python 中的hash
来源:互联网 发布:btfox类似软件 编辑:程序博客网 时间:2024/06/04 23:19
Hash 直观的来讲就是函数,在数学里的函数是一个空间到另外一个空间的转换,而hash也是一种函数,一种将任意的输入映射成固定长度的输出,是一种压缩映射。这样很容易想到,假如你把任意的输入映射到4位固定长度的输出上,这个函数空间只能容纳16个不同的数值,所以无论固定长度是64位还是128位亦或者更多总会出现这种所谓的“碰撞”(不同的输入导致散列成相同的输出,所以不可能从散列值来唯一的确定输入值),hash 算法很多但基本的思想都相似,然而simhash我忍为却是其中比较特殊的一类,simhash期初是用来网页去重,速度很快。我接触simhash 是在遇到短文本的时候翻看论文看到的(《基于特征迭代的短文本去重算法》),这篇文章是simhash的思想:在原始空间相近的2个点,经过了相同的变换和映射后,在变换空间里,这2个点仍然是相近的,利用这个思想,距离相近的文本可以通过变换到“指纹空间”上仍然是相近。并利用SNN聚类算法(改进)对所有的指纹进行聚类(SNN基本思想:指纹的周围指纹可以用共享近邻来量化,如果2个指纹具有大部分的相同的最近邻指纹,则两个指纹是在同一簇里。)文章中考虑到短文本相近互为近邻,摒弃了传统的SNN中需要设置K值,所以使用相近短文本数来代替最近邻K的个数,避免了设定最近邻K值(人为的设定K的最有很大的局限性和随意性,具体可参考K—means)。定义了最近邻居:设定距离阈值为min_distance ,如果两个短文的Simhash 指纹之间的海明距离小于min_distance ,则认为是相近的,并定义了指纹相似度与密度。simHash在短文处理优势在于可以结合空间向量模型和聚类算法的,每一次的处理就会提高整体方法的精度。利用TFIDF或者其他的算法,给予词向量权重,经过simHash 形成指纹,计算指纹距离,利用共享近邻算法进行聚类或者去重等等!!
simhash
import re from simhash import Simhashdef get_features(s): withd=4 s=s.lower() s=re.sub(r'[^\w]+','',s) return [s[i:i+withd] for i in range(max(len(s)-withd+1,1))]Simhash(get_features("how are you ? I am fine,Thanks")).valueSimhash("aa").distance(Simhash("bb"))
31
Simhash("aa").distance(Simhash("aa"))
0
dad=Simhash("I love you,dad")
mom=Simhash("I love you,mom")mom.value
15601311244373921150L
Simhash("12").value
12260945298305541904L
hi=Simhash("Hi mom,I love you")
hi.distance(mom)
17
python-hashes
from hashes.simhash import simhash
hash1 = simhash('This is a test string one.')print hash1
10203485745788768176630988232
hash2 = simhash('This is a test string TWO.')print hash2
10749932022170787621889701832
hash1.similarity(hash2)
0.875
布隆过滤器
from hashes.bloom import bloomfilterhash3=bloomfilter("test")
hash3.hashbits,hash3.num_hashes
(28756, 7)
hash3.add("test string")
"test string" in hash3
True
"weiyudang" in hash3
False
hash4 = simhash('this is yet another test', hashbits=8)hash5 = bloomfilter(capacity=1000000, false_positive_rate=0.0001)
hashlib
import hashlibm=hashlib.md5()m.update('Nobody insepects')
m.digest(),m.digest_size,m.block_size,m.name,m.hexdigest()
('\xf5n\x8e\xaaMc\x05m\xcf\x9b\x1bKR\x14\xf8\xf9', 16L, 64L, 'md5', 'f56e8eaa4d63056dcf9b1b4b5214f8f9')
hashlib.algorithms
('md5', 'sha1', 'sha224', 'sha256', 'sha384', 'sha512')
hashlib.algorithms_available
{'DSA', 'DSA-SHA', 'MD4', 'MD5', 'RIPEMD160', 'SHA', 'SHA1', 'SHA224', 'SHA256', 'SHA384', 'SHA512', 'dsaEncryption', 'dsaWithSHA', 'ecdsa-with-SHA1', 'md4', 'md5', 'ripemd160', 'sha', 'sha1', 'sha224', 'sha256', 'sha384', 'sha512', 'whirlpool'}
print hashlib.md5('liminghao')
<md5 HASH object @ 0000000003717B70>
import itertoolsfrom pandas import DataFramestr_list=["你是谁 ","我是谁","草拟吗","谁是谁的谁"]str_list=[line.decode('utf-8') for line in str_list]Sims=map(Simhash,str_list)A=[]for x,y in itertools.product(Sims,Sims): A.append(x.distance(y))A
[0, 35, 30, 40, 35, 0, 29, 31, 30, 29, 0, 36, 40, 31, 36, 0]
- python 中的hash
- python hash
- python string hash 函数
- Hash in Python
- hash加密 python
- python的hash模块
- python hash算法实现
- Python hash()函数
- Javascript 中的Hash表示
- DataStage 中的Hash File
- PHP中的Hash算法
- perl中的hash结构
- perl中的hash结构
- oracle中的hash join
- c++中的hash map
- redis中的hash实现
- js中的hash表
- Apriori中的hash tree
- ThinkAndroid
- 线程交替打印
- 安卓开发---->开机启动
- MySQL 性能优化的最佳 20+ 条经验
- JavaScript基础语法---流程控制语句
- python 中的hash
- 题目1013:开门人和关门人
- 网络超时检测-select()函数
- Jdbc连接、createStatement--execute操作数据库
- 核范数与规则项参数选择
- Search a 2D Matrix
- log4j:WARN No appenders could be found for logger (org.springframework.web.context
- Qt编译错误: 'UnicodeUTF8' is not a member of 'QApplication'
- CSDN你好,我是Clouder