python - Pandas 索引摘要

Question

我想高效计算 Pandas DataFrame 的摘要，该摘要可以唯一且可重复地标识其内容(用于版本控制目的)。现在假设我不担心字节顺序、数据类型、索引类型或列。还假设索引和列都已经排序为 monotonic_increasing。

事情与值相当顺利(同样，为了简化，假设 np.float64)。但是我在索引(和列)方面遇到了麻烦，并且没有得到一致的摘要。当然我可以做一些事情，比如将索引转换成字符串，然后是 utf-8 字节，但那很慢。

这是一个简化的例子:

import hashlib
def pd_val_sha1(df):
    x = df.values
    if not x.flags.c_contiguous:
        x = x.copy(order='C')
    return hashlib.sha1(x).hexdigest()

测试:

import pandas as pd
import io

str = """s,e,id,x,y,z
2012-01-01,2013-01-01,b,NaN,2,3
2015-10-27,2015-11-03,a,0.04,12.7,NaN
2015-11-15,2016-01-01,a,7.3,-1.2,8
"""
df = pd.read_csv(io.StringIO(str), parse_dates=[0,1], index_col=[0,1,2]).sort_index()
df

输出:

                            x     y    z
s          e          id                 
2012-01-01 2013-01-01 b    NaN   2.0  3.0
2015-10-27 2015-11-03 a   0.04  12.7  NaN
2015-11-15 2016-01-01 a   7.30  -1.2  8.0

值的 SHA-1:

pd_val_sha1(df)
>>> 'a7f0335988a967606bd030864e0e30ce03f32ec9'

pd_val_sha1(df.head())
>>> 'a7f0335988a967606bd030864e0e30ce03f32ec9'

pd_val_sha1(pd.concat([df.ix[0:2], df.ix[2:3]]))
>>> 'a7f0335988a967606bd030864e0e30ce03f32ec9'

到目前为止，还不错。但是当谈到索引时:

pd_val_sha1(df.index)
>>> inconsistent value (re-run the example from read_csv and we'll get
... a different result).

我尝试了其他各种方法，例如使用 index.data 或 index.to_native_types() 或 np.array(index.tolist()) 而不是 index.values ，但我仍然得到不一致的结果，因为我认为基础数据可能会有所不同。

到目前为止似乎有效的一件事是 hashlib.sha1(np.array(df.index.format())).hexdigest()。但它很慢，例如(5000000,12) 数据帧 2 分钟 34 秒，而内容本身在 900 毫秒内完成指纹识别。

有什么建议吗？

Answer 1

有时解决方案就在我们眼皮底下...

from sklearn.externals import joblib

%%time
joblib.hash(df, hash_name='sha1')
>>> consistent value that depends on values and axes
Wall time: 1.66 s  (for the (5000000,12) DataFrame mentioned above)