Les noms de famille qui changent avec le genre : le troisième cas que votre schéma a oublié

La plupart des développeurs connaissent deux règles à propos des noms de famille et du genre. Soit le nom de famille fléchit — Novák pour un homme, Nováková pour son épouse — soit il ne fléchit pas, et Smith reste Smith pour toujours. On en choisit une par locale, on livre, on passe à autre chose.

Il existe un troisième cas. Ce n'est ni une flexion ni une identité, et c'est celui qui casse le schéma, car dans ce cas la liste masculine et la liste féminine des noms de famille sont des listes différentes de longueurs différentes, sans la moindre correspondance entre elles.

Nous maintenons des corpus curatés de noms de famille pour 64 locales, stockés sous la forme d'un fichier lastname_male et d'un fichier lastname_female par locale. Cette structure oblige à répondre explicitement à la question pour chaque pays, et la réponse n'est pas binaire :

Décomptes des corpus remesurés le 2026-07-22 ; les chiffres de registres cités plus bas sont arrêtés au 2026-07-17.

Si votre modèle de données ne prend en charge que les deux premières lignes, vous avez déjà perdu des données quelque part. Voici où.

Cas (a) : ça fléchit — mais « fléchir » recouvre quatre mécanismes différents

Dix locales portent des noms de famille genrés : uk, ru, cs, sk, pl, bg, lv, el, kk et (structurellement) is. Les regrouper sous une seule étiquette est la première erreur, car l'étiquette masque au moins quatre grammaires sans rapport entre elles.

Le tchèque et le slovaque ajoutent un suffixe possessif. Novák → Nováková, Adamec → Adamcová, Adámek → Adámková. Notez l'exemple du milieu : le radical perd une voyelle. Ce n'est pas de la concaténation de chaînes.

Le russe, le bulgare et le polonais fléchissent un adjectif. Иванов → Иванова, Аврамов → Аврамова, Kowalski → Kowalska. La forme masculine est grammaticalement un adjectif, et la forme féminine est ce même adjectif au féminin.

Le grec passe au génitif. Παπαδόπουλος → Παπαδοπούλου. Cette forme féminine n'est pas un « nom de famille féminin » — c'est le génitif de la forme masculine, littéralement « de Papadopoulos ». Βλάχος → Βλάχου, Παππάς → Παππά.

Le letton applique des classes de déclinaison, ce qui est encore une tout autre affaire, et nous y reviendrons parce que c'est le cas intéressant.

Quatre mécanismes, un seul drapeau. Si votre code contient une unique fonction feminizeSurname() qui se ramifie selon la locale, ce sont quatre fonctions cachées sous un même trench-coat.

L'invariant qui tient réellement : toutes les paires ne changent pas

L'appariement se fait par index, non par transformation. Dans plusieurs locales, une large part des paires sont identiques des deux côtés, et ce sont des données correctes, pas un bogue dans votre import :

Les trois quarts des noms de famille ukrainiens — toute la famille en -енко — ne changent jamais. Le -ski polonais fléchit, le -czyk polonais non. Les noms de famille grecs qui sont déjà au génitif (Παπαγεωργίου, Νικολάου) n'ont plus nulle part où aller, si bien que 103 sur 648 restent inchangés. Le tchèque compte exactement 14 noms de famille invariants dans une liste de 1 805 — le type adjectival indéclinable en -í (Krejčí, Dolejší, Kočí) et le type au génitif pluriel en -ů (Martinů, Petrů, Pavlů). Le slovaque en compte zéro.

Un validateur qui affirme « si la locale fléchit, alors masculin ≠ féminin » se déclenchera sur 2 043 lignes ukrainiennes correctes.

Le letton : pourquoi la règle des suffixes ne marche pas

Nous avons un jour décrit le letton comme relevant de trois classes bien nettes : -š → -a, -s → -a, -is → -e. Puis nous l'avons confronté aux paires réelles. 152 paires sur 789 n'entrent dans aucune des trois.

