为np.array指定dtype后shape发生改变，如何在指定dtype时保留原数组形状

你之所以指定dtype后数组形状发生变化，是因为你传入的dtype是结构化数组的定义格式：当numpy检测到dtype是由(字段名, 类型)组成的列表时，会自动把输入数据里的每个子元组识别为一个独立的复合类型元素，所以原来的4个元组对应4个结构化元素，最终得到一维的(4,)数组，这是numpy的设计逻辑。

接下来分两种常见场景给出对应解决方案： #

场景1：仅需要统一数组元素类型，不需要给每列设置字段名 #

直接把dtype指定为单个类型即可，不要用结构化的列表格式：

>>> # 直接指定全局dtype为int
>>> arr_d = np.array(blender, dtype='int')
>>> arr_d.shape
(4, 3)
>>> arr_d
array([[   1,    1,    2],
       [  -1,    0, -101],
       [   1,    1,    2],
       [  -1,    0, -101]])

这个方案得到的数组形状和你原来的arr完全一致，同时所有元素都被转换为int类型。 #

场景2：确实需要给每列设置字段名，使用结构化数组的功能 #

这种场景下结构化数组本身的形状就是(4,)，因为每个元素是包含3个字段的复合类型，不需要强行改成(4,3)，它的使用逻辑和原二维数组是完全匹配的：

>>> dtype = [('sum', 'int'), ('cc', 'int'), ('xprob', 'int')]
>>> arr_d = np.array(blender, dtype=dtype)
>>> # 原写法arr[行索引, 列索引] 等价于 arr_d[字段名][行索引]
>>> # 比如取第一行第一个元素
>>> arr[0,0]
1.0
>>> arr_d['sum'][0]
1
>>> # 取第三列所有元素
>>> arr[:,2]
array([   2., -101.,    2., -101.])
>>> arr_d['xprob']
array([   2, -101,    2, -101])

如果强行对结构化数组做reshape得到(4,3)的形状，反而会增加索引复杂度，没有实际使用价值，不推荐这种操作。

内容的提问来源于stack exchange，提问作者camagu4