r - R 中用于文本分析的常见名字列表？

Question

已结束。此问题正在寻求书籍、工具、软件库等的推荐。它不满足 Stack Overflow guidelines 。目前不接受答案。

---

我们不允许提出寻求书籍、工具、软件库等推荐的问题。您可以编辑问题，以便用事实和引文来回答。

已关闭 3 年前。

Improve this question

在分析文本时，识别文本数据中的人名非常有用。

预打包在 tidytext 中的对象包括:

• 英语否定词、情态动词和副词 ( nma_words )
• 词性 ( parts_of_speech )
• 情绪 ( sentiments )，以及
• 停用词(请参阅:?stop_words)

R 中是否有类似的对象(或其他地方的可访问格式)包含规范的名称列表？

作为引用，这里是现有的 data.frame提供 tidytext

nma_words
# # A tibble: 44 x 2
# word      modifier
# <chr>     <chr>   
#   1 cannot    negator 
# 2 could not negator 
# 3 did not   negator 
# 4 does not  negator 
# 5 had no    negator 
# 6 have no   negator 
# 7 may not   negator 
# 8 never     negator 
# 9 no        negator 
# 10 not       negator 
# # … with 34 more rows


parts_of_speech
# # A tibble: 208,259 x 2
#    word    pos      
#    <chr>   <chr>    
#  1 3-d     Adjective
#  2 3-d     Noun     
#  3 4-f     Noun     
#  4 4-h'er  Noun     
#  5 4-h     Adjective
#  6 a'      Adjective
#  7 a-1     Noun     
#  8 a-axis  Noun     
#  9 a-bomb  Noun     
# 10 a-frame Noun     
# # … with 208,249 more rows


sentiments
# # A tibble: 6,786 x 2
#    word        sentiment
#    <chr>       <chr>    
#  1 2-faces     negative 
#  2 abnormal    negative 
#  3 abolish     negative 
#  4 abominable  negative 
#  5 abominably  negative 
#  6 abominate   negative 
#  7 abomination negative 
#  8 abort       negative 
#  9 aborted     negative 
# 10 aborts      negative 
# # … with 6,776 more rows


stop_words
# # A tibble: 1,149 x 2
#    word        lexicon
#    <chr>       <chr>  
#  1 a           SMART  
#  2 a's         SMART  
#  3 able        SMART  
#  4 about       SMART  
#  5 above       SMART  
#  6 according   SMART  
#  7 accordingly SMART  
#  8 across      SMART  
#  9 actually    SMART  
# 10 after       SMART  
# # … with 1,139 more rows

Answer 1

像这样的数据集非常复杂，必须小心使用。此类数据的来源之一是 genderdata包，其中包含多个姓名数据集，其中包括来自美国社会保障管理局的几个数据集。

library(genderdata)

head(ssa_national)
#>    name year female male
#> 1 aaban 2007      0    5
#> 2 aaban 2009      0    6
#> 3 aaban 2010      0    9
#> 4 aaban 2011      0   11
#> 5 aaban 2012      0   11
#> 6 aabha 2011      7    0

^{由reprex package于2020年4月27日创建(v0.3.0)}