如何使用NumPy根据数据类型创建列子集？以<float64筛选为例

要从NumPy的结构化数组（比如df.to_records()生成的rec.array）中根据数据类型筛选列，核心思路是先识别出符合目标类型的字段名，再用这些字段名索引数组得到子集。下面针对你的示例一步步说明：

基础实现：精确匹配dtype字符串 #

首先，先还原你的示例场景：

import pandas as pd
import numpy as np

df = pd.DataFrame({'A': [1, 2], 'B': [0.5, 0.75]}, index=['a', 'b'])
arr = df.to_records()

筛选<f8>（float64）类型的列 #

我们可以遍历数组的dtype.descr属性（它返回一个列表，每个元素是(字段名, dtype字符串)的元组），筛选出符合条件的字段名，再用这些字段名索引数组：

# 提取所有dtype为'<f8'的字段名
float_field_names = [field_name for field_name, dtype_str in arr.dtype.descr if dtype_str == '<f8']
# 生成仅包含目标字段的子集数组
float_subset = arr[float_field_names]

# 输出结果
print(float_subset)
# rec.array([(0.5 ), (0.75)], dtype=[('B', '<f8')])

排除<i8>（int64）类型的列 #

如果要排除指定类型的列，只需要调整判断条件即可：

# 排除dtype为'<i8'的字段名
non_int_field_names = [field_name for field_name, dtype_str in arr.dtype.descr if dtype_str != '<i8']
non_int_subset = arr[non_int_field_names]

print(non_int_subset)
# rec.array([('a', 0.5 ), ('b', 0.75)], dtype=[('index', 'O'), ('B', '<f8')])

更通用的类型判断（兼容不同字节序） #

如果你的数组可能存在不同字节序的同类型数据（比如>f8表示大端字节序的float64），可以用np.issubdtype来判断字段类型是否属于某个大类（比如浮点型、整型），这样更鲁棒：

# 筛选所有浮点类型的字段，不管字节序
float_field_names = [
    field_name 
    for field_name, (field_dtype, _) in arr.dtype.fields.items() 
    if np.issubdtype(field_dtype, np.floating)
]
float_subset = arr[float_field_names]

同理，筛选整型字段可以用np.integer代替np.floating。

解释为什么你的初始思路行不通 #

你提到想使用np.where(my_np_array.dtype==[('int64')])，但这个方法无效的原因是：结构化数组的dtype是一个复合类型，不是单一的标量dtype，直接用等于判断无法匹配到单个字段的类型。必须遍历每个字段的dtype信息，才能完成筛选。

内容的提问来源于stack exchange，提问作者Student