pandas.Series.to_numpy #

系列。to_numpy ( dtype = None , copy = False , na_value = _NoDefault.no_default , ** kwargs ) [来源] #

表示该系列或索引中的值的 NumPy ndarray。

参数：

dtype str 或 numpy.dtype，可选: 要传递给的 dtype numpy.asarray()。
复制bool，默认 False: 是否确保返回值不是另一个数组的视图。请注意，这copy=False并不能确保不可 to_numpy()复制。相反，copy=True即使不是绝对必要，也要确保制作副本。
na_value任意，可选: 用于缺失值的值。默认值取决于dtype和数组的类型。
**夸格: 传递到to_numpy基础数组的方法的附加关键字（对于扩展数组）。

返回：

numpy.ndarray

也可以看看

Series.array: 获取其中存储的实际数据。
Index.array: 获取其中存储的实际数据。
DataFrame.to_numpy: DataFrame 的方法类似。

笔记

返回的数组在相等之前都是相同的（self中相等的值在返回的数组中也将相等；对于不相等的值也是如此）。当self包含 ExtensionArray 时，dtype 可能不同。例如，对于类别 dtype 系列， to_numpy()将返回 NumPy 数组，并且分类 dtype 将丢失。

对于 NumPy 数据类型，这将是对此系列或索引中存储的实际数据的引用（假设copy=False）。就地修改结果将修改存储在系列或索引中的数据（我们不建议这样做）。

对于扩展类型，to_numpy() 可能需要复制数据并将结果强制为 NumPy 类型（可能是对象），这可能会很昂贵。当您需要对基础数据进行无复制引用时， Series.array应使用。

此表列出了 to_numpy()pandas 中各种数据类型的不同数据类型和默认返回类型。

数据类型	数组类型
类别[T]	ndarray[T]（与输入相同的数据类型）
时期	ndarray[对象]（句点）
间隔	ndarray[对象]（间隔）
整数NA	ndarray[对象]
日期时间64[ns]	日期时间64[ns]
datetime64[ns, tz]	ndarray[对象]（时间戳）

例子

>>> ser = pd.Series(pd.Categorical(['a', 'b', 'a']))
>>> ser.to_numpy()
array(['a', 'b', 'a'], dtype=object)

指定数据类型以控制日期时间感知数据的表示方式。用于dtype=object返回 pandas 对象的 ndarray Timestamp ，每个对象都有正确的tz.

>>> ser = pd.Series(pd.date_range('2000', periods=2, tz="CET"))
>>> ser.to_numpy(dtype=object)
array([Timestamp('2000-01-01 00:00:00+0100', tz='CET'),
       Timestamp('2000-01-02 00:00:00+0100', tz='CET')],
      dtype=object)

或者dtype='datetime64[ns]'返回本机 datetime64 值的 ndarray。这些值将转换为 UTC，并且时区信息将被删除。

>>> ser.to_numpy(dtype="datetime64[ns]")
... 
array(['1999-12-31T23:00:00.000000000', '2000-01-01T23:00:00...'],
      dtype='datetime64[ns]')