La raison en est que la terminaison ne détermine pas la classe. Deux noms de famille dont les lettres finales sont les mêmes prennent des formes féminines différentes :

Ozols et Jansons se terminent de façon identique. Zālītis et Baranovskis aussi. La répartition suit la classe de déclinaison du substantif — une propriété du lexème, pas de son orthographe. Vous ne pouvez pas la retrouver à partir de la chaîne, ce qui signifie que vous ne pouvez pas dériver la forme féminine ; vous devez stocker la paire.

Et 12 noms de famille lettons sont invariants, parce que ce sont déjà des noms de classe féminine : Liepa (tilleul), Egle (épicéa), Roze (rose), Priede (pin), Kļava (érable), Lapsa (renard), Zvaigzne (étoile). Un homme s'appelle Jānis Liepa ; sa fille s'appelle Anna Liepa.

Cas (c) : l'ensemble distinct

Deux locales de notre corpus ont des fichiers de noms de famille masculins et féminins de longueurs différentes : en_IN (836 / 842) et bn_BD (400 / 404). L'appariement par index n'y a aucun sens. La règle « les fichiers doivent être identiques » non plus.

L'Inde. Six noms de famille n'apparaissent que dans le fichier féminin : Devi, Kaur, Begum, Khatun, Bano, Parveen. Ce ne sont pas des formes féminines de quoi que ce soit — ce sont des noms distincts portés par des femmes. Dans l'usage onomastique sikh, Kaur est le nom que portent les femmes et Singh est majoritairement porté par des hommes ; Devi est un nom de famille féminin très répandu dans tout le nord de l'Inde ; Begum, Khatun, Bano et Parveen sont des noms de femmes dans les communautés musulmanes. Devi pèse lourd — à égalité avec l'entrée la plus lourde du fichier féminin en poids.

Si vous imposez « les deux listes doivent être identiques », vous avez deux options, et les deux sont mauvaises : mettre Devi dans le corpus masculin, ou le supprimer. Le supprimer signifie que les femmes de vos données indiennes perdent l'un des noms de famille réels les plus courants du pays.

Notez ce que les données ne disent pas. Singh est présent dans les deux fichiers — avec un poids plus lourd du côté masculin (100) que du côté féminin (55). Ce n'est pas un nom réservé aux hommes : les femmes sikhes le portent aussi, et il est largement employé dans tout le nord de l'Inde, indépendamment de la religion. Le corpus encode un biais, pas une exclusion. Cette distinction ne survit que si votre schéma sait exprimer « présent dans les deux, pondéré différemment ».

Le Bangladesh. Quatre entrées n'existent que du côté féminin : বেগম (Begum), আক্তার (Akter), খাতুন (Khatun), খানম (Khanam). Ce sont des titres honorifiques qui occupent l'emplacement du nom de famille : une femme porte fréquemment Begum ou Akter là où un homme porte un nom de famille. Ce ne sont pas du tout des noms de famille au sens européen, et ils n'ont aucun équivalent masculin avec lequel les apparier.

Dans les deux locales, la liste masculine est un sous-ensemble strict de la liste féminine. Rien dans le schéma ne vous l'indique à l'avance.

L'Islande relève conceptuellement de ce cas, même si elle passe mécaniquement le test d'appariement. Ses 343 entrées se composent de 284 patronymes (Jónsson / Jónsdóttir) et de 59 noms de famille hérités. L'appariement y est réellement nécessaire — un radical, deux formes — mais la dérivation n'est pas de la chirurgie de chaînes : Sigurður donne Sigurðsson mais Sigurðardóttir, à partir de deux génitifs authentiques et différents du même prénom. Magnús donne Magnússon et Magnúsdóttir, avec le s doublé d'un seul côté.

