datasketch

datasketch

Python概率数据结构库实现大规模数据高效处理

datasketch是一个用于处理和搜索大规模数据的Python库,提供多种概率数据结构如MinHash和HyperLogLog,用于估计Jaccard相似度和基数。该库包含MinHash LSH和HNSW等索引结构,实现亚线性查询时间。支持Python 3.7+版本,兼容Redis和Cassandra存储层,为大数据分析提供高效解决方案。

datasketch数据草图概率数据结构大数据处理相似度估计Github开源项目

datasketch:让大数据看起来很小

.. image:: https://static.pepy.tech/badge/datasketch/month :target: https://pepy.tech/project/datasketch

.. image:: https://zenodo.org/badge/DOI/10.5281/zenodo.598238.svg :target: https://zenodo.org/doi/10.5281/zenodo.598238

datasketch提供概率数据结构,可以快速处理和搜索大量数据,同时保持较高的准确性。

该包包含以下数据草图:

+-------------------------+-----------------------------------------------+ | 数据草图 | 用途 | +=========================+===============================================+ | MinHash_ | 估计Jaccard相似度和基数 | +-------------------------+-----------------------------------------------+ | Weighted MinHash_ | 估计加权Jaccard相似度 | +-------------------------+-----------------------------------------------+ | HyperLogLog_ | 估计基数 | +-------------------------+-----------------------------------------------+ | HyperLogLog++_ | 估计基数 | +-------------------------+-----------------------------------------------+

为支持亚线性查询时间,提供了以下数据草图索引:

+---------------------------+-----------------------------+------------------------+ | 索引 | 适用数据草图 | 支持的查询类型 | +===========================+=============================+========================+ | MinHash LSH_ | MinHash, Weighted MinHash | Jaccard阈值 | +---------------------------+-----------------------------+------------------------+ | MinHash LSH Forest_ | MinHash, Weighted MinHash | Jaccard Top-K | +---------------------------+-----------------------------+------------------------+ | MinHash LSH Ensemble_ | MinHash | 包含度阈值 | +---------------------------+-----------------------------+------------------------+ | HNSW_ | 任意 | 自定义度量Top-K | +---------------------------+-----------------------------+------------------------+

datasketch必须与Python 3.7或更高版本、NumPy 1.11或更高版本以及Scipy一起使用。

注意,MinHash LSH_和MinHash LSH Ensemble还支持Redis和Cassandra存储层(参见大规模MinHash LSH)。

安装

使用pip安装datasketch:

::

pip install datasketch

这也会安装NumPy作为依赖项。

安装带Redis依赖的版本:

::

pip install datasketch[redis]

安装带Cassandra依赖的版本:

::

pip install datasketch[cassandra]

.. _MinHash: https://ekzhu.github.io/datasketch/minhash.html .. _Weighted MinHash: https://ekzhu.github.io/datasketch/weightedminhash.html .. _HyperLogLog: https://ekzhu.github.io/datasketch/hyperloglog.html .. _HyperLogLog++: https://ekzhu.github.io/datasketch/hyperloglog.html#hyperloglog-plusplus .. _MinHash LSH: https://ekzhu.github.io/datasketch/lsh.html .. _MinHash LSH Forest: https://ekzhu.github.io/datasketch/lshforest.html .. _MinHash LSH Ensemble: https://ekzhu.github.io/datasketch/lshensemble.html .. _大规模MinHash LSH: http://ekzhu.github.io/datasketch/lsh.html#minhash-lsh-at-scale .. _HNSW: https://ekzhu.github.io/datasketch/documentation.html#hnsw

编辑推荐精选

SimilarWeb流量提升

SimilarWeb流量提升

稳定高效的流量提升解决方案,助力品牌曝光

稳定高效的流量提升解决方案,助力品牌曝光

Sora2视频免费生成

Sora2视频免费生成

最新版Sora2模型免费使用,一键生成无水印视频

最新版Sora2模型免费使用,一键生成无水印视频

Transly

Transly

实时语音翻译/同声传译工具

Transly是一个多场景的AI大语言模型驱动的同声传译、专业翻译助手,它拥有超精准的音频识别翻译能力,几乎零延迟的使用体验和支持多国语言可以让你带它走遍全球,无论你是留学生、商务人士、韩剧美剧爱好者,还是出国游玩、多国会议、跨国追星等等,都可以满足你所有需要同传的场景需求,线上线下通用,扫除语言障碍,让全世界的语言交流不再有国界。

讯飞绘文

讯飞绘文

选题、配图、成文,一站式创作,让内容运营更高效

讯飞绘文,一个AI集成平台,支持写作、选题、配图、排版和发布。高效生成适用于各类媒体的定制内容,加速品牌传播,提升内容营销效果。

热门AI辅助写作AI工具讯飞绘文内容运营AI创作个性化文章多平台分发AI助手
TRAE编程

TRAE编程

AI辅助编程,代码自动修复

Trae是一种自适应的集成开发环境(IDE),通过自动化和多元协作改变开发流程。利用Trae,团队能够更快速、精确地编写和部署代码,从而提高编程效率和项目交付速度。Trae具备上下文感知和代码自动完成功能,是提升开发效率的理想工具。

AI工具TraeAI IDE协作生产力转型热门
商汤小浣熊

商汤小浣熊

最强AI数据分析助手

小浣熊家族Raccoon,您的AI智能助手,致力于通过先进的人工智能技术,为用户提供高效、便捷的智能服务。无论是日常咨询还是专业问题解答,小浣熊都能以快速、准确的响应满足您的需求,让您的生活更加智能便捷。

imini AI

imini AI

像人一样思考的AI智能体

imini 是一款超级AI智能体,能根据人类指令,自主思考、自主完成、并且交付结果的AI智能体。

Keevx

Keevx

AI数字人视频创作平台

Keevx 一款开箱即用的AI数字人视频创作平台,广泛适用于电商广告、企业培训与社媒宣传,让全球企业与个人创作者无需拍摄剪辑,就能快速生成多语言、高质量的专业视频。

即梦AI

即梦AI

一站式AI创作平台

提供 AI 驱动的图片、视频生成及数字人等功能,助力创意创作

扣子-AI办公

扣子-AI办公

AI办公助手,复杂任务高效处理

AI办公助手,复杂任务高效处理。办公效率低?扣子空间AI助手支持播客生成、PPT制作、网页开发及报告写作,覆盖科研、商业、舆情等领域的专家Agent 7x24小时响应,生活工作无缝切换,提升50%效率!

下拉加载更多