使用numpy.reshape时如何保留数组不同行列的原有dtype？

NumPy 标准ndarray是同构数据结构，要求数组内所有元素必须使用统一的数据类型。当数组中同时存在整数和复数时，NumPy会遵循类型提升规则：复数类型无法被安全降级转换为整数，因此所有整数会被强制转换为复数，最终整个数组的dtype变为complex，这是ndarray的固有设计，和reshape操作本身无关——reshape仅修改数组的形状，不会改变元素的数据类型，类型转换在你把混合类型的列表传入NumPy构造数组的阶段就已经完成了。
你当前的实现先把整数列表和复数列表拼接为长度2020的大列表，再reshape为(2,1010)，本质是要求一个二维ndarray的两行使用不同dtype，这在标准同构ndarray里是不可能实现的。

根据你的实际使用场景，可以选以下三种实现方式：

• 方案1：拆分为两个独立同构数组（性能最优，最推荐）
  完全不需要拼接两个列表再reshape，直接把频率和复数值分别转为对应类型的一维数组即可，后续做数值计算时不会损失性能：

  import numpy as np
  
  freqs = []
  cplxs = []
  for i, line in enumerate(lines):
      freq = int(line[0])
      complexElement = float(line[1]) + 1j * float(line[2])
      freqs.append(freq)
      cplxs.append(complexElement)
  
  # 分别生成对应dtype的数组，形状均为(1010,)
  freq_arr = np.array(freqs, dtype=int)
  cplx_arr = np.array(cplxs, dtype=complex)
  

  如果需要模拟二维数组的索引习惯，直接用[freq_arr, cplx_arr]按行取数即可，性能远高于异构数组。

• 方案2：构造object类型的二维数组（兼容二维索引写法）
  如果你必须要一个形状严格为(2,1010)、可以用arr[行,列]方式索引的数组，可以指定数组dtype为object，这种数组可以存储任意Python对象，不会触发自动类型提升，但会完全损失NumPy的数值计算加速能力，仅适合对计算性能没有要求的场景：

  # 直接按行传入两个列表，指定dtype=object，不需要提前拼接
  test = np.array([freqs, cplxs], dtype=object)
  
  # 验证类型
  print(type(test[0, 0]))  # <class 'int'>
  print(type(test[1, 0]))  # <class 'complex'>
  print(test.shape)        # (2, 1010)
  

  注意：这种数组无法直接参与FFT、矩阵乘法、向量化运算等NumPy数值操作，做计算时需要先取出对应行转为对应dtype的同构数组。

• 方案3：使用结构化数组（适合频率与复数值一一配对的场景）
  如果你的数据逻辑是「每一个频率对应一个复数值」的键值对结构，结构化数组比强行构造二维异构数组更合理，每个字段可以独立指定dtype：

  # 定义结构化数据类型：freq字段存整数，cplx字段存复数
  dt = np.dtype([('freq', int), ('cplx', complex)])
  # 配对后构造数组
  test = np.array(list(zip(freqs, cplxs)), dtype=dt)
  
  # 取所有频率：test['freq']
  # 取所有复数值：test['cplx']
  

内容的提问来源于stack exchange，提问作者Radiofreak1041