如何在[0:1]中将字符串哈希到浮点数？

Question

我有一个包含多个字符串的数据集.我想将这些字符串中的每一个与一个浮点数相关联,"随机"分布在该[0:1]范围内.例子:

>>> myfunction(string_1)
0.26756754
>>> myfunction(string_2)
0.86764534

random不满足我的需要,因为它不接受任何字符串作为输入/确定性参数.我正在寻找更像哈希函数的东西.

Answer 1

快速便携的解决方案:

from zlib import crc32

def bytes_to_float(b):
    return float(crc32(b) & 0xffffffff) / 2**32

这会将字节字符串转换为介于0.0和1.0之间的浮点数.如果您使用的是unicode字符串(例如,在python 3中),那么您需要对其进行编码:

def str_to_float(s, encoding="utf-8"):
    return bytes_to_float(s.encode(encoding))

例

>>> str_to_float(u"café")
0.5963937465567142

这应该在任何机器和任何版本的python上给出相同的结果(在python 2.7和3.5上测试).

注意:这& 0xffffffff是为了保证unsigned int结果.这是必需的,因为根据python版本crc32(b)可能会返回有符号或无符号的int.

编辑

如果你想要比CRC32更"随机"的东西,你可以使用哈希函数,例如SHA256:

from struct import unpack
from hashlib import sha256

def bytes_to_float(b):
    return float(unpack('L', sha256(b).digest()[:8])[0]) / 2**64

性能测试

            String length
Function    7       70      700     7000
b2f_crc32   0.34    0.38    0.87    5.59    
b2f_md5     0.96    1.08    2.11    11.13   
b2f_sha1    0.99    1.07    1.76    8.37    
b2f_sha256  1.11    1.20    2.60    16.44   
b2f_rnd     6.59    6.55    6.59    6.60    

基本上,CRC32解决方案是短串的最快速度(比@ user3030010的随机= RND解决方案快18倍).它大约比SHA256快3倍,无论字符串长度如何.SHA256比MD5慢,慢于SHA1(非常短的字符串除外).但是,RND选项不依赖于字符串长度,因此当字符串很长时,它可能是最快的选项(但请参阅我对@ user3030010的答案的评论):在我的计算机上,对于长度超过2500的字符串,它胜过SHA256字符,对于长度超过8000个字符的字符串,它胜过CRC32.

这是代码,使用timeit.timeit():

from __future__ import print_function
[...] # define b2f_crc32, b2f_md5 and so on.
for func in ("b2f_crc32", "b2f_md5", "b2f_sha1", "b2f_sha256", "b2f_rnd"):
  for length in (7, 70, 700, 7000):
    t = timeit('b2f(b"%s")'%(b"x"*length),
               'from __main__ import %s as b2f' % func)
    print("%.2f"%t, end="\t")
  print()

Answer 2

你可以尝试这样的事情：

import random
random.seed(hash(your_string))
random.random()