jgires / coleoptr

coleoptr est un package R qui détecte les prénoms et leur genre

coleoptr

coleoptr est un package R qui permet :

• de détecter les prénoms dans des chaînes de caractères ;
• d’estimer l’appartenance des prénoms à chaque sexe.

Le package repose sur un dictionnaire de prénoms de l’ensemble de la population belge en 2022 compilé par Statbel. Celui-ci contient 48.505 prénoms et permet de détecter les prénoms utilisés pour nommer les personnes en Belgique (et de ce fait les institutions, rues, écoles, commerces, etc.).

Installation

Vous pouvez installer la version de développement de coleoptr depuis GitHub avec cette commande :

# install.packages("devtools")
devtools::install_github("jgires/coleoptr")

Exemple

Voici un exemple à partir de noms de rue qui illustre les deux fonctions de coleoptr.

La fonction name_be_extract permet de détecter et d’extraire les prénoms dans une chaîne de caractères (ici le nom de rue) :

library(coleoptr)
x <- data.frame(rue = c("Rue Albert Dekkers",
                        "Avenue du Pont de Luttre",
                        "rue du Champ Ste-Anne",
                        "Toekomststraat",
                        "Avenue du Pont de Luttre",
                        "Sint-Jozefstraat",
                        "Rue Coron Paulette",
                        "Rue Marchand Père et Fils",
                        "Rue Saints-Pierre et Paul",
                        "Katarinalaan"
                        ))
result <- name_be_extract(data_to_detect = x,
                          col_to_detect = "rue",
                          nl_detect = TRUE)

result[,c("rue", "name_extracted_1", "name_extracted_2")]
#> # A tibble: 10 × 3
#>    rue                       name_extracted_1 name_extracted_2
#>    <chr>                     <chr>            <chr>           
#>  1 Rue Albert Dekkers        Albert           <NA>            
#>  2 Avenue du Pont de Luttre  <NA>             <NA>            
#>  3 rue du Champ Ste-Anne     Anne             <NA>            
#>  4 Toekomststraat            <NA>             <NA>            
#>  5 Avenue du Pont de Luttre  <NA>             <NA>            
#>  6 Sint-Jozefstraat          Jozef            <NA>            
#>  7 Rue Coron Paulette        Paulette         <NA>            
#>  8 Rue Marchand Père et Fils <NA>             <NA>            
#>  9 Rue Saints-Pierre et Paul Pierre           Paul            
#> 10 Katarinalaan              Katarina         <NA>

La fonction name_be_genderize permet quand à elle d’estimer le genre des prénoms. Elle peut s’appliquer sur les résultats de name_be_extract. Dans tous les cas, elle s’applique sur un champ contenant le nom seul :

result_genderized <- name_be_genderize(result,
                                       col_name = "name_extracted_1")

result_genderized[,c("rue", "name_extracted_1", "prop_f", "prop_h", "genre_detected")]
#> # A tibble: 10 × 5
#>    rue                       name_extracted_1    prop_f    prop_h genre_detected
#>    <chr>                     <chr>                <dbl>     <dbl> <chr>         
#>  1 Rue Albert Dekkers        Albert            0         1        H             
#>  2 Avenue du Pont de Luttre  <NA>             NA        NA        <NA>          
#>  3 rue du Champ Ste-Anne     Anne              0.999     0.000753 F             
#>  4 Toekomststraat            <NA>             NA        NA        <NA>          
#>  5 Avenue du Pont de Luttre  <NA>             NA        NA        <NA>          
#>  6 Sint-Jozefstraat          Jozef             0         1        H             
#>  7 Rue Coron Paulette        Paulette          1         0        F             
#>  8 Rue Marchand Père et Fils <NA>             NA        NA        <NA>          
#>  9 Rue Saints-Pierre et Paul Pierre            0.000218  1.00     H             
#> 10 Katarinalaan              Katarina          1         0        F

Options

Plusieurs options existent et seront documentées plus tard…

Développements futurs ?

Des difficultés spécifiques se posent dans la détection de prénoms en néérlandais (et sans doute en allemand), puisque le prénom est parfois accolé à l’objet/institution nommée par ce prénom. Par exemple, pour la voierie Katarinalaan, le prénom et l’avenue (laan) forment un seul mot. La fonction name_be_extract peut tout à fait détecter et extraire les prénoms à l’intérieur de mots plus longs (en indiquant l’option respect_boundaries = FALSE), mais alors la fonction détecte un grand nombre de faux positifs : elle détecte pour Place de Ninove les prénoms Lac et Nino, par exemple (le problème est le même en néérlandais).

La solution qui a été trouvée est de maintenir le respect des frontières de mots (respect_boundaries = TRUE est l’option par défaut), et d’indiquer avec l’option nl_detect = TRUE (utilisée dans l’exemple précédent) que l’on fait une recherche dans des champs écrits en néérlandais. La fonction opère alors une série de corrections en REGEX au préalable pour rendre possible la détection des prénoms accolés à un certain nombre d’objets/institutions (pour l’instant : uniquement voieries et institutions scolaires jusqu’au secondaire). Le soucis de cette procédure est qu’elle demande des corrections particulières à la nature des données. A terme, la solution est probablement de créer un dictionnaire de correction en néérlandais, reprenant de nombreux objets/institutions, pour englober le plus de cas possibles. Cette solution demande cependant un gros travail dont je ne sais pas s’il est réellement faisable. Si quelqu’un a une solution technique plus parcimonieuse et systématique, je suis preneur.