如何基于已有数组创建含float32与uint32混合类型的NumPy数组？

需求：创建包含float32与uint32混合数据类型的NumPy数组，要求axis 2的最后一个元素必须为uint32（满足硬件API要求）。

当前实现代码：

import numpy as np

a   = np.full((1, 10), 1).astype(np.float32)
b   = np.full((1, 10), 2).astype(np.float32)
c   = np.full((1, 10), 3).astype(np.float32)
d   = np.full((1, 10), 4).astype(np.uint32)
arr = np.dstack([a, b, c, d]) # arr.shape = (1, 10, 4)

遇到的问题：用以下两种astype方法转换时，axis 2的元素都会出现重复：

1. 直接指定复合类型字符串：

arr.astype("float32, float32, float32, uint1")

2. 定义结构化数据类型后转换：

dt = np.dtype([('floats', np.float32, (3, )), ('ints', np.uint32, (1, ))])
arr = np.dstack((a, b, c, d)).astype(dt)

已知手动构造元组的方式可行，但实际数组长度达850k，不确定这种方案是否最优，求正确的实现方法。

为啥之前的方法会出问题 #

• 第一种方法里的uint1是无效类型（NumPy根本没有这个类型，应该写uint32），而且直接用逗号分隔的类型字符串转换时，NumPy会错误地把每个元素按对应类型重复匹配，导致轴元素重复。
• 第二种方法的结构化类型定义是把数组的每个元素映射成(3个float32, 1个uint32)的结构，但原数组是(1,10,4)的三维数组，维度不匹配，转换时会错误填充重复数据。

最优实现方案 #

别先合并成float32数组再转换，直接用结构化数组构造，既能避免不必要的类型转换，还能节省内存，特别适合大数组场景：

import numpy as np

# 构造基础数组，直接指定dtype，省去astype转换步骤
a = np.full((1, 10), 1, dtype=np.float32)
b = np.full((1, 10), 2, dtype=np.float32)
c = np.full((1, 10), 3, dtype=np.float32)
d = np.full((1, 10), 4, dtype=np.uint32)

# 定义结构化数据类型：每个位置对应3个float32和1个uint32
dt = np.dtype([
    ('f1', np.float32),
    ('f2', np.float32),
    ('f3', np.float32),
    ('u1', np.uint32)
])

# 直接创建空的结构化数组，再填充各字段数据
result = np.empty(a.shape, dtype=dt)
result['f1'] = a
result['f2'] = b
result['f3'] = c
result['u1'] = d

# 如果需要保持(1,10,4)的三维形状，用view做零拷贝转换（内存布局匹配时可用）
result_3d = result.view(np.dtype([('f', np.float32, 3), ('u', np.uint32)])).reshape(result.shape + (4,))

大数组场景的优势 #

• 直接构造结构化数组不需要中间的float32数组（比如dstack生成的那个），内存占用更高效，850k长度的数组能省不少内存转换的开销。
• view转换是零拷贝操作，不会复制数据，性能比astype高得多。

内容的提问来源于stack exchange，提问作者Yousef Alnaser