معرفی شرکت ها

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

توضیحات

Simple Bloom Filter implmentation in Python

ویژگی	مقدار
سیستم عامل	-
نام فایل	bloomf-0.3
نام	bloomf
نسخه کتابخانه	0.3
نگهدارنده	[]
ایمیل نگهدارنده	[]
نویسنده	Sambhav Jain
ایمیل نویسنده	sambhavjain2612@gmail.com
آدرس صفحه اصلی	https://github.com/sambhav2612/karumanchi/tree/master/bloom-filter
آدرس اینترنتی	https://pypi.org/project/bloomf/
مجوز	-

# Bloom Filter Implemented in Python 3. - The price we pay for efficiency through bloom filters is that it is probabilistic in nature that means, there might be some **_False Positive_** results. False positive means, it might tell that given username is already taken but actually itâ€™s not. - Not being **_False Negative_** such that telling that username doesn't exist while it is there, i.e., if exists it reports it's existenece in terms of maybe, else if not present it is 100% confident to report the same. - Deleting elements from filter is not possible because, if we delete a single element by clearing bits at indices generated by k hash functions, it might cause deletion of few other elements. ## Installation **`pip install bloomf==0.2`** Distributed as a [PyPi](https://pypi.org/project/bloomf/) Package. ## Usage You can use this bloom filter as follows - ```python from bloomf import BloomFilter n = 10 # number of items to be added p = 0.04 # FP Probablity filter = BloomFilter(n, p) print("Size of bit array: {}" . format(filter.size)) print("False positive Probability: {}" . format(filter.fp_prob)) print("Number of hash functions: {}" . format(filter.hash_count)) word_present = ['abound', 'abounds', 'abundance', 'abundant', 'accessable', 'bloom', 'blossom', 'bolster', 'bonny', 'bonus', 'bonuses'] word_absent = ['bluff', 'cheater', 'hate', 'war', 'humanity', 'racism', 'hurt', 'facebook', 'sambhav', 'twitter'] for i in word_present: filter.add(i) test_words = word_present[:5] + word_absent for word in test_words: if filter.check(word): if word in word_absent: print("'{}' is a false positive!" . format(word)) else: print("'{}' is a probably present!" . format(word)) else: print("'{}' is 100% not present!" . format(word)) ``` ### Dependencies - bitarray - mmh3

نحوه نصب

نصب پکیج whl bloomf-0.3:

pip install bloomf-0.3.whl

نصب پکیج tar.gz bloomf-0.3:

pip install bloomf-0.3.tar.gz