Коллега запускает ваш Python-скрипт анализа на pandas и получает другие числа, чем у вас, хотя использует тот же CSV-файл. Какие причины нужно проверить и как сделать анализ воспроизводимым?

Короткий ответ

Расхождение чаще всего вызвано разными версиями библиотек (например, pandas 1.x vs 2.x меняет поведение некоторых операций), незафиксированным random seed при сэмплировании/разбиении данных, или использованием другой версии самого файла; для воспроизводимости нужно фиксировать версии окружения, seed и источник данных.

Как это работает подробнее

• Как это работает: разные версии pandas могут по-разному обрабатывать типы данных (например, nullable integer vs float при наличии пропусков), сортировку при группировке или поведение groupby с NaN в ключах; если в коде есть df.sample(), train_test_split или любая случайность без фиксированного random_state/seed, результат будет меняться от запуска к запуску даже на одном компьютере.

Пример кода

reproducibility.shКопировать

sha256sum orders.csv
pip freeze | grep -E "pandas|numpy" > requirements_check.txt
import numpy as np
np.random.seed(42)
sample = df.sample(frac=0.1, random_state=42)

Что использовать на практике

• На практике: воспроизводимость обеспечивается связкой: файл с зафиксированными версиями пакетов (requirements.txt с точными версиями или environment.yml), явный random_state=42 везде, где есть случайность, и неизменность входных данных — лучше хранить хэш файла данных (например, через sha256sum) или версионировать сами данные, а не полагаться на то, что файл с тем же именем не менялся.
• Пример и проверка. Проверка: если хэши orders.csv у обоих аналитиков совпадают, а версии pandas/numpy и seed одинаковы, то результат sample.describe() должен быть идентичным; расхождение хотя бы в одном из этих трёх факторов — наиболее вероятная причина разных чисел.

Подводные камни

• Частые ошибки: указывать в requirements.txt зависимости без версий (pandas, numpy) вместо точных версий (pandas==2.1.4); забывать зафиксировать seed в операциях типа df.sample(frac=0.1) или np.random.choice; не проверять, что оба аналитика действительно используют один и тот же файл, а не два похожих экспорта с разных дат.