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

Datamaran's fork of Pybloom adapted to Python3

ویژگی	مقدار
سیستم عامل	-
نام فایل	dm-pybloom-3.0.4
نام	dm-pybloom
نسخه کتابخانه	3.0.4
نگهدارنده	[]
ایمیل نگهدارنده	[]
نویسنده	jxub
ایمیل نویسنده	jjanarek@gmail.com
آدرس صفحه اصلی	https://github.com/datamaranai/python-bloomfilter/
آدرس اینترنتی	https://pypi.org/project/dm-pybloom/
مجوز	MIT

dm_pybloom ======= .. image:: https://travis-ci.org/jaybaird/python-bloomfilter.svg?branch=master :target: https://travis-ci.org/jaybaird/python-bloomfilter ``dm_pybloom`` is a module that includes a Bloom Filter data structure along with an implmentation of Scalable Bloom Filters as discussed in: P. Almeida, C.Baquero, N. Preguiça, D. Hutchison, Scalable Bloom Filters, (GLOBECOM 2007), IEEE, 2007. Bloom filters are great if you understand what amount of bits you need to set aside early to store your entire set. Scalable Bloom Filters allow your bloom filter bits to grow as a function of false positive probability and size. A filter is "full" when at capacity: M * ((ln 2 ^ 2) / abs(ln p)), where M is the number of bits and p is the false positive probability. When capacity is reached a new filter is then created exponentially larger than the last with a tighter probability of false positives and a larger number of hash functions. .. code-block:: python >>> from dm_pybloom import BloomFilter >>> f = BloomFilter(capacity=1000, error_rate=0.001) >>> [f.add(x) for x in range(10)] [False, False, False, False, False, False, False, False, False, False] >>> all([(x in f) for x in range(10)]) True >>> 10 in f False >>> 5 in f True >>> f = BloomFilter(capacity=1000, error_rate=0.001) >>> for i in xrange(0, f.capacity): ... _ = f.add(i) >>> (1.0 - (len(f) / float(f.capacity))) <= f.error_rate + 2e-18 True >>> from dm_pybloom import ScalableBloomFilter >>> sbf = ScalableBloomFilter(mode=ScalableBloomFilter.SMALL_SET_GROWTH) >>> count = 10000 >>> for i in xrange(0, count): ... _ = sbf.add(i) ... >>> (1.0 - (len(sbf) / float(count))) <= sbf.error_rate + 2e-18 True # len(sbf) may not equal the entire input length. 0.01% error is well # below the default 0.1% error threshold. As the capacity goes up, the # error will approach 0.1%.

نیازمندی

مقدار	نام
>=0.3.4	bitarray

نحوه نصب

نصب پکیج whl dm-pybloom-3.0.4:

pip install dm-pybloom-3.0.4.whl

نصب پکیج tar.gz dm-pybloom-3.0.4:

pip install dm-pybloom-3.0.4.tar.gz