erickrribeiro/gender-by-name

该数据集将名字与性别属性相关联，并提供了计数和概率。数据集结合了来自美国、英国、加拿大和澳大利亚的政府开源数据。数据集的特征包括名字、性别、计数和概率。性别用0和1表示女性和男性。数据集分为训练集和测试集，分别包含117,815和29,454个样本。数据集的总大小为5,113,563字节，下载大小为2,497,614字节。数据集的许可证为cc-by-4.0，任务类别为文本分类，语言为英语和葡萄牙语，标签包括gender_by_name、social_science和uci。

原始信息汇总

数据集卡片 for "Gender-by-Name"

数据集信息

数据集概述

该数据集将名字与性别关联，提供计数和概率。它结合了来自美国、英国、加拿大和澳大利亚的开放源政府数据。数据集来源于UCI机器学习库。

数据来源

源数据集来自政府机构：

• 美国：社会保障卡申请中的婴儿名字 - 国家数据，1880年至2019年
• 英国：英格兰和威尔士的婴儿名字统计公告，2011年至2018年
• 加拿大：不列颠哥伦比亚省100年流行婴儿名字，1918年至2018年
• 澳大利亚：流行婴儿名字，总检察长部，1944年至2019年

数据结构

• Name: 字符串
• Gender: 0/1（女性/男性）
• Count: 整数
• Probability: 浮点数

数据集配置

• 默认配置
  • 训练集
    • 路径: data/train-*
    • 字节数: 4090843.4554794286
    • 样本数: 117815
  • 测试集
    • 路径: data/test-*
    • 字节数: 1022719.5445205712
    • 样本数: 29454

数据集大小

• 下载大小: 2497614
• 数据集大小: 5113563

许可证

• cc-by-4.0

任务类别

• 文本分类

语言

• 英语
• 葡萄牙语

标签

• gender_by_name
• social_science
• uci

友好名称

• Gender by Name

大小类别

• 100K<n<1M

缺失值

• 无