Python中指定dtype=object的numpy数组为何可存储不同数据类型？

numpy数组的核心优势是同质存储——默认情况下要求所有元素是同一基础类型，这样能保证内存连续、运算高效。但dtype=object是个特殊情况，原因很直接：

• 当你指定dtype=object时，numpy数组里存的根本不是具体的数值、字符串这些数据本身，而是指向Python对象的内存地址（引用）。
• 数组的每个元素都是一个指针，指向堆内存里独立的Python对象，这些对象可以是任意类型——int、str、bool、float甚至自定义类实例都行。
• 这时候数组的“单一类型”其实是object类型的引用，而非元素实际的类型，所以表面上看数组里有不同类型的元素，但底层数组存储的都是统一的指针。

拿你的代码举例：

import numpy as np
arr = np.array([2, 234, 23, 6, "Alone", True, 23.2], dtype="object")
print(arr)
# >>> array([2, 234, 23, 6, 'Alone', True, 23.2], dtype=object)

这里arr[0]是指向int对象的引用，arr[4]是指向str对象的引用，所以打印类型时会得到不同结果：

print(type(arr[0]), type(arr[4]))
# >>> <class 'int'> <class 'str'>

这种设计是为了兼容Python的动态类型特性，让numpy能存异构数据，但代价也很明显——失去了numpy原本的内存连续优势和运算效率，因为操作元素时得间接访问Python对象，没法做底层的数值运算优化。如果追求性能，还是尽量用同质类型的数组。

内容的提问来源于stack exchange，提问作者Rajendra Niroula