无法使用python检测乱七八糟的名称

我正在尝试构建一个python模型,它可以将帐户名分类为合法的或胡言乱语的。在这种特殊情况下,大写并不重要,因为一些合法的帐户名可能由所有大写或小写字母组成。

免责声明:这只是一个内部研究/实验,不会对分类器结果采取实际行动。

特别是,有两个可能的特征可以显示帐户名可疑、胡言乱语或两者兼而有之:

1. 名字或名字的奇怪/随机拼写由纯数字或大部分数字组成。符合这些条件的帐户名示例如下: 128、127、H4RUGZ4SX383A6N64HPO、TT、T66、T65、ASDFDS .

2. 这个名字有两个组成部分(假设没有一个名字有两个以上的组成部分),这两个组成部分的拼写和发音非常相似。符合这些条件的帐户名示例如下: 哈亚,哈亚,哈亚 .

如果帐户名同时满足上述两个条件(即“asdfs lsdfs”、“332 333”),则也应视为可疑。

另一方面,合法的帐户名不需要同时有名字和姓氏。它们通常是来自流行语言的名字,如罗马语/拉丁语(即西班牙语、德语、葡萄牙语、法语、英语)、汉语和日语。

合法帐户名的示例包括(这些名称是合成的,但确实反映了真实世界中合法帐户名的类似样式): 迈克尔、萨拉、何塞·科尔梅纳雷斯、迪米特尔、何塞·拉斐尔、摩根、爱德华多·梅迪纳、路易斯·门德斯、希卡鲁、赛琳娜、张明、刘旭婷、陈征 .

我在stackoverflow上看到过一些类似的问题,它们要求找到检测乱七八糟文本的方法。但这些都不适合我的情况,因为合法的文本和文字实际上有意义,而人名通常没有意义。我也希望能够做的只是基于帐户名,而不是其他。

现在,我的脚本使用python的fuzzy-wuzzy包并使用50%作为相似度阈值来查找可疑帐户名(名称中类似的组件)的第二个特征。脚本如下:

from fuzzywuzzy import fuzz
from fuzzywuzzy import process

import pandas as pd
import numpy as np

accounts = pd.read_csv('dataset_with_names.csv', encoding = 'ISO-8859-1', sep=None, engine='python').replace(np.nan, 'blank', regex=True)

pd.options.mode.chained_assignment = None

accounts.columns = ['name', 'email', 'akon_id', 'acct_creation_date', 'first_time_city', 'first_time_ip', 'label']

accounts['name_simplified']=accounts['name'].str.replace('[^\w\s]','')
accounts['name_simplified']=accounts['name_simplified'].str.lower()

sim_name = []

for index, row in accounts.iterrows():        
    if ' ' in row['name_simplified']:
        row['name_simplified']=row['name_simplified'].split()
        if len(row['name_simplified']) > 1:
            #print(row['name_simplified'])
            if fuzz.ratio(row['name_simplified'][0], row['name_simplified'][1]) >= 50:
                sim_name.append('True')
            else:
                sim_name.append('False')
        else:
            sim_name.append('False')
    else:
        sim_name.append('False')        

accounts['are_name_components_similar'] = sim_name 

这个结果对于脚本的设计来说是可靠的,但是我也希望能够用第一个特征(奇怪的/随机的拼写或名称由纯粹的或大部分的数字组成)来显示乱七八糟的帐户名。到目前为止,我还没有找到解决办法。

有人能帮忙吗?任何反馈/建议将不胜感激!