Et « l'Islande n'a pas de noms de famille » est imprécis : les 59 noms de famille sont bien réels (Blöndal, Briem, Thorlacius, Zoëga). La loi nr. 54/1925 a interdit d'en créer de nouveaux ; elle n'a pas aboli ceux qui existaient. Ils représentent 17 % des lignes mais 4,15 % du poids (97 sur 2 335) — ce qui correspond aux 4 % mesurés par Statistics Iceland, et non aux « environ 10 % » qui circulent en ligne.

La Géorgie est le cas hybride. ka_GE compte 492 entrées de chaque côté ; 460 noms de famille géorgiens (ბერიძე, კაპანაძე) sont invariants, et 32 noms de famille azerbaïdjanais fléchissent (-ოვი → -ოვა). Les fichiers s'apparient par index. Mais მამედოვი porte le poids 34 et მამედოვა le poids 31 — la paire ne partage pas un même poids, parce que les hommes et les femmes de la minorité azerbaïdjanaise de Géorgie ne sont pas également nombreux dans le registre. Tout invariant de la forme « les lignes appariées ont des poids égaux » est faux ici.

Le contre-exemple qui casse le cas (c)

Le cas (c) invite à une généralisation tentante : Kaur et Begum sont des noms de femmes, donc dirigeons-les partout vers l'ensemble féminin.

En Espagne, c'est carrément faux.

L'état civil espagnol attribue à chaque personne deux noms de famille : celui du père en premier, celui de la mère en second. La transmission de l'apellido de la mère ne dépend pas du sexe de l'enfant. Un homme dont la mère est une Begum porte légalement Begum comme second nom de famille.

Le registre de l'INE publie les deux colonnes séparément, ce qui rend la chose mesurable plutôt que discutable. Begum a un ap2 = 5 599 — 3,18 fois plus que son ap1. Ce nom est très majoritairement un second nom de famille, c'est-à-dire qu'il est très majoritairement hérité des mères par des enfants des deux sexes. Appliquer la logique indienne en Espagne corromprait les données.

Nos fichiers es_ES sont identiques octet pour octet, et Kaur, Begum et Singh figurent tous les trois des deux côtés. C'est le décompte qui l'a décidé, et non l'apparence du nom. La même colonne mesure la profondeur générationnelle : García se situe à ap2/ap1 = 1,015 (pleinement installé), Kaur à 0,657, Singh à 0,070 — un nom de première génération qui a à peine commencé à atteindre l'emplacement de la mère.

Ce que cela signifie pour votre schéma

1. Une seule colonne « nom de famille » plus une colonne « genre » ne suffisent pas à reconstituer le nom d'une personne dans dix de ces locales. Il vous faut soit des paires stockées, soit des ensembles distincts.
2. Ne dérivez jamais la forme féminine à partir de la chaîne. Le letton tranche la question : deux terminaisons identiques, deux classes différentes.
3. N'affirmez pas que masculin ≠ féminin. 2 043 noms de famille ukrainiens sont invariants, et 12 lettons, et 14 tchèques.
4. N'affirmez pas que les listes ont la même longueur. L'Inde et le Bangladesh diffèrent respectivement de 6 et de 4 lignes, et ce sont là des données correctes.
5. N'affirmez pas qu'une paire partage ses métadonnées. Les მამედოვი/მამედოვა géorgiens ne le font pas.
6. Autorisez la discordance. Une personne dont le genre stocké et la forme stockée du nom de famille « ne concordent pas » n'est pas nécessairement une erreur de données. Les noms changent au gré du mariage, de la transition, de la migration et des démarches administratives ; une femme tchèque peut légalement se faire enregistrer sous Novák, sans -ová. Une contrainte stricte à cet endroit rejettera de vraies personnes.

La règle générale qui sous-tend ces six points : les noms ne se dérivent pas d'autres champs. Ce sont des faits stockés. Toute règle qui semble pouvoir vous faire économiser une colonne est une règle qu'un registre, quelque part, a déjà enfreinte.