）
│ ├── charfreq.csv # 字符-性别频率（31,317行）
│ ├── decadefreq.csv # 字符-年代频率，含2000s插值（31,317行）
│ ├── zodiacfreq.csv # 人名-星座频率（191,801行）
│ ├── seasonfreq.csv # 人名-四季频率（191,801行）
│ └── solarfreq.csv # 人名-节气频率（191,801行）
│
├── data/
│ ├── train/ # 训练数据
│ │ ├── 有效数据.txt # 训练数据（GBK编码）
│ │ └── 无效数据.txt # 被过滤掉的记录及原因
│ ├── ref/ # 参考数据
│ │ ├── nameb.txt # 姓氏表（1018单姓 + 56复姓）
│ │ ├── 《通用规范汉字表》（2013年）.txt # 标准汉字8105字
│ │ └── .cache_givenname.csv # ChineseNames缓存（自动下载）
│ └── samples/ # 测试样本及输出
│
├── utils.py # 共享工具：姓氏加载、名字提取、繁简转换
├── gender_guess.py # 性别识别（位置感知贝叶斯，2类）
├── decade_guess.py # 年代识别（位置感知贝叶斯，6类）
├── zodiac_guess.py # 星座识别（人名级查找，12类）
├── season_guess.py # 四季识别（人名级查找，4类）
├── solar_guess.py # 节气识别（人名级查找，24类）
├── batch_guess.py # 批处理CLI入口
├── test_guessers.py # 单元测试（44项）
├── build_*.py # 5个频率表构建脚本
└── .gitignore
| 依赖 | 用途 | 必需 |
|---|---|---|
| Python 3.x | 运行环境 | ✓ |
data/train/有效数据.txt |
训练数据（GBK） | ✓ |
data/ref/nameb.txt |
姓氏表 | ✓ |
data/ref/《通用规范汉字表》（2013年）.txt |
标准汉字表 | ✓ |
| OpenCC | 繁简转换 | 可选 |
| ChineseNames | 2000s插值 | 仅构建 |
安装 OpenCC：
pip install opencc-python-reimplemented未安装时，繁简转换自动跳过（简体输入不受影响）。
from gender_guess import guess as guess_gender
from decade_guess import guess as guess_decade
from zodiac_guess import guess as guess_zodiac
# 性别 → ('男', 0.9045)
guess_gender('王伟')
# 年代 → ('2000s', 0.8620, {'1950s前':0.01, '1960s':0.01, ...})
guess_decade('张宇轩')
# 星座 → ('天秤座', 0.2456, {...})
guess_zodiac('刘亦菲')
# 支持繁体自动转换
guess_gender('張偉') # → ('男', 0.9045)# 全部5项标记
python batch_guess.py data/samples/names.txt
# 仅性别+年代
python batch_guess.py data/samples/names.txt --models gender,decade
# GBK编码 + namea模式
python batch_guess.py data/samples/names_gbk.txt --mode namea --encoding gbk
# 自定义输出
python batch_guess.py data/samples/names.txt --output result.csv输入格式：
namec
建国
伟
芳菲首行 namea 或 namec（不区分大小写，兼容BOM）自动识别输入类型。无首行时用 --mode 指定。繁体文本自动检测并转换为简体。
输出格式：
input,性别,性别概率,年代,年代概率,星座,星座概率,四季,四季概率,节气,节气概率
建国,男,0.9976,1960s,0.3514,天秤座,0.1440,秋,0.3661,秋分,0.0739
伟,男,0.9045,1980s,0.3561,天秤座,0.1320,秋,0.3517,寒露,0.0706同一个汉字在名字中的不同位置，属性倾向不同。拆分为四种位置分别建模：
| 后缀 | 含义 | 示例 |
|---|---|---|
_p0 |
单字名 | 王伟 → 伟_p0 |
_p1 |
双字名第1字 | 李建国 → 建_p1 |
_p2 |
双字名第2字 | 李建国 → 国_p2 |
_p3 |
叠字名 | 黄婷婷 → 婷_p3 |
| mode | 含义 | 示例 | 支持模型 |
|---|---|---|---|
auto / namea |
