问题描述：

如何将具有缺失值的 pandas 数据框转换为 NumPy 数组，以便结果必须np.nan表示缺失值？

数据框：

import numpy as np
import pandas as pd

index = [1, 2, 3, 4, 5, 6, 7]
a = [np.nan, np.nan, np.nan, 0.1, 0.1, 0.1, 0.1]
b = [0.2, np.nan, 0.2, 0.2, 0.2, np.nan, np.nan]
c = [np.nan, 0.5, 0.5, np.nan, 0.5, 0.5, np.nan]
df = pd.DataFrame({'A': a, 'B': b, 'C': c}, index=index)
df = df.rename_axis('ID')

给出

      A    B    C
ID                                 
1   NaN  0.2  NaN
2   NaN  NaN  0.5
3   NaN  0.2  0.5
4   0.1  0.2  NaN
5   0.1  0.2  0.5
6   0.1  NaN  0.5
7   0.1  NaN  NaN

我想将其转换为 NumPy 数组，如下所示：

array([[ nan,  0.2,  nan],
       [ nan,  nan,  0.5],
       [ nan,  0.2,  0.5],
       [ 0.1,  0.2,  nan],
       [ 0.1,  0.2,  0.5],
       [ 0.1,  nan,  0.5],
       [ 0.1,  nan,  nan]])

另外，是否可以像这样保留 dtypes？

array([[ 1, nan,  0.2,  nan],
       [ 2, nan,  nan,  0.5],
       [ 3, nan,  0.2,  0.5],
       [ 4, 0.1,  0.2,  nan],
       [ 5, 0.1,  0.2,  0.5],
       [ 6, 0.1,  nan,  0.5],
       [ 7, 0.1,  nan,  nan]],
     dtype=[('ID', '<i4'), ('A', '<f8'), ('B', '<f8'), ('B', '<f8')])

解决方案 1：

使用df.to_numpy()

它比 更好df.values，原因如下。*

现在是时候弃用values和了as_matrix()。

pandas v0.24.0 引入了两种从 pandas 对象获取 NumPy 数组的新方法：

1. to_numpy()，它定义在Index、Series和DataFrame对象上，并且

2. arrayIndex，它仅在和对象上定义Series。

如果你访问 v0.24 文档.values，你会看到一个大红色警告，上面写着：

警告：我们建议使用DataFrame.to_numpy()。

请参阅v0.24.0 发行说明的此部分和此答案以获取更多信息。

• -to_numpy()是我推荐的任何需要在未来多个版本中可靠运行的生产代码的方法。但是，如果您只是在 jupyter 或终端中制作暂存器，则使用它.values来节省几毫秒的输入时间是允许的例外。您以后可以随时添加 fit n finish。

实现更好的一致性：to_numpy()

本着提高整个 API 的一致性的精神，to_numpy我们引入了一种新方法，从 DataFrames 中提取底层 NumPy 数组。

# Setup
df = pd.DataFrame(data={'A': [1, 2, 3], 'B': [4, 5, 6], 'C': [7, 8, 9]}, 
                  index=['a', 'b', 'c'])

# Convert the entire DataFrame
df.to_numpy()
# array([[1, 4, 7],
#        [2, 5, 8],
#        [3, 6, 9]])

# Convert specific columns
df[['A', 'C']].to_numpy()
# array([[1, 7],
#        [2, 8],
#        [3, 9]])

如上所述，此方法也在Index和Series对象上定义（参见此处）。

df.index.to_numpy()
# array(['a', 'b', 'c'], dtype=object)

df['A'].to_numpy()
#  array([1, 2, 3])

默认情况下，会返回一个视图，因此所做的任何修改都会影响原始视图。

v = df.to_numpy()
v[0, 0] = -1
 
df
   A  B  C
a -1  4  7
b  2  5  8
c  3  6  9

如果您需要副本，请使用to_numpy(copy=True)。

pandas >= 1.0 扩展类型更新

如果您使用的是 pandas 1.x，则可能会更多地处理扩展类型。您必须更加小心，确保正确转换这些扩展类型。

a = pd.array([1, 2, None], dtype="Int64")                                  
a                                                                          

<IntegerArray>
[1, 2, <NA>]
Length: 3, dtype: Int64 

# Wrong
a.to_numpy()                                                               
# array([1, 2, <NA>], dtype=object)  # yuck, objects

# Correct
a.to_numpy(dtype='float', na_value=np.nan)                                 
# array([ 1.,  2., nan])

# Also correct
a.to_numpy(dtype='int', na_value=-1)
# array([ 1,  2, -1])

文档中已经提到了这一点。

如果您需要dtypes结果...

