Wie Hashzeichenfolgen in einem Float in [0: 1]?

Question

Ich habe einen Datensatz mit mehreren Zeichenfolgen. Ich möchte jeden dieser Strings zu einem Float "zufällig" im Bereich [0:1] verteilt zuordnen. Beispiele:

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

random nicht mein Bedürfnis erfüllen, weil es nicht eine beliebige Zeichenfolge als Eingabe/deterministischen Parameter nimmt. Ich suche etwas mehr wie eine Hash-Funktion.

Answer 1

Man könnte so etwas wie dies versuchen:

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

Answer 2

Eine schnelle und tragbare Lösung:

from zlib import crc32 

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

Dieser wandelt ein Byte-String in einen Schwimmer zwischen 0,0 und 1,0. Wenn Sie einen Unicode-String verwenden (zB in Python 3), dann müssen Sie es kodieren:

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

Beispiel

>>> str_to_float(u"café") 
0.5963937465567142 

Dies sollte das gleiche Ergebnis auf jeder Maschine geben und jede Version von Python (getestet auf Python 2.7 und 3.5).

Hinweis: Die & 0xffffffff ist hier, um ein vorzeichenloses int-Ergebnis zu garantieren. Es wird benötigt, da abhängig von der Python-Version crc32(b) eine signed oder unsigned int zurückgeben kann.

bearbeiten

Wenn Sie etwas mehr "zufällig" als ein CRC32, können Sie stattdessen, wie SHA256 eine Hash-Funktion verwenden:

from struct import unpack 
from hashlib import sha256 

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

Leistungstest

  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  

Grundsätzlich ist die CRC32-Lösung mit Abstand die schnellste für kurze Strings (18x schneller als @ user3030010's random = RND-Lösung). Es ist ungefähr 3x schneller als SHA256, unabhängig von der Saitenlänge. SHA256 ist langsamer als MD5, was langsamer als SHA1 ist (außer für sehr kurze Strings). Wie auch immer, die RND-Option hängt nicht von der String-Länge ab. Wenn die Strings sehr lang sind, kann es die schnellste Option sein (siehe meine Kommentare zu @ user3030010): auf meinem Computer schlägt es SHA256 für Strings länger als 2500 Zeichen, und es schlägt CRC32 für Strings länger als 8000 Zeichen.

Hier ist der Code, mit 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()