这将使您的熵计数从0到1.0：
您可能想尝试研究Shannon熵，它是一种应用于数据和信息的熵的度量。实际上，实际上，它几乎是熵的物理公式的直接类似物，如热力学最受接受的解释所定义。
更具体地说，在您的情况下，对于二进制字符串，您可以看到 Binary Entropy
Function
，这是一种特殊情况，涉及数据二进制位中的随机性。
这是由
H(p) = -p*log(p) - (1-p)*log(1-p)
（以2
0*log(0)为底的对数；假设为0）
p您的1（或0）的百分比在哪里；图形是对称的，所以您的答案都是相同的
函数产生的结果如下：
如您所见，如果
p为0.5（1的数量与0的数量相同），则您的熵最大（1.0）。如果
p为0或1.0，则熵为0。
这似乎正是您想要的，对吗？
唯一的例外是您的 1号尺码 案件，可以将其作为例外。但是，对于我来说100％0和100％1似乎不太熵。但是，您可以根据需要实施它们。
而且，这没有考虑到位的任何“排序”。只有它们的总和。因此，重复/回文不会得到任何帮助。您可能要为此添加一个额外的启发式方法。
这是您的其他案例示例：
00：-0 * log（0）-（1-0）* log（1-0）= 0.001：-0.5 * log（0.5）-（1-0.5）* log（1-0.5）= 1.0010：-（1/3）* log（1/3）-（2/3）* log（2/3）= 0.920100：-0.25 * log（0.25）-（1-0.25）* log（1-0.25）= 0.81
