如何仅通过Numpy数组还原原Pandas DataFrame的列数据类型？

这个问题其实很常见——当你从混合类型的DataFrame导出numpy数组时，数组会统一变成object dtype（因为numpy默认输出的是同质数组，不支持每列不同类型的非结构化存储），所以再转回DataFrame时，Pandas没法自动推断原来的各列类型，只能全部设为object。

你的现有方法虽然能工作，但apply(..., axis=1)是逐行处理，效率极低，尤其是数据量大的时候，完全没必要这么做。下面给你几个更高效优雅的方案：

方案1：按列使用pd.to_numeric（推荐） #

直接去掉axis=1，让apply默认按列处理——Pandas的列操作是向量式的，比逐行处理快几个数量级：

import pandas as pd

test_arr = pd.DataFrame({"a": [1, 2, 3], "b": ["one", "two", "three"]}).values
test_df3 = pd.DataFrame(test_arr).apply(pd.to_numeric, errors="ignore")
print(test_df3.dtypes)
# 0    int64
# 1    object
# dtype: object

errors="ignore"会让能转成数值类型的列自动转换，不能转的保持object类型，完美匹配原DataFrame的类型。

方案2：手动逐列推断类型（更灵活） #

如果需要更精细的控制（比如优先转整数还是浮点数），可以手动遍历每一列尝试类型转换：

import pandas as pd
import numpy as np

test_arr = pd.DataFrame({"a": [1, 2, 3], "b": ["one", "two", "three"]}).values

test_df3 = pd.DataFrame()
for col_idx in range(test_arr.shape[1]):
    col_data = test_arr[:, col_idx]
    # 先尝试转整数
    try:
        col_data = col_data.astype(np.int64)
    except (ValueError, TypeError):
        # 不行再尝试转浮点数
        try:
            col_data = col_data.astype(np.float64)
        except (ValueError, TypeError):
            # 都不行就保留原object类型
            pass
    test_df3[col_idx] = col_data

print(test_df3.dtypes)
# 0    int64
# 1    object
# dtype: object

这个方法能更精准地控制类型转换逻辑，比如你可以自定义哪些情况保留原类型，哪些强制转换。

为什么你的原方法效率低？ #

apply(..., axis=1)是逐行处理每一行的元素，而Pandas的DataFrame是按列存储的，逐行操作会触发大量的Python层面循环，而非底层的向量运算，数据量越大，性能差距越明显。

需要注意的是：如果原DataFrame的object列中混合了数值和非数值字符串（比如["1", "2", "three"]），pd.to_numeric(errors="ignore")会保留整个列为object类型，这和原DataFrame的行为一致，是正确的。

内容的提问来源于stack exchange，提问作者oli5679