効率的には、パンダのデータフレームの内容を一意かつ再現可能に識別する(バージョン管理の目的で)パンダのデータフレームのダイジェストを計算します。今は、エンディアン、dtype、インデックスの種類や列については心配しないとします。また、インデックスとカラムの両方がすでにmonotonic_increasingでソートされていると仮定します。パンダのダイジェスト
これらの値は合理的にうまくいく(やはり簡略化のため、np.float64
と仮定する)。しかし、私はインデックス(と列)に問題があり、一貫したダイジェストを得られません。もちろん、インデックスをStringに変換してutf-8バイトに変換するなどの処理を行うことはできますが、それは遅いです。ここ
は、簡略化した例である。
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()
試験:値の
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
SHA-1:アウト
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
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'
これまでのところ、とても良いです。しかし、それはインデックスになると:
pd_val_sha1(df.index)
>>> inconsistent value (re-run the example from read_csv and we'll get
... a different result).
私は様々な他のものを試しました。 index.values
の代わりにまたはindex.to_native_types()
またはnp.array(index.tolist())
を使用していますが、根底にあるデータが異なる可能性があるため、結果は一貫しません。
これまでに働いているようなものはhashlib.sha1(np.array(df.index.format())).hexdigest()
です。しかし、それは遅い。 (5000000,12)データフレームの場合は2分34秒、コンテンツ自体は900msでフィンガープリントされます。
提案がありますか?