正如另一个答案所示，DataFrame.to_records这是一个好方法。

df.to_records()
# rec.array([('a', 1, 4, 7), ('b', 2, 5, 8), ('c', 3, 6, 9)],
#           dtype=[('index', 'O'), ('A', '<i8'), ('B', '<i8'), ('C', '<i8')])

遗憾的是，这无法通过 实现to_numpy。但是，作为替代方案，您可以使用np.rec.fromrecords：

v = df.reset_index()
np.rec.fromrecords(v, names=v.columns.tolist())
# rec.array([('a', 1, 4, 7), ('b', 2, 5, 8), ('c', 3, 6, 9)],
#           dtype=[('index', '<U1'), ('A', '<i8'), ('B', '<i8'), ('C', '<i8')])

性能方面，几乎相同（实际上，使用rec.fromrecords速度更快一些）。

df2 = pd.concat([df] * 10000)

%timeit df2.to_records()
%%timeit
v = df2.reset_index()
np.rec.fromrecords(v, names=v.columns.tolist())

12.9 ms ± 511 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)
9.56 ms ± 291 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)

添加新方法的理由

to_numpy()（除了）是根据两个 GitHub 问题GH19954和GH23623array下的讨论结果添加的。

具体来说，文档提到了其理由：

[...].values不清楚返回的值是实际数组、数组的某种变换，还是 pandas 自定义数组之一（如Categorical）。例如，使用PeriodIndex，每次.values
都会生成一个新的period 对象。[...]ndarray

to_numpy旨在提高 API 的一致性，这是朝着正确方向迈出的重要一步。.values在当前版本中不会被弃用，但我预计这可能会在未来的某个时候发生，因此我敦促用户尽快迁移到更新的 API。

对其他解决方案的批评

DataFrame.values行为不一致，如前所述。

DataFrame.get_values()在 v1.0 中被悄悄移除，并在 v0.25 中被弃用。在此之前，它只是 的一个包装器DataFrame.values，因此上述所有内容均适用。

DataFrame.as_matrix()已在 v1.0 中删除，并已在 v0.23 中弃用。请勿使用！

解决方案 2：

要将 pandas 数据框 (df) 转换为 numpy ndarray，请使用以下代码：

df.values

array([[nan, 0.2, nan],
       [nan, nan, 0.5],
       [nan, 0.2, 0.5],
       [0.1, 0.2, nan],
       [0.1, 0.2, 0.5],
       [0.1, nan, 0.5],
       [0.1, nan, nan]])

如果需要特定列：

df['column'].values

解决方案 3：

注意：.as_matrix()此答案中使用的方法已被弃用。 Pandas 0.23.4 警告：

该方法.as_matrix将在未来的版本中被删除。请改用 .values。

Pandas 内置了一些功能......

numpy_matrix = df.as_matrix()

给出

array([[nan, 0.2, nan],
       [nan, nan, 0.5],
       [nan, 0.2, 0.5],
       [0.1, 0.2, nan],
       [0.1, 0.2, 0.5],
       [0.1, nan, 0.5],
       [0.1, nan, nan]])

解决方案 4：

我只需链接DataFrame.reset_index()和DataFrame.values函数即可获取数据框的 Numpy 表示形式，包括索引：

In [8]: df
Out[8]: 
          A         B         C
0 -0.982726  0.150726  0.691625
1  0.617297 -0.471879  0.505547
2  0.417123 -1.356803 -1.013499
3 -0.166363 -0.957758  1.178659
4 -0.164103  0.074516 -0.674325
5 -0.340169 -0.293698  1.231791
6 -1.062825  0.556273  1.508058
7  0.959610  0.247539  0.091333

[8 rows x 3 columns]

In [9]: df.reset_index().values
Out[9]:
array([[ 0.        , -0.98272574,  0.150726  ,  0.69162512],
       [ 1.        ,  0.61729734, -0.47187926,  0.50554728],
       [ 2.        ,  0.4171228 , -1.35680324, -1.01349922],
       [ 3.        , -0.16636303, -0.95775849,  1.17865945],
       [ 4.        , -0.16410334,  0.0745164 , -0.67432474],
       [ 5.        , -0.34016865, -0.29369841,  1.23179064],
       [ 6.        , -1.06282542,  0.55627285,  1.50805754],
       [ 7.        ,  0.95961001,  0.24753911,  0.09133339]])

为了获取数据类型，我们需要使用view将这个 ndarray 转换为结构化数组：

In [10]: df.reset_index().values.ravel().view(dtype=[('index', int), ('A', float), ('B', float), ('C', float)])
Out[10]:
array([( 0, -0.98272574,  0.150726  ,  0.69162512),
       ( 1,  0.61729734, -0.47187926,  0.50554728),
       ( 2,  0.4171228 , -1.35680324, -1.01349922),
       ( 3, -0.16636303, -0.95775849,  1.17865945),
       ( 4, -0.16410334,  0.0745164 , -0.67432474),
       ( 5, -0.34016865, -0.29369841,  1.23179064),
       ( 6, -1.06282542,  0.55627285,  1.50805754),
       ( 7,  0.95961001,  0.24753911,  0.09133339),
       dtype=[('index', '<i8'), ('A', '<f8'), ('B', '<f8'), ('C', '<f8')])

解决方案 5：

你可以使用该to_records方法，但如果一开始就不是你想要的，那么就必须对 dtypes 进行一些调整。在我的例子中，从字符串复制了 DF，索引类型是字符串（object在 pandas 中用 dtype 表示）：

In [102]: df
Out[102]: 
label    A    B    C
ID                  
1      NaN  0.2  NaN
2      NaN  NaN  0.5
3      NaN  0.2  0.5
4      0.1  0.2  NaN
5      0.1  0.2  0.5
6      0.1  NaN  0.5
7      0.1  NaN  NaN

In [103]: df.index.dtype
Out[103]: dtype('object')
In [104]: df.to_records()
Out[104]: 
rec.array([(1, nan, 0.2, nan), (2, nan, nan, 0.5), (3, nan, 0.2, 0.5),
       (4, 0.1, 0.2, nan), (5, 0.1, 0.2, 0.5), (6, 0.1, nan, 0.5),
       (7, 0.1, nan, nan)], 
      dtype=[('index', '|O8'), ('A', '<f8'), ('B', '<f8'), ('C', '<f8')])
In [106]: df.to_records().dtype
Out[106]: dtype([('index', '|O8'), ('A', '<f8'), ('B', '<f8'), ('C', '<f8')])

转换 recarray dtype 对我来说不起作用，但是人们已经可以在 Pandas 中做到这一点：

In [109]: df.index = df.index.astype('i8')
In [111]: df.to_records().view([('ID', '<i8'), ('A', '<f8'), ('B', '<f8'), ('C', '<f8')])
Out[111]:
rec.array([(1, nan, 0.2, nan), (2, nan, nan, 0.5), (3, nan, 0.2, 0.5),
       (4, 0.1, 0.2, nan), (5, 0.1, 0.2, 0.5), (6, 0.1, nan, 0.5),
       (7, 0.1, nan, nan)], 
      dtype=[('ID', '<i8'), ('A', '<f8'), ('B', '<f8'), ('C', '<f8')])

ID请注意，Pandas 没有在导出的记录数组中正确设置索引的名称（为）（一个错误？），因此我们可以利用类型转换来纠正这个问题。

目前，Pandas 只有 8 字节整数i8和浮点数f8（请参阅此问题）。

解决方案 6：

看起来它对df.to_records()你有用。你正在寻找的确切功能已被请求并被to_records指出作为替代方案。

我使用您的示例在本地尝试了此操作，并且该调用产生的输出与您正在寻找的输出非常相似：

rec.array([(1, nan, 0.2, nan), (2, nan, nan, 0.5), (3, nan, 0.2, 0.5),
       (4, 0.1, 0.2, nan), (5, 0.1, 0.2, 0.5), (6, 0.1, nan, 0.5),
       (7, 0.1, nan, nan)],
      dtype=[(u'ID', '<i8'), (u'A', '<f8'), (u'B', '<f8'), (u'C', '<f8')])

请注意，这是一个recarray而不是array。您可以通过将其构造函数调用为 将结果移动到常规 numpy 数组中np.array(df.to_records())。

解决方案 7：

尝试一下：

a = numpy.asarray(df)

解决方案 8：

以下是我从 pandas DataFrame 创建结构数组的方法。

创建数据框

import pandas as pd
import numpy as np
import six

NaN = float('nan')
ID = [1, 2, 3, 4, 5, 6, 7]
A = [NaN, NaN, NaN, 0.1, 0.1, 0.1, 0.1]
B = [0.2, NaN, 0.2, 0.2, 0.2, NaN, NaN]
C = [NaN, 0.5, 0.5, NaN, 0.5, 0.5, NaN]
columns = {'A':A, 'B':B, 'C':C}
df = pd.DataFrame(columns, index=ID)
df.index.name = 'ID'
print(df)

