olob0/ibge-nomes-no-brasil-2022

IBGE Nomes no Brasil 2022

Este dataset reúne os nomes próprios e sobrenomes no Brasil disponibilizados pelo Censo Demográfico 2022 do IBGE, organizados em um modelo relacional e distribuídos em arquivos Parquet.

A base contém cerca de 128 mil nomes e 202 mil sobrenomes, com dados de frequência, ranking, distribuição por sexo, idade mediana, evolução por década, variantes de grafia e distribuição geográfica até o nível de município (5.570).

Também inclui os verbetes editoriais de significado e origem disponibilizados pelo IBGE para os 90 nomes e sobrenomes mais comuns.

Os dados foram extraídos da API pública usada pelo próprio site Nomes no Brasil.

Detalhes

• —Idioma: Português (Brasil)
• —Domínio: onomástica, demografia e dados censitários
• —Formato: Parquet, com uma tabela por arquivo
• —Estrutura: modelo relacional normalizado
• —Volume: aproximadamente 6,2 milhões de linhas somando todas as tabelas de fatos
• —Cobertura temporal: nascimentos até 2022, agrupados em faixas por década, de "até 1930" a "2020–2022"
• —Granularidade geográfica: Brasil, Unidade da Federação (27) e Município (5.570)
• —Licença: CC BY 4.0

Licença e atribuição

Esta compilação está disponível sob CC BY 4.0. Você pode usar, redistribuir e adaptar os dados, inclusive comercialmente, desde que dê os devidos créditos.

• —Compilação e estruturação: Gabriel Lobo (@olob0)
• —Dados originais: IBGE - Censo Demográfico 2022

Os dados originais são de domínio público e foram produzidos e disponibilizados pelo IBGE. A atribuição CC BY se refere ao trabalho de coleta, organização, modelagem e empacotamento deste dataset. Os dados originais continuam pertencendo ao IBGE.

Casos de uso

Alguns usos possíveis para este dataset:

• —Estimativa de gênero a partir do nome, usando male_count e female_count.
• —Estimativa de idade a partir de median_age ou da distribuição por década.
• —Análise onomástica e sociolinguística, como tendências de nomes ao longo do tempo, regionalismos e variantes de grafia.
• —Geodemografia, analisando a concentração de nomes e sobrenomes por UF e município.
• —Deduplicação e normalização de cadastros, usando nomes e sobrenomes reais e suas frequências no Brasil.
• —Geração de dados sintéticos, fazendo amostragem de nomes de acordo com sua frequência real.
• —Visualizações, como rankings, mapas coropléticos e séries temporais de popularidade.

Estrutura

A estrutura é baseada em uma tabela principal (name_ranking) e várias tabelas relacionadas com informações adicionais, além das dimensões geográficas e dos dados editoriais.

A chave de negócio usada para identificar um nome é o par `(name_text, name_type)`, onde name_type pode ser given (nome próprio) ou surname (sobrenome).

Tabelas de fatos

Dimensões

Principais campos

• —`name_text` - nome ou sobrenome em minúsculas e sem diacríticos. Por exemplo, antonio e goncalves.
• —`name_type` - given para nome próprio ou surname para sobrenome.
• —`frequency` - número de pessoas.
• —`percentage` - percentual cru retornado pela fonte. Por exemplo, 0.5964 significa 0,5964% da população. Não é uma proporção entre 0 e 1.
• —`rank` - posição no ranking nacional dentro do tipo.
• —`letter_rank` - posição dentro da letra inicial.
• —`male_count` / `female_count` - quantidade de pessoas por sexo. NULL significa que o dado está ausente ou foi suprimido. Não significa zero. Nomes unissex podem ter os dois campos preenchidos.
• —`median_age` - idade mediana das pessoas com aquele nome.
• —`decade` - SMALLINT. O valor 1930 significa "até 1930", enquanto 2020 representa "2020–2022".
• —`variant_text` - variante de grafia, como gabryel para gabriel.
• —`state_code` / `municipality_code` - códigos oficiais do IBGE, com 2 e 7 dígitos.
• —`meaning` / `origin` - textos editoriais em HTML, incluindo links internos e marcação.

Relação entre as tabelas

<img src="https://huggingface.co/datasets/olob0/ibge-nomes-no-brasil-2022/resolve/main/media/schema.png" alt="schema" width="600">

Todas as tabelas de fatos name_* usam (name_text, name_type) para se relacionar com name_ranking.

As tabelas geográficas usam state_code e municipality_code, seguindo a hierarquia municipality -> state -> region.

name_ranking já contém a lista completa e ordenada. Os "vizinhos de ranking" (nomes em posições ±N) Não foram armazenados, porque eles podem ser reconstruídos facilmente usando ORDER BY rank.

Fonte, coleta e processamento

Fonte

Os dados originais são do IBGE — Instituto Brasileiro de Geografia e Estatística, com base no Censo Demográfico 2022.