完整姓名，自动提取名 | 王伟 → 名=伟 |
全部 |
namec |
名（已去除姓氏） | 建国 → 直接使用 |
全部 |
named |
单字名 | 伟 → 伟_p0 |
性别/年代 |
namee |
双字名首字 | 建 → 建_p1 |
性别/年代 |
namef |
双字名末字 | 国 → 国_p2 |
性别/年代 |
| 缩写 | 含义 | 示例（欧阳芳菲） |
|---|---|---|
| namea | 姓名 | 欧阳芳菲 |
| nameb | 姓氏 | 欧阳 |
| namec | 名 | 芳菲 |
| named | 单字名 | — |
| namee | 双字名首字 | 芳 |
| namef | 双字名末字 | 菲 |
训练数据来自 data/train/有效数据.txt，每行为 姓名,标签（GBK编码），标签含性别和出生年月信息。经过以下清洗：
- 姓名校验：姓氏表匹配 + 长度限制 + 标准汉字表（8,105字，过滤至 [一-龥] 范围内 7,829 字）
- 数据去重
- 年代筛选：1930–1999年出生
P(class | name) ∝ P(class) × Π P(char_pos_i | class)
- 提取名部分，生成位置键（
_p0/_p1/_p2/_p3） - 从频率表查找每个位置键的类别条件概率
- 乘以先验概率（基于真实人口统计），取最大后验类别
- 提取完整名（如"建国"、"芳菲"）
- 在频率表中查找该名的类别分布
- 乘以先验概率，取最大后验类别
- 名不在表中（频次 < 10）返回"未知"
每个 guess() 调用首先通过 OpenCC 将输入转换为简体（幂等，简体输入零开销）。OpenCC未安装时静默跳过。
| 模型 | 类别数 | 算法 | 先验 | 准确率 | 信号 |
|---|---|---|---|---|---|
| 性别 | 2 | 位置感知贝叶斯 | 七普 51.2/48.8 | 86.2% | 强 |
| 年代 | 6 | 位置感知贝叶斯 | 七普年龄结构 | 76.3%(±1) | 中 |
| 四季 | 4 | 人名级贝叶斯 | 出生分布 | 27.4% | 弱 |
| 星座 | 12 | 人名级贝叶斯 | 用户分布 | 11.8% | 弱 |
| 节气 | 24 | 人名级贝叶斯 | 出生分布 | 6.8% | 弱 |
- 性别：男女准确率近乎均衡（男 86.1%，女 86.3%）
- 年代：6分类精确匹配 35%，±1年代 76%。2000s类别通过 ChineseNames 数据插值生成
- 星座/四季/节气：名字与出生日期几乎无关联，仅略高于随机基线
从训练数据重新生成所有频率表：
cd name_marked
python build_charfreq.py # → tables/charfreq.csv
python build_decadefreq.py # → tables/decadefreq.csv（需ChineseNames）
python build_zodiacfreq.py # → tables/zodiacfreq.csv
python build_seasonfreq.py # → tables/seasonfreq.csv
python build_solarfreq.py # → tables/solarfreq.csv前置条件：data/train/有效数据.txt 存在。build_decadefreq.py 自动从 GitHub 获取 ChineseNames 数据并缓存。
训练数据止于1999年。2000s类别通过以下方式插值：
- 加载 ChineseNames 的字频数据（含 2000–2008 年）
- 对每个字-位置组合，计算比值
r = CN_2000s / CN_1990s - 插值：
count_2000s = count_1990s × r × (10/9) (10/9)修正因 2000–2008 仅覆盖9年
char_pos,female,male
伟_p0,12345,67890
建_p1,2345,45678
31,317行 = 7,829标准字 × 4位置 + 表头。decadefreq.csv 列数为6个年代类别。
given_name,摩羯座,水瓶座,...,射手座
建国,12345,11234,...,8901
191,801行 = 频次≥10的人名 + 表头。列数分别为12/4/24。
cd name_marked
python test_guessers.py
# 44 tests：utils / 5个guesser / priors验证| 场景 | 速度 |
|---|---|
| 性别单项 | 740,000 行/s |
| 性别+年代 | 250,000 行/s |
| 全部5项 | 150,000 行/s |
测试环境：Mac, Python 3.14, 194万行输入。
训练数据与参考数据的版权归原始数据提供方所有。代码遵循 Apache 2.0 协议。
- ngender — 性别识别的朴素贝叶斯实现参考
- ChineseNames — 年代模型中 2000s 类别的字频数据
- OpenCC — 繁简转换引擎