每次为 Pandas DataFrame 获取相同的哈希值

Question

我的目标是获取 DataFrame 的唯一哈希值。我从 .csv 文件中获取它。 重点是每次我调用 hash() 时都得到相同的哈希值。

我的想法是创建函数

def _get_array_hash(arr):
    arr_hashable = arr.values
    arr_hashable.flags.writeable = False
    hash_ = hash(arr_hashable.data)
    return hash_

调用底层 numpy 数组，将其设置为不可变状态并获取缓冲区的哈希值。

内联更新。

自 08.11.2016 起，此版本的功能不再起作用。相反，您应该使用

hash(df.values.tobytes())

Most efficient property to hash for numpy array 见 cmets。

内联 UPD 结束。

它适用于常规 pandas 数组：

In [12]: data = pd.DataFrame({'A': [0], 'B': [1]})

In [13]: _get_array_hash(data)
Out[13]: -5522125492475424165

In [14]: _get_array_hash(data)
Out[14]: -5522125492475424165 

然后我尝试将其应用于从 .csv 文件中获得的 DataFrame：

In [15]: fpath = 'foo/bar.csv'

In [16]: data_from_file = pd.read_csv(fpath)

In [17]: _get_array_hash(data_from_file)
Out[17]: 6997017925422497085

In [18]: _get_array_hash(data_from_file)
Out[18]: -7524466731745902730

谁能解释一下，这怎么可能？

我可以用它创建新的DataFrame，比如

new_data = pd.DataFrame(data=data_from_file.values, 
            columns=data_from_file.columns, 
            index=data_from_file.index)

它又可以工作了

In [25]: _get_array_hash(new_data)
Out[25]: -3546154109803008241

In [26]: _get_array_hash(new_data)
Out[26]: -3546154109803008241

但我的目标是在应用程序启动时为数据帧保留相同的哈希值，以便从缓存中检索一些值。

Answer 1

从 Pandas 0.20.1 开始，您可以使用最近在 pandas.util 中的 made public 鲜为人知（且记录不充分）的 hash_pandas_object (source code)。它为数据帧的到达行返回一个哈希值（也适用于系列等）

import pandas as pd
import numpy as np

np.random.seed(42)
arr = np.random.choice(['foo', 'bar', 42], size=(3,4))
df = pd.DataFrame(arr)

print(df)
#      0    1   2    3
# 0   42  foo  42   42
# 1  foo  foo  42  bar
# 2   42   42  42   42

from pandas.util import hash_pandas_object
h = hash_pandas_object(df)

print(h)
# 0     5559921529589760079
# 1    16825627446701693880
# 2     7171023939017372657
# dtype: uint64

如果您想要所有行的整体哈希，您可以随时使用hash_pandas_object(df).sum()。

Answer 2

我遇到了类似的问题：检查数据帧是否已更改，我通过散列 msgpack 序列化字符串来解决它。这在不同的重新加载相同数据之间似乎是稳定的。

import pandas as pd
import hashlib
DATA_FILE = 'data.json'

data1 = pd.read_json(DATA_FILE)
data2 = pd.read_json(DATA_FILE)

assert hashlib.md5(data1.to_msgpack()).hexdigest() == hashlib.md5(data2.to_msgpack()).hexdigest()
assert hashlib.md5(data1.values.tobytes()).hexdigest() != hashlib.md5(data2.values.tobytes()).hexdigest()

Answer 3

Joblib 为包含 numpy 数组的对象（例如 pandas 数据帧）提供了优化的散列函数。

import joblib
joblib.hash(df)

Answer 4

这个功能似乎工作正常：

from hashlib import sha256
def hash_df(df):
    s = str(df.columns) + str(df.index) + str(df.values)
    return sha256(s.encode()).hexdigest()