多亏了John蒙哥马利，我想我找到了一个解决方案，而且我认为它比将可能 * 巨大 * 的数组中的每个数字转换为字符串的开销要小：
我可以创建一个数组的字节视图，然后用它来更新哈希值，不知怎么的，这看起来和直接用数组更新一样：

>>> import hashlib
>>> import numpy
>>> a = numpy.random.rand(10, 100)
>>> b = a.view(numpy.uint8)
>>> print a.dtype, b.dtype # a and b have a different data type
float64 uint8
>>> hashlib.sha1(a).hexdigest() # byte view sha1
'794de7b1316b38d989a9040e6e26b9256ca3b5eb'
>>> hashlib.sha1(b).hexdigest() # array sha1
'794de7b1316b38d989a9040e6e26b9256ca3b5eb'

数组中数据的格式是什么？你不能只是遍历数组，把它们转换成一个字符串（通过一些可复制的方法），然后通过更新把它馈送到你的散列中吗？
例如：

import hashlib
m = hashlib.md5() # or sha1 etc
for value in array: # array contains the data
    m.update(str(value))

但是不要忘记numpy数组不会提供__hash__()，因为它们是可变的，所以在计算哈希值后不要修改数组（因为它将不再相同）。

有一个记忆函数的包，使用numpy数组作为输入joblib。从this问题中找到。

使用Numpy 1.10.1和python 2.7.6，如果numpy数组是C连续的（如果不是，使用numpy.ascontiguousarray()），现在可以使用hashlib简单地散列numpy数组，例如：

>>> h = hashlib.md5()
>>> arr = numpy.arange(101)
>>> h.update(arr)
>>> print(h.hexdigest())
e62b430ff0f714181a18ea1a821b0918

下面是我在jug中的实现方法（在回答这个问题的时候是git HEAD）：

e = some_array_object
M = hashlib.md5()
M.update('np.ndarray')
M.update(pickle.dumps(e.dtype))
M.update(pickle.dumps(e.shape))
try:
    buffer = e.data
    M.update(buffer)
except:
    M.update(e.copy().data)

原因是e.data只适用于某些数组（连续数组），a.view(np.uint8)也是如此（如果数组不连续，则会出现非描述性类型错误）。

最快的似乎是：

>>> hash(iter(a))

a是一个numpy数组。
显然不是安全的散列，但它应该是好的缓存等。

array.data 总是可散列的，因为它是一个缓冲区对象。easy：）（除非你关心具有完全相同数据的不同形状的数组之间的差异，等等。（即这是合适的，除非shape，byteorder，和其他数组'参数'也必须计算到散列中）