Pourquoi une « liste de noms de famille » n'est pas universelle : ce qui compte pour une ligne

Avant de charger une liste de fréquences, vous allez demander si la source fait autorité. C'est la mauvaise première question, et nous avons le défaut qui le prouve.

La bonne première question est quelle est l'unité d'enregistrement — que compte réellement une ligne de ce fichier ? Un nom de famille ? Un élément de nom ? Un titre honorifique ? Une position dans une formule de nommage ? Une personne, ou une case qu'une personne remplit deux fois ?

Nous nous sommes trompés avec une source statistique nationale sous les yeux, en utilisant une liste de pièges qui nommait déjà l'erreur exacte. Voici à quoi cela ressemble de l'intérieur.

L'erreur : 300 lignes d'un fichier de fréquences, dont quatre n'étaient pas des noms

Notre corpus de noms de famille vietnamiens est passé de 110 à 303 entrées le 18 juillet 2026, alimenté par les 300 premières lignes d'un jeu de données de fréquences. La source est réelle et ses décomptes le sont aussi. L'extension a fait ce qu'une bonne extension doit faire — elle a approfondi la queue et gardé la tête stable.

Elle a aussi réimporté trois entrées qu'un passage antérieur avait délibérément rejetées :

Y est la marque qui précède le nom d'un homme chez les Ê-đê et les Jarai des Hauts Plateaux du Centre — comme dans Y Moan Enuôl, le chanteur. Ce n'est pas son nom de famille. Son véritable nom de clan vient après, et les noms de clan Ê-đê sont matrilinéaires.

Ces deux noms de clan figurent eux aussi dans notre corpus, et ce sont leurs poids qui auraient dû nous arrêter :

Le fichier affirmait que le titre honorifique était dix-huit fois plus fréquent que le clan auquel il se rattache. C'est arithmétiquement ce qui arrive quand on compte un titre comme un nom : chaque membre de chaque clan y contribue. Le nombre n'était pas du bruit. C'était le décompte correct d'une chose qui n'est pas un nom de famille.

La source de fréquences n'avait pas tort. Elle comptait les chaînes qui apparaissent en première position d'un champ de nom, ce qui constitue un décompte parfaitement cohérent en soi. Nous avons lu cela comme une « fréquence des noms de famille », ce qu'elle n'est pas.

Ce que disait notre propre documentation

Ce qui pique : notre référence interne des sources comporte une section sur les pièges des données, et elle contient cette ligne, écrite avant le défaut :

Des titres honorifiques comme « noms de famille ». Y (vietnamien, Ê-đê), Thị, Ka, A ; féminins bangladais বেগম Begum, আক্তার Akter, খাতুন Khatun, খানম Khanam ; 其他 (Taïwan) ; 기타 (Corée) ; ALL OTHER NAMES (États-Unis) ; AUTRES NOMS (INSEE). Un « nom de famille » d'un seul caractère mérite un second regard, où que ce soit.

Le script de construction de la locale portait en outre un commentaire littéral disant // Y (#55) deliberately REJECTED. Le piège était documenté, le rejet était consigné dans le code, et la reconstruction l'a pourtant réintroduit — parce que le travail de la reconstruction était d'importer les 300 premières entrées, et que rien dans la chaîne de traitement ne savait que quatre de ces 300 n'étaient pas éligibles à l'import.

Documenter un piège ne protège pas contre lui. Seul un contrôle qui s'exécute le fait.

Et le correctif était incomplet

Nous avons mesuré le corpus livré en écrivant cet article, et le résultat honnête est que le premier nettoyage n'a été que partiel.

Y, Ka et A sont partis. Le corpus est tombé à 299 lignes totalisant un poids de 99 454, avec Nguyễn à 30 492 — 30,66 % du corpus, ce qui est le chiffre que soutient la littérature évaluée par les pairs, et non les 38 % qui circulent largement depuis une étude de 1992 portant sur 1 941 personnes.

Mais Thị était toujours là, au rang 143, poids 13.

Thị est, à lui seul, le plus célèbre des éléments vietnamiens qui ne sont pas des noms de famille. C'est la marque conventionnelle du nom du milieu chez les femmes — Nguyễn Thị Hương — et elle apparaît en position médiane dans une très grande partie des noms de femmes vietnamiennes. Elle est nommée explicitement dans notre propre liste de pièges, dans la même phrase que Y, Ka et A. Elle a survécu au correctif qui a retiré les trois autres, et il a fallu un troisième passage distinct pour l'en sortir — c'est ce retrait qui a fait passer le fichier de 299 lignes aux 298 qu'il livre aujourd'hui.

