在信息论中，香农熵是一个衡量信息不确定性的指标，常用于评估数据的随机性或复杂度。简单来说，它可以帮助我们理解一个系统的混乱程度。今天，让我们用Python代码来轻松计算香农熵吧！📚💻

首先，我们需要了解公式：

`H(X) = -Σ(p(x) log₂p(x))`

其中，`p(x)` 是事件发生的概率。通过这个公式，我们可以量化数据的不确定性。

接下来，直接看代码：👇

```python

import math

def shannon_entropy(data):

total = len(data)

counts = {}

for char in data:

counts[char] = counts.get(char, 0) + 1

entropy = 0.0

for count in counts.values():

prob = count / total

entropy -= prob math.log2(prob)

return entropy

示例输入

text = "hello world"

print(f"文本 '{text}' 的香农熵为: {shannon_entropy(text)}")

```

运行后，你会看到结果！💡

例如，对于“hello world”，输出可能是 `3.1807`，表示其信息的不确定性。

香农熵不仅适用于文本分析，还能扩展到图像处理、密码学等领域。快来试试吧，探索更多可能性吧！🔍🌟