如何仅对DataFrame行值哈希，消除列名差异的影响？

要实现仅基于行值生成哈希、完全排除列名影响的需求，你可以直接提取每行的原始值集合进行哈希，避开对列名相关属性的依赖。以下是几种可靠的实现方式：

方法1：使用apply提取行值 #

直接通过row.values获取行的原始值数组，转成元组后计算哈希：

df['hash'] = df_to_hash.apply(lambda row: hash(tuple(row.values)), axis=1)

方法2：用itertuples提升效率 #

iterrows和apply在处理大数据量时性能较差，itertuples返回命名元组，跳过索引后直接取行值计算哈希：

df['hash'] = pd.Series(hash(tuple(row[1:])) for row in df_to_hash.itertuples())

方法3：转numpy数组批量处理 #

将DataFrame转为二维numpy数组，遍历每行生成哈希，是性能最优的方式：

df['hash'] = [hash(tuple(row)) for row in df_to_hash.to_numpy()]

扩展：不考虑列顺序的情况 #

如果需要忽略列的顺序（只要行内值的集合相同就生成相同哈希），可以先对行值排序再计算：

df['hash'] = df_to_hash.apply(lambda row: hash(tuple(sorted(row.values))), axis=1)

验证效果 #

针对你给出的DF1和DF2示例，使用上述任意一种方法后，两行的哈希值都会分别一致——完全不受Name/FirstName这类列名差异的影响。

内容的提问来源于stack exchange，提问作者nimgwfc