Ô a survécu lui aussi : une entrée d'un seul caractère au rang 265 avec un poids de 3, soit exactement le cas dont la liste de pièges dit qu'il mérite un second regard — et Ô est toujours dans le fichier, désormais au rang 264.

Nous publions la séquence plutôt que le seul état final bien rangé, parce que c'est la forme de l'échec qui est la partie utile. La première erreur a été d'importer un piège que nous avions documenté. La seconde a été de corriger les trois occurrences que nous avions justement sous les yeux au lieu de repasser la liste de pièges sur le résultat — d'où le troisième passage dont le fichier a eu besoin, et d'où la présence, aujourd'hui encore, d'une entrée signalée. Un correctif partiel se lit comme un correctif complet dans chacun des journaux qu'il laisse derrière lui.

Quatre façons dont l'unité d'enregistrement diffère

Le Vietnam est un mode de défaillance. Il en existe au moins quatre distincts, et ils appellent des réponses différentes.

1. La ligne n'est pas du tout un nom

Les titres honorifiques sont le cas ci-dessus. Mais tout grand registre publie aussi des lignes d'agrégat dans la même colonne que les vrais noms :

Chacune d'elles se retrouvera en tête du fichier au décompte, parce qu'elle agrège toute la queue. Importez-la telle quelle et vous aurez donné à votre générateur un nom de famille crédité de plusieurs millions de porteurs, alors qu'aucun être humain ne s'est jamais appelé ainsi.

2. La ligne est une position, pas une personne

En Espagne, chaque personne porte deux noms de famille — celui du père en premier, celui de la mère en second. Ainsi, « quelle est la fréquence de García ? » a deux réponses correctes qui diffèrent d'un facteur deux :

Aucun des deux nombres n'est faux. Ils répondent à des questions différentes, et une liste qui les mélange d'une ligne à l'autre est silencieusement incohérente. Le cas portugais rend l'enjeu visible : les 10 premiers noms de famille portugais couvrent 45,7 % des porteurs, mais seulement 22,8 % des positions. Rapportez le mauvais chiffre et votre courbe de concentration est décalée d'un facteur deux.

Et la règle ne se généralise même pas à l'ensemble du monde hispanophone. L'Argentine est l'exception : seul le nom de famille du père est utilisé, si bien que porteurs et positions donnent le même nombre. Y appliquer la correction « diviser par deux » transforme une couverture correcte de 134 % en un chiffre fictif de 67 %.

3. La ligne est un patronyme, pas un nom de famille

En Islande, la plupart des gens n'ont pas du tout de nom de famille au sens hérité. Jónsson signifie « fils de Jón » et se régénère à chaque génération à partir du prénom du père. La ventilation de Statistics Iceland pour 2017 donne 82 % de patronymes, 4 % de noms de famille hérités (ættarnöfn) et 14 % d'autres — surtout des noms de famille d'immigrés.

Une liste de fréquences des « noms de famille islandais » est donc surtout une liste de fréquences de prénoms masculins, une génération plus tôt, avec un suffixe. Les 59 noms de famille véritablement hérités constituent un objet distinct et bien plus petit. Nous traitons ce cas en détail dans Islande : patronymes et 59 noms de famille, y compris les raisons pour lesquelles l'affirmation souvent répétée selon laquelle « environ 10 % des Islandais ont un nom de famille » est une statistique zombie, fabriquée en ajoutant les 4 % aux 14 %.

4. Tout le monde n'en a pas

Les mononymes existent. En Indonésie, une personne peut légalement porter exactement un nom et aucun nom de famille — la pratique est assez répandue pour que les systèmes de passeports indonésiens aient des conventions établies pour la traiter. Notre corpus id_ID contient 299 noms de famille et porte en interne une question ouverte sur la justesse même du modèle de nommage de la locale, parce qu'une liste de noms de famille pour l'Indonésie décrit une pratique qu'une grande part de la population ne suit pas.

Un schéma comportant une colonne lastname obligatoire ne peut pas représenter cela. Il fabriquera un nom de famille pour quelqu'un qui n'en a pas, et la valeur fabriquée sera indiscernable d'une vraie.

Là où l'unité d'enregistrement se scinde selon le genre

La plus grande surprise structurelle est que, dans plusieurs communautés linguistiques, l'ensemble des noms de famille admissibles est différent pour les hommes et pour les femmes — non pas fléchi, différent.

Inde. Six entrées 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. Dans la pratique de nommage sikhe, Kaur est le nom que portent les femmes ; Devi est très répandu chez les femmes dans tout le nord de l'Inde ; Begum, Khatun, Bano et Parveen sont des noms de femmes dans les communautés musulmanes. Devi porte un poids de 75 — plus lourd que la majeure partie du fichier.

