Riichards/Sampl

该数据集包含两个表格：`bigquery-public-data.usa_names.usa_1910_2013`和`bigquery-public-data.samples.natality`。第一个表格记录了1910年至2013年间美国各州的婴儿名字、性别、出生年份及其出现次数。第二个表格包含了更详细的出生记录，如出生日期、性别、种族、体重、母亲和父亲的信息等。这些数据可用于分析美国婴儿名字的趋势、性别比例的变化以及其他与出生相关的统计信息。

原始信息汇总

数据集概述

基本信息

• 许可证: Apache-2.0
• 任务类别: 文本分类
• 语言: 英语
• 数据集大小: 小于1千条记录

输入表

• 表1: bigquery-public-data.usa_names.usa_1910_2013

  • 字段:
    • state: 2位州代码，类型为STRING
    • gender: 性别（M=男性，F=女性），类型为STRING
    • year: 出生年份，类型为INTEGER
    • name: 出生时的名字，类型为STRING
    • number: 名字出现的次数，类型为INTEGER

• 表2: bigquery-public-data.samples.natality

  • 字段:
    • source_year: 出生年份，类型为INTEGER
    • year: 出生年份，类型为INTEGER
    • month: 出生月份，类型为INTEGER
    • day: 出生日期，类型为INTEGER
    • wday: 出生星期，类型为INTEGER
    • state: 州邮政代码，类型为STRING
    • is_male: 性别（TRUE=男性，FALSE=女性），类型为BOOLEAN
    • child_race: 儿童种族，类型为INTEGER
    • weight_pounds: 儿童体重，类型为FLOAT
    • plurality: 多胎情况，类型为INTEGER
    • apgar_1min: 出生后1分钟Apgar评分，类型为INTEGER
    • apgar_5min: 出生后5分钟Apgar评分，类型为INTEGER
    • mother_residence_state: 母亲居住州，类型为STRING
    • mother_race: 母亲种族，类型为INTEGER
    • mother_age: 母亲年龄，类型为INTEGER
    • gestation_weeks: 妊娠周数，类型为INTEGER
    • lmp: 末次月经日期，类型为STRING
    • mother_married: 母亲婚姻状态，类型为BOOLEAN
    • mother_birth_state: 母亲出生州，类型为STRING
    • cigarette_use: 母亲吸烟情况，类型为BOOLEAN
    • cigarettes_per_day: 每日吸烟量，类型为INTEGER
    • alcohol_use: 母亲饮酒情况，类型为BOOLEAN
    • drinks_per_week: 每周饮酒量，类型为INTEGER
    • weight_gain_pounds: 孕期体重增加，类型为INTEGER
    • born_alive_alive: 存活子女数，类型为INTEGER
    • born_alive_dead: 已故子女数，类型为INTEGER
    • born_dead: 流产子女数，类型为INTEGER
    • ever_born: 总生育数，类型为INTEGER
    • father_race: 父亲种族，类型为INTEGER
    • father_age: 父亲年龄，类型为INTEGER
    • record_weight: 记录权重，类型为INTEGER

研究任务

• 分析名字最后一个字母与性别的关联性
• 分析美国自1920年以来女性名字比例最高的年份
• 观察女性与男性名字比例的特殊发展趋势
• 找出60年代第四常见的男性名字

搜集汇总

数据集介绍

构建方式

该数据集源自Google BigQuery公共数据集中两个经典表格的联合查询：`bigquery-public-data.usa_names.usa_1910_2013`与`bigquery-public-data.samples.natality`。前者收录了1910年至2013年间美国各州新生儿姓名、性别及出现频次，后者则记录了同一时期新生儿的详细出生信息，包括性别、体重、孕周及父母特征等。通过年份与性别等关键字段的关联，研究者能够将姓名统计与人口健康数据无缝衔接，形成一套既包含命名趋势又涵盖出生结局的多维度分析框架。

特点

该数据集的核心特色在于其跨域融合能力。它将姓名社会学研究与人口统计学指标相结合，使得诸如“名字末尾字母与性别关联性”、“不同年代男女命名比例演变”等议题得以量化探索。同时，`natality`表提供的丰富临床变量（如Apgar评分、母亲吸烟史、多胎情况）为深层次归因分析提供了可能。数据规模虽小（不足1000条记录），但结构清晰、字段定义严谨，非常适合作为教学或快速原型验证的基准数据。

