用姓名識別性別對超級飛俠中的人物性別進行統計

有一天傍晚，在陪孩子看完一集又一集的動畫片《超級飛俠》的時候，我發現每集的主人公性別不是有規律的，然後就無聊的想統計一下男性和女性的性別，就是想知道《超級飛俠》有沒有間接暗示小孩子時候那個性別更愛訂包裹(我是有多無聊)。那說幹就幹吧。

我的菜鳥思路

加一行**，凡是得到的人名中有上面那些名字都不要（估計漏了個別飛機名字）。再優化一下**去除相同名稱的。

優化結果如下：

發現結果每集中存在多個名字，再看一下資料集分析發現。文字劇情**現的第乙個姓名是我們所要的姓名，所以我們只訪問第乙個姓名。然後再做一下姓名性別分類器，拿一下第一季第一集的「阿佳斯」做測試，得到結果是男性。然後檢視一下文字劇情確認一下，看樣子是個男生呀！

最後初略得到了三季78集中的59個人物姓名，然後分類得到34個男性和25個女性。分類器正確率是80%左右，我大概得到：在小時候，男孩子比女孩子更愛購物（剁--手）。

真實的結果真的是這樣嗎？？我想說不一定，因為這裡面存在不少對資料集錯誤的清洗操作。例如：

如果你曾經認真陪過孩子看《超級飛俠》，你應該知道有的時候訂購的包裹不一定是孩子訂購的，而是孩子的父母。所以對於這些噪點資料，我們不能乙個乙個處理，不然那樣就失去了資料探勘的意義了。

儘管很少但還是有個別劇情是連集的，這種情況我們有可能多統計重複乙個人名。

所以我們在做資料探勘過程中，絕大部分時間都不是花在挑選合適演算法和訓練分類器（調參**），而是用在了資料清洗上，資料清洗的效果也是能夠一定程度上影響分類器的正確率的。

是美國首部的名稱。所以現在的nlp技術真的很難達到我們人腦識別的正確率，但它高效率及低錯誤率我們還是願意接受的。