Notez ce que les données ne disent pas. Singh figure dans les deux fichiers, pondéré à 100 du côté masculin et à 55 du côté féminin. Les femmes sikhes le portent aussi. Le corpus encode un biais, pas une exclusion — une distinction qui ne survit que si votre schéma sait exprimer « présent dans les deux, pondéré différemment ».

Bangladesh. Quatre entrées sont exclusivement féminines : বেগম (Begum), আক্তার (Akter), খাতুন (Khatun), খানম (Khanam). Ce sont les mêmes titres honorifiques que dans la liste de pièges — mais ici ils sont à leur place, parce que, dans la pratique bangladaise, ils occupent réellement l'emplacement du nom de famille pour beaucoup de femmes. La même chaîne est un défaut dans un corpus et une donnée correcte dans un autre, et le seul moyen de savoir lequel des deux est de savoir ce que fait le système de nommage.

La Géorgie est le cas qui nous a coûté le plus cher. Les noms de famille géorgiens ne varient pas selon le genre : ბერიძე est ბერიძე pour tout le monde. Mais la Géorgie compte une minorité azerbaïdjanaise d'environ 6,3 % de la population, et les noms de famille azerbaïdjanais, eux, fléchissent bel et bien : მამედოვი ♂ / მამედოვა ♀.

Aussi longtemps que nous avons imposé la règle voulant que les fichiers de noms de famille masculins et féminins soient identiques octet pour octet, cette couche entière n'avait nulle part où exister — et la locale a été livrée sans le deuxième nom de famille le plus fréquent du pays. Les chiffres du registre ventilés par sexe sont ბერიძე 14 963 et მამედოვი 14 482 chez les hommes ; ბერიძე 15 059 et მამედოვა 13 487 chez les femmes. Dans une liste de tête fusionnée, les deux formes se partagent le décompte et le nom disparaît entièrement de la vue.

La leçon se généralise au-delà de la Géorgie : dans tout pays doté d'une couche minoritaire à flexion, contrôlez la tête de la liste séparément par genre. Un classement fusionné masque précisément les noms qui fléchissent.

Notre validateur porte désormais une liste d'exceptions explicite pour ces trois locales :

$SET_PER_GENDER = ['en_IN' => 1, 'ka_GE' => 1, 'bn_BD' => 1];

Pour tout le reste, la règle est soit « les fichiers doivent être identiques », soit « les fichiers s'apparient par index ». Pour ces trois-là, elle n'est ni l'une ni l'autre, et le validateur affirme seulement que les deux ensembles diffèrent réellement — car s'ils sont identiques, la séparation n'a jamais été faite. La mécanique des cas d'appariement, y compris les raisons pour lesquelles on ne peut jamais dériver une forme féminine à partir d'une chaîne, est traitée à part dans Les noms de famille qui changent avec le genre.

Le grec rappelle que la flexion n'est pas toujours ce qu'elle paraît. Παπαδόπουλος ♂ / Παπαδοπούλου ♀, ce n'est pas un nom de famille masculin et un nom de famille féminin — la forme féminine est le génitif de la forme masculine, littéralement « de Papadopoulos ». Même relation entre les chaînes, grammaire entièrement différente, et cela change ce que signifie une « paire ».

La liste de contrôle que nous aurions dû exécuter

1. Demandez ce que compte une ligne. Avant la licence, avant l'autorité, avant la couverture. Un nom de famille, un élément de nom, une position, un titre, une ligne d'agrégat. La source vous le dira le plus souvent, si vous lisez ses définitions de colonnes au lieu de ses en-têtes de colonnes.
2. Triez par longueur de chaîne croissante et lisez la tête de la liste. Chaque titre honorifique que nous avons importé faisait un ou deux caractères. Cela coûte une seule commande.
3. Cherchez les lignes d'agrégat par leur nom. 其他, 기타, ALL OTHER NAMES, AUTRES NOMS, _PRENOMS_RARES. Elles se placent en tête du fichier au décompte.
4. Recoupez une entrée suspecte avec ses propres dépendants. Y revendiquait 18 fois le poids du clan auquel il se rattache. L'incohérence interne était visible sans aucune source externe.
5. Établissez porteurs contre positions avant de calculer le moindre pourcentage. Deux noms de famille par personne doublent les positions et ne divisent rien par deux — et l'Argentine est l'exception qui prouve qu'on ne peut pas appliquer la règle par langue.
6. Contrôlez la tête de la liste séparément par genre. Le nom de famille n° 2 de Géorgie était invisible dans un classement fusionné.
7. Repassez toute la liste de pièges après chaque correctif. Nous avons retiré trois titres honorifiques et laissé Thị et Ô dans le fichier ; Thị a exigé un troisième passage et Ô s'y trouve encore. Le correctif a été vérifié par rapport au rapport de bogue, pas par rapport à la liste de contrôle.

