第二章：稀有度算法入门

好，咱们直接进入正题。稀有度算法，说白了就是给NFT排个座次。谁稀有、谁普通，不能光靠感觉，得有个数学标准。我最早做NFT项目时，团队里有人提议「我觉得这个特征好看，应该更稀有」——嗯，这种主观判断在链上可没法执行。

2.1 稀有度排名：最简单的思路

先讲最直观的方法。假设一个NFT有5个特征，每个特征有若干种属性。最简单的稀有度排名，就是看「这个属性组合出现的概率」。概率越低，排名越高。

举个例子：

• 背景：金色（1%）、银色（9%）、蓝色（90%）
• 帽子：皇冠（0.5%）、棒球帽（9.5%）、无（90%）

如果一个NFT同时拥有「金色背景+皇冠」，那它的稀有度排名就非常高。因为这两个低概率属性同时出现的概率只有 1% × 0.5% = 0.005%。

我在项目中遇到过一个问题：如果某个特征概率为0怎么办？比如某个属性从未出现过。嗯，这时候直接除零会报错。我的处理方式是加一个极小值，比如 1e-8，避免程序崩溃。

2.2 特征权重：不是所有特征都平等

你想想看，背景颜色和帽子形状，对稀有度的影响应该一样吗？我个人习惯是给不同特征分配权重。比如「背景」权重0.2，「帽子」权重0.5——因为帽子更显眼，更能决定NFT的视觉稀有度。

加权稀有度公式：

加权分数 = Σ (权重_i × 稀有度分数_i)

这里有个坑：权重怎么定？我建议用社区投票或者专家评分。曾经有个项目，团队自己拍脑袋定了权重，结果社区不买账，闹得挺不愉快。后来他们改成链上投票，权重由持有者决定，这才平息争议。

特征	权重	说明
背景	0.2	视觉影响较小
帽子	0.5	视觉焦点
眼睛	0.3	表情关键

2.3 统计学稀有度：更科学的视角

统计学稀有度，说白了就是看「这个NFT的特征组合，在整个集合中偏离平均值的程度」。用Z-score（标准分数）来衡量。

公式：

Z = (X - μ) / σ

其中X是某个特征的出现次数，μ是平均出现次数，σ是标准差。Z值越大，说明这个特征越稀有。

为什么要用统计学方法？因为单纯的概率乘积有个问题：如果某个特征有100种属性，每种概率1%，那乘积会非常小，但实际并不一定稀有。统计学方法能消除这种「维度灾难」。我记得在CryptoPunks的稀有度分析中，统计学方法就比简单概率法更准确。

2.4 特征稀有度计算：逐个击破

最后讲特征级别的稀有度。有时候我们不光要看整体排名，还要知道「这个NFT的哪个特征最稀有」。比如一个NFT，背景很普通，但帽子极其稀有——那它的价值可能主要来自帽子。

计算方法：

1. 统计每个特征属性的出现频率
2. 计算每个属性的稀有度分数（1/频率）
3. 对单个NFT，找出所有特征中分数最高的那个

代码示例（Python）：

def feature_rarity(nft, collection_stats):
    rarity_scores = {}
    for feature, value in nft.items():
        freq = collection_stats[feature][value]
        rarity_scores[feature] = 1 / freq
    return rarity_scores

我曾经帮一个项目做稀有度分析，发现有个NFT的「背景」特征稀有度分数高达500，但其他特征都很普通。结果这个NFT在市场上被低估了，因为买家只看整体排名。后来我建议他们单独标注「最稀有特征」，交易量直接翻倍。

小结

这一章我们讲了四种稀有度算法：简单排名、加权排名、统计学方法、特征级计算。没有哪种是绝对正确的，关键看你的应用场景。我个人习惯是先用统计学方法做初步筛选，再用加权法做最终排名。嗯，下一章我们会把这些算法搬到链上，用Solidity实现——那才是真正的挑战。