如何在DataFrame转NumPy数组时设置数据类型？及结构化数组转DataFrame值异常问题

问题1：如何在将pandas DataFrame转换为NumPy数组时指定数据类型？ #

最直接的方式是用DataFrame的to_numpy()方法，通过dtype参数明确指定目标数据类型，这也是官方推荐的现代写法：

• 统一指定所有列的类型：比如把整个DataFrame转成float32类型数组：

import pandas as pd
import numpy as np

df = pd.DataFrame({'col1': [1, 2, 3], 'col2': [4.1, 5.2, 6.3]})
arr = df.to_numpy(dtype=np.float32)

• 为不同列指定不同类型（生成结构化数组）：如果需要生成带字段名的结构化数组，可以传入类型描述的列表或字典：

# 用列表定义每个字段的名称和类型
struct_arr = df.to_numpy(dtype=[('col1', 'int32'), ('col2', 'float64')])

# 或者用字典映射列名到类型
struct_arr = df.to_numpy(dtype={'col1': 'int32', 'col2': 'float64'})

另外提一句，旧版本里常用的df.values也能实现转换，但to_numpy()支持更多参数，功能更灵活，优先推荐使用它。

问题2：结构化数组转DataFrame后Value列数值显示异常的原因与解决 #

原因分析 #

你的NumPy数组中Value列的 dtype 是<f4，也就是单精度浮点数（float32）。单精度浮点数的有效位数只有6-7位左右，像60.87这种十进制小数，在二进制浮点数体系里是无法被精确存储的，只能用近似值表示——其实在NumPy数组里这个值本身就不是精确的60.87，只是NumPy默认的显示逻辑做了截断，让你看起来是精确值；而Pandas默认会显示更多小数位，把这个隐藏的精度误差暴露了出来。

解决办法 #

根据你的需求，可以选以下几种方案：

1. 升级数据类型，从根源减少误差
   把Value列转成双精度浮点数（float64），它的有效位数能达到15-17位，足以覆盖大部分业务场景的精度需求：

# 方法1：先转换NumPy数组的类型再转DataFrame
arr_updated = arr.astype([('Date', 'S15'), ('Value', 'float64')])
df = pd.DataFrame(arr_updated)

# 方法2：直接在DataFrame里修改列类型
df['Value'] = df['Value'].astype('float64')

2. 调整Pandas显示格式，让输出更友好
   如果不想修改数据本身，只是希望显示更整洁，可以设置Pandas的显示选项，限制小数位数：

# 设置全局显示格式，保留两位小数
pd.set_option('display.float_format', '{:.2f}'.format)
# 之后查看df，Value列就会显示为60.87、60.88这类符合预期的格式

3. 对数值做四舍五入处理
   如果业务上只需要固定位数的小数，可以直接对列执行四舍五入：

df['Value'] = df['Value'].round(2)

内容的提问来源于stack exchange，提问作者maynull