La discipline de fond consiste à cesser de traiter une liste de fréquences comme une liste de noms à laquelle des décomptes se trouvent attachés, et à commencer à la traiter comme une mesure, faite par quelqu'un d'autre, d'une unité que cette personne a définie et vous non. L'autorité vous dit que le comptage a été fait avec soin. Elle ne vous dit rien de ce qui a été compté.

Données arrêtées au 2026-07-18

Tous les chiffres du corpus ont été mesurés le 18 juillet 2026 sur les fichiers livrés lastname_male.tsv / lastname_female.tsv, et non sur les entrées de construction ou la documentation.

Vérifié dans les données livrées :

• vi_VN — 298 lignes, somme des poids 99 441. Nguyễn 30 492 = 30,66 % du poids du corpus. Y, Ka, A absents (retirés depuis la reconstruction à 303 lignes). Thị est désormais absent lui aussi — c'était la marque du nom du milieu, pas un nom de famille, et son retrait est ce qui a fait passer le fichier de 299 lignes à 298. Ô présent au rang 264, poids 3. Niê rang 200 poids 5 ; Rơ rang 247 poids 3. Văn rang 42 poids 187, conservé mais signalé — la source a peut-être compté en partie la marque masculine du nom du milieu.
• en_IN — 836 lignes masculines / 842 lignes féminines. Exclusivement féminins : Bano, Begum, Devi, Kaur, Khatun, Parveen. Exclusivement masculins : aucun. Singh masculin 100 / féminin 55 ; Devi féminin 75 ; Kaur féminin 60.
• bn_BD — 400 lignes masculines / 404 lignes féminines. Exclusivement féminins : বেগম, খাতুন, আক্তার, খানম.
• ka_GE — 492 lignes de chaque côté, longueur identique, 32 lignes où le nom de famille diffère. მამედოვი poids 34 / მამედოვა poids 31, au rang 461 des deux côtés.
• el_GR — 648 lignes de chaque côté ; le rang 1 est Παπαδόπουλος / Παπαδοπούλου.
• id_ID — 299 noms de famille, constitués manuellement, avec un point d'interrogation interne ouvert sur le modèle de nommage de la locale.
• is_IS — 343 lignes.
• es_ES — 2 522 lignes (300 ajoutées le 21 juillet 2026), somme des poids 34 026 331.

Sources :

• Vietnam — jeu de données de fréquences VNTH01 de hoten.org (CC BY 4.0 tel que déclaré dans le texte de la page). Corroboré par Nguyen, Viet Khoa (2024), Toward an Onomastic Account of Vietnamese Surnames, Genealogy 8(1):16, n = 883 835, qui donne Nguyễn 31,57 %. Le chiffre largement cité de 38,4 % remonte à Lê Trung Hoa (1992) sur un échantillon de 1 941 personnes et ne doit pas être utilisé comme diviseur. <doi.org/10.3390/genealogy80100…;
• Espagne — INE, Frecuencias de apellidos, recensement du 01.01.2025. 86 512 lignes de données réparties entre Apellido 1º / Apellido 2º / Ambos apellidos. Positions = ap1 + ap2 ; porteurs = ap1 + ap2 − ambos. García 1 446 937 comme premier nom de famille, 2 915 761 sur les deux. Notez que l'en-tête du fichier déclare un seuil de fréquence de 100 alors que le seuil réel est 20. <ine.es/daco/daco42/nombyapel/…;
• Portugal — liste SPIE « 100 apelidos » (96 entrées), recoupée avec l'IRN sur les 4 premières. Top 10 = 45,7 % des porteurs, 22,8 % des positions.
• Argentine — RENAPER. Seul le nom de famille paternel est utilisé ; les porteurs égalent les positions.
• Géorgie — Public Service Development Agency, 2024, publication ventilée par sexe. Hommes : ბერიძე 14 963, მამედოვი 14 482. Femmes : ბერიძე 15 059, მამედოვა 13 487. Part azerbaïdjanaise de la population ≈ 6,3 %.
• Islande — Hagstofa Íslands, 01.01.2017 : patronymes 82 %, ættarnöfn 4 %, autres 14 %. La loi n° 54/1925 a interdit la création de nouveaux noms de famille ; elle n'a pas aboli ceux qui existaient déjà. <hagstofa.is/&gt;
• Taïwan — 內政部戶政司, OGDL Taiwan v1.0. Corée — KOSTAT. États-Unis — US Census 2010 Surnames, domaine public. France — INSEE noms2008nat, Licence Ouverte 2.0.