Question

我有一大堆名字（数百万）。它们中的每一个都有名字，可选的中间名和姓氏。我需要将这些名称编码为唯一代表名称的数字。编码应该是一对一，即名称应该只与一个数字相关联，而一个数字应该只与一个名称相关联。

对此进行编码的智能方法是什么？我知道根据字母集中的位置（a-> 1，b-＆gt; 2 ..等等）标记每个字母表很容易，所以像Deepa这样的名字会得到 - ＆gt; 455161，但在这里我再说不出“16”是16还是1和6的组合。

所以，我正在寻找一种对名称进行编码的智能方法。

此外，编码应使得任何名称的输出数字中的位数应具有固定的位数，即，它应该与长度无关。这可能吗？

由于 Abhishek S

Answer 1

要获得相同的宽度数字，你不能只在左边填零吗？

一些选项：

对它们进行排序。数数吧。第10个名字是10号。
将每个字符视为基数26中的数字（不区分大小写，不数字）或52（大小写，无数字）或36（不区分大小写带数字）或62（用数字区分大小写）编号。计算 int中的值。 EG，名称为“abc”，你有0 * 26 ^ 2 + 1 * 26 ^ 1 + 2 * 20 ^ 0。有时中文名称可能会使用数字来表示音调。
使用“完美哈希”方案：http://en.wikipedia.org/wiki/Perfect_hash_function
这个主要是有趣的建议：使用goedel编号:)。所以 “abc”将是2 ^ 0 * 3 ^ 1 * 5 ^ 2 - 它是素数幂的乘积。保理号码可以让你回到角色。数字虽然可能会变得很大。
如果您尚未使用它，请转换为ASCII。然后对待每一个字符的序数作为base-256编号系统中的数字。所以“abc”是0 * 256 ^ 2 + 1 * 256 ^ 1 + 2 * 256 ^ 0。

如果您需要能够不时更新您的姓名和号码列表，那么＃2，＃4和＃5应该有效。＃1和＃3会有问题。＃5可能是最具前瞻性的，但你可能会发现在某些时候你需要unicode。

我相信你可以使用unicode作为＃5的变体，使用2 ^ 32而不是2 ^ 8 == 256的幂。

Answer 2

你要做的是实际散列（至少如果你有一个固定的数字）。有一些良好的散列算法，碰撞很少。试试sha1，例如，一个经过充分测试并可用于现代语言（参见http://en.wikipedia.org/wiki/Sha1） - 它似乎对git来说已经足够了，所以它可能适合你。

对于两个不同的名称，相同的哈希值当然有一个小的可能性，但是哈希的情况总是如此，并且可以处理。使用sha1等，你不会在名称和ID之间有任何明显的联系，这可能是好事还是坏事，这取决于你的问题。

如果您确实需要独特的ID，则需要执行NealB建议的操作，自己创建ID并在数据库中连接名称和ID（您可以随机创建它们并检查冲突或增加它们，从0000000000001开始左右）。

（在给出一些思考并阅读第一条评论后改进了答案）

Answer 3

您可以使用BigInteger对任意字符串进行编码，如下所示：

BigInteger bi = new BigInteger("some string".getBytes());

然后使用字符串：

String str = new String(bi.toByteArray());

Answer 4

我一直在寻找一个与您提出的问题非常类似的问题的解决方案，这就是我提出的问题：

def hash_string(value):
    score = 0
    depth = 1
    for char in value:
        score += (ord(char)) * depth
        depth /= 256.
    return score

如果你不熟悉Python，那就是它的作用。

得分最初为0，深度设为1
为每个角色添加ord值*深度
1. ord函数返回每个字符的UTF-8值（0-255）
2. 然后它乘以'深度'。
最后深度除以256。

基本上，它的工作方式是初始角色为分数增加更多，而后来的角色贡献越来越少。如果您需要一个整数，请将最终得分乘以2 ** 64。否则，您将具有0-256之间的小数值。此编码方案适用于二进制数据，并且字节/字符中只有256个可能的值。

此方法适用于较小的字符串值，但是，对于较长的字符串，您会注意到十进制值需要比常规double（64位）所能提供的更高的精度。在Java中，您可以使用'BigDecimal'，在Python中使用'decimal'模块来增加精度。使用此方法的一个好处是返回的值按排序顺序排列，因此可以“有效”地搜索它们。

Answer 5

如果每个角色（至少空白）占据一个位置，你可以翻译它。

因此ABC，1,2,3必须翻译成

1*(2*26+1)² + 2*(53) + 3

这样，您可以编码任意字符串，但如果输入的长度不受限制（应该如何？），则不能保证长度的上限。

Answer 6

看看http://en.wikipedia.org/wiki/Huffman_coding。这是标准方法。

将名称字符串编码为唯一编号

6 个答案: