NumPy整数数组转字符串：中转object dtype为何能提升性能？

这个问题问得特别到位——我当初第一次发现这个性能差异的时候也愣了一下，咱们拆开了说清楚：

1. 直接arr.astype(str)为啥慢？ #

当你直接给NumPy数组用astype(str)时，它的处理逻辑是“一刀切”的通用型转换：

• 第一步就得把整个数组扫一遍，算出所有整数转成字符串后的最大长度（比如int64的最大值转字符串有20多位，所以会生成<U21的固定宽度字符串数组）；
• 然后再扫一遍数组，把每个整数转成字符串，还要塞进预先分配好的固定长度内存里，还要做对齐、填充这些操作。

这两步下来，额外开销就上去了：多了一次全数组遍历，而且NumPy的字符串转换逻辑要兼容所有整数场景，在你这种0-99的小整数案例里，完全是“大材小用”，反而拖慢了速度。

2. 先转object再转str的优势在哪？ #

先转成object dtype数组，相当于把NumPy原生的整数都换成了Python的int对象，这时候再转字符串：

• 不用提前算最大长度：直接挨个调用Python的str()函数转就行，生成的是Python原生字符串，每个字符串只占实际需要的内存；
• Python的int转str是被优化到骨子里的操作，尤其是小整数，比NumPy那套通用转换逻辑快得多；
• object数组存的是Python对象的指针，转换时不用管固定宽度的内存布局，逻辑简单，开销自然小。

关于两种结果的类型差异 #

你看到的<U21和<U2不是同一类东西：

• <U21是NumPy原生的固定宽度Unicode字符串数组，每个元素是numpy.str_类型，不管实际字符串多长，都占21个字符的内存；
• 而arr.astype(object).astype(str)得到的是object类型数组，每个元素都是Python原生的str对象，<U2只是NumPy根据数组里字符串的实际最大长度给的标注，本质上数组的dtype还是object。

而且这个现象确实适用于所有整数类型——不管是int8、int32还是int64，先转object再转字符串的路径，都会因为避开了NumPy固定宽度字符串的繁琐预处理，跑得更快。

内容的提问来源于stack exchange，提问作者miradulo