A ferramenta oficial e os dados originais estão disponíveis em:

https://censo2022.ibge.gov.br/nomes/

A metodologia utilizada pelo IBGE está descrita na Nota Técnica sobre Nomes no Brasil.

Coleta

Dados extraídos da API pública que alimenta o site oficial:

https://servicodados.ibge.gov.br/api/v3/nomes/2022

Para as dimensões geográficas, foi usada também a API de localidades (/api/v1/localidades).

Os verbetes de significado e origem foram extraídos do bundle do próprio site.

Não foram adicionados dados inferidos ou enriquecidos de fontes externas. O objetivo foi manter o dataset o mais próximo possível do que o próprio IBGE disponibiliza.

Processamento

Durante a organização dos dados:

• —nome e sobrenome foram mapeados para given e surname.
• —As células suprimidas pelo sigilo estatístico foram removidas de name_by_municipality.
• —O endpoint específico de estados não foi usado, pois os dados de UF já estavam disponíveis nos detalhes de cada nome e seriam redundantes.

Observações e limitações

1. Sigilo estatístico

O IBGE suprime frequências baixas: mínimo de 20 no Brasil, 15 por UF e 10 por município, inclusive nas distribuições por década.

Por isso, os números não necessariamente fecham quando somados entre as tabelas:

• —a soma das UFs não é igual ao total nacional
• —a soma dos municípios não é igual ao total da UF
• —alguns nomes possuem poucas ou nenhuma linha em name_by_state e name_by_municipality

Muitos nomes têm pouca ou nenhuma linha geográfica: ~34% não aparecem em nenhuma UF e ~53% não têm nenhum município não-suprimido. Entre os que aparecem em ao menos uma UF, a média é ~3,8 UFs (≈2,5 se considerados todos os nomes).

Isso é esperado e vem diretamente da forma como os dados são publicados pelo IBGE.

2. O sobrenome perl está incompleto

O sobrenome perl está presente em name_ranking, com frequência e ranking corretos, mas não possui dados em name_detail, name_by_decade, name_variant, name_by_state ou name_by_municipality.

A API do IBGE bloqueia requisições para esse nome. Acredito que isso aconteça por um falso-positivo de WAF causado pela string perl na URL.

O impacto estatístico é desprezível, mas estou documentando o caso para deixar claro o motivo da ausência desses dados.

3. População municipal parcialmente ausente

O campo municipality.population foi preenchido de forma oportunística a partir dos dados expostos pela própria fonte.

A API só disponibiliza a população para os municípios que aparecem entre os de maior proporção para algum nome. Por isso, a cobertura não é completa:

• —5.564 de 5.571 municípios possuem população;
• —7 municípios ficaram com NULL.

Seis desses municípios são cidades pequenas que nunca aparecem no topo de nenhum nome. O outro caso é descrito abaixo.

4. Município "fantasma"

Boa Esperança do Norte (código 5101837, MT) aparece na dimensão municipality, obtida pela API de localidades, mas não é referenciado por nenhum fato do dataset.

Esse município foi instalado oficialmente por volta de 2025 e ainda não aparece na base de nomes do Censo 2022, que trabalha com 5.570 municípios.

Por isso, ele aparece sem população e com state_code derivado do prefixo do código (51 = MT).

5. Descrições editoriais

As tabelas name_description e name_description_source não cobrem todos os nomes.

Elas existem apenas para:

• —os 30 nomes femininos mais comuns
• —os 30 nomes masculinos mais comuns
• —os 30 sobrenomes mais comuns

Os textos são editoriais, estão armazenados em HTML e incluem as fontes utilizadas nos próprios verbetes.

6. Normalização

Os nomes seguem o padrão da fonte e são armazenados em minúsculas e sem acentos.

Variantes de grafia são tratadas como entradas diferentes. Por exemplo:

ana ≠ anna luis ≠ luiz

Citação

Se você usar este dataset, cite tanto esta compilação quanto a fonte original dos dados.

Compilação:

@misc{lobo_ibge_nomes_no_brasil_2022,
  author       = {Gabriel Lobo (@olob0)},
  title        = {IBGE Nomes no Brasil 2022},
  year         = {2026},
  publisher    = {Hugging Face},
  howpublished = {\url{https://huggingface.co/datasets/olob0/ibge-nomes-no-brasil-2022}}
}

Fonte original:

@misc{ibge_nomes_no_brasil_2022,
  author       = {{Instituto Brasileiro de Geografia e Estatística (IBGE)}},
  title        = {Nomes no Brasil --- Censo Demográfico 2022},
  year         = {2022},
  howpublished = {\url{https://censo2022.ibge.gov.br/nomes/}}
}

Dados originais de domínio público, produzidos e disponibilizados pelo IBGE (Censo Demográfico 2022). Compilação e estruturação por Gabriel Lobo (@olob0), sob CC BY 4.0.