Python中的信息熵是用來衡量一個隨機變量的不確定度的一種方法。通常情況下，我們可以將信息熵定義為二進制編碼時平均編碼長度的期望。在Python中，我們可以通過以下方法計算左信息熵：

import math
def left_entropy(seq):
"""
計算給定序列seq的左信息熵
"""
freq = {}
for x in seq:
if x not in freq:
freq[x] = 0
freq[x] += 1
p = [float(f) / len(seq) for f in freq.values()]
return -sum([px * math.log(px, 2) for px in p])

在這個函數中，我們首先使用一個字典來記錄序列中每個字符出現的次數。然后，我們計算每個字符的出現頻率，并使用公式計算左信息熵。最終的結果是一個小于等于1的數值，其中1代表了序列中每個字符都是獨立且等概率出現的情況。

下面是一個使用left_entropy函數計算左信息熵的例子：

seq = 'hello, world!'
print(left_entropy(seq))

輸出結果為2.4824152232951696，說明這個序列的左信息熵比較高，表示其中存在一些不確定的情況。

總之，Python的左信息熵是一個用來衡量不確定度的強大方法，可以應用于各種領域，比如信息論、數據壓縮、機器學習等。