使用方法

使用者可直接通过SQL在BigQuery中执行跨表连接查询，或下载原始CSV后利用Pandas等工具进行本地分析。典型应用场景包括：检验名字末字母与性别的关系（如以‘a’结尾的名字是否更倾向女性）、绘制美国百年间男女姓名比例的时间序列曲线，以及挖掘特定年代（如1960年代）最流行的男性名字。对于`natality`表，还可结合母亲年龄、种族等变量，探索人口学特征对命名偏好的潜在影响。

背景与挑战

背景概述

Riichards/Sampl数据集诞生于对文本分类任务中性别与命名模式关联性的探索，由研究人员基于BigQuery公共数据集构建，旨在通过分析美国百年间（1910-2013）的姓名与出生记录，揭示性别在命名文化中的演变规律。该数据集整合了usa_names与natality两张表，前者记录了各年份、各州的姓名及性别分布，后者则提供了出生体重、孕期周数、母亲年龄等丰富的母婴健康指标。其核心研究问题在于探究姓名末尾字母是否可作为性别的有效代理，并追踪性别比例在时间序列中的动态变化，尤其关注女性名字占比的历史峰值年份。这一工作为计算社会学与语言统计学提供了可复现的数据基础，推动了从文本分类视角理解社会文化现象的研究范式。

当前挑战

数据集面临的首要挑战在于解决文本分类中性别标签的模糊性问题，例如跨文化命名习惯的差异可能导致姓名与性别的关联并非绝对，而历史数据中性别标记的缺失或错误将进一步加剧模型偏差。构建过程中，数据整合遭遇了显著的障碍：usa_names表仅包含州、性别、年份等基础字段，而natality表虽提供了父母年龄、种族、吸烟饮酒等社会行为变量，但两者需通过年份与州字段进行关联，且后者的记录权重（full-reporting vs 50% sample）引入了采样偏差。此外，数据稀疏性在早期年代尤为突出，部分州在特定年份的姓名记录不足千条，这使得统计推断的稳定性受到质疑。时间跨度内变量定义的变更（如2004年后state字段的缺失）也要求对数据预处理流程进行精细设计。

常用场景

经典使用场景

Riichards/Sampl数据集汇聚了美国社会百年间的人口出生与命名记录，其核心价值在于为文本分类任务提供了一条独特的分析路径——通过姓名的末尾字母等语言学特征来推断性别归属。研究者常利用该数据集构建基于字符级特征的性别分类模型，探索音节结构、拼写模式与性别文化符号之间的关联。这一应用场景不仅检验了传统统计方法在命名学中的有效性，更推动了自然语言处理技术在社会人口学微观层面的精细化建模。

衍生相关工作

基于该数据集，研究者衍生出一系列经典工作：利用姓名末字母序列构建的性别分类器成为社会计算领域的基线模型，被后续工作广泛引用；针对性别命名比例随时间变化的时序分析，催生了文化变迁量化研究的新范式；将出生健康指标与命名流行度进行关联的探索，启发了“社会文化暴露与母婴健康”这一交叉研究方向。此外，数据集中多源表格的联合查询方法，为大数据时代下异构人口数据的融合分析提供了方法论示范，推动了公开数据在计算社会科学中的标准化应用。

数据集最近研究

最新研究方向

在计算社会语言学与性别研究的交叉领域，Riichards/Sampl数据集通过对美国百年间（1910-2013）出生姓名与新生儿健康记录的融合，为探索命名行为中的性别表征演变提供了独特视角。当前前沿方向聚焦于利用该数据集的时序结构，结合自然语言处理中的字符级特征工程，检验姓名末位字母与性别判定的统计关联性。研究热点包括量化性别命名偏好随年代的动态漂移，识别特定历史时期（如1960年代）的男性命名模式异常，以及通过出生体重、孕周等健康指标交叉分析命名趋势的社会经济驱动因素。该数据集的价值在于其将微观的个体命名选择与宏观的社会人口变迁相联结，为理解性别角色建构、文化传播机制及公共卫生政策评估提供了可计算的历史档案，尤其对揭示二战后婴儿潮与女性主义运动对命名偏好的冲击具有重要意义。