      A    B    C
ID               
1   NaN  0.2  NaN
2   NaN  NaN  0.5
3   NaN  0.2  0.5
4   0.1  0.2  NaN
5   0.1  0.2  0.5
6   0.1  NaN  0.5
7   0.1  NaN  NaN

定义函数从 pandas DataFrame 创建 numpy 结构数组（而不是记录数组）。

def df_to_sarray(df):
    """
    Convert a pandas DataFrame object to a numpy structured array.
    This is functionally equivalent to but more efficient than
    np.array(df.to_array())

    :param df: the data frame to convert
    :return: a numpy structured array representation of df
    """

    v = df.values
    cols = df.columns

    if six.PY2:  # python 2 needs .encode() but 3 does not
        types = [(cols[i].encode(), df[k].dtype.type) for (i, k) in enumerate(cols)]
    else:
        types = [(cols[i], df[k].dtype.type) for (i, k) in enumerate(cols)]
    dtype = np.dtype(types)
    z = np.zeros(v.shape[0], dtype)
    for (i, k) in enumerate(z.dtype.names):
        z[k] = v[:, i]
    return z

用于reset_index创建一个新的数据框，其中包含索引作为其数据的一部分。将该数据框转换为结构数组。

sa = df_to_sarray(df.reset_index())
sa

array([(1L, nan, 0.2, nan), (2L, nan, nan, 0.5), (3L, nan, 0.2, 0.5),
       (4L, 0.1, 0.2, nan), (5L, 0.1, 0.2, 0.5), (6L, 0.1, nan, 0.5),
       (7L, 0.1, nan, nan)], 
      dtype=[('ID', '<i8'), ('A', '<f8'), ('B', '<f8'), ('C', '<f8')])

编辑：更新 df_to_sarray 以避免使用 python 3 调用 .encode() 时出错。感谢Joseph Garvin和halcyon 的评论和解决方案。

解决方案 9：

示例 DataFrame 的一个更简单的方法：

df

         gbm       nnet        reg
0  12.097439  12.047437  12.100953
1  12.109811  12.070209  12.095288
2  11.720734  11.622139  11.740523
3  11.824557  11.926414  11.926527
4  11.800868  11.727730  11.729737
5  12.490984  12.502440  12.530894

使用：

np.array(df.to_records().view(type=np.matrix))

得到：

array([[(0, 12.097439  , 12.047437, 12.10095324),
        (1, 12.10981081, 12.070209, 12.09528824),
        (2, 11.72073428, 11.622139, 11.74052253),
        (3, 11.82455653, 11.926414, 11.92652727),
        (4, 11.80086775, 11.72773 , 11.72973699),
        (5, 12.49098389, 12.50244 , 12.53089367)]],
dtype=(numpy.record, [('index', '<i8'), ('gbm', '<f8'), ('nnet', '<f4'),
       ('reg', '<f8')]))

解决方案 10：

将数据框转换为其 Numpy 数组表示的两种方法。

• mah_np_array = df.as_matrix(columns=None)

• mah_np_array = df.values

文档：https：//pandas.pydata.org/pandas-docs/stable/generated/pandas.DataFrame.as_matrix.html

解决方案 11：

我仔细阅读了上面的答案。“ as_matrix() ”方法有效，但现在已经过时了。对我来说，有效的是“ .to_numpy() ”。

这将返回一个多维数组。如果您正在从 Excel 表中读取数据并且需要从任何索引访问数据，我更喜欢使用此方法。希望这能有所帮助 :)

解决方案 12：

从数据框导出到 arcgis 表时遇到了类似的问题，并偶然发现了 usgs 的解决方案（https://my.usgs.gov/confluence/display/cdi/pandas.DataFrame+to+ArcGIS+Table）。简而言之，您的问题有一个类似的解决方案：

df

      A    B    C
ID               
1   NaN  0.2  NaN
2   NaN  NaN  0.5
3   NaN  0.2  0.5
4   0.1  0.2  NaN
5   0.1  0.2  0.5
6   0.1  NaN  0.5
7   0.1  NaN  NaN

np_data = np.array(np.rec.fromrecords(df.values))
np_names = df.dtypes.index.tolist()
np_data.dtype.names = tuple([name.encode('UTF8') for name in np_names])

np_data

array([( nan,  0.2,  nan), ( nan,  nan,  0.5), ( nan,  0.2,  0.5),
       ( 0.1,  0.2,  nan), ( 0.1,  0.2,  0.5), ( 0.1,  nan,  0.5),
       ( 0.1,  nan,  nan)], 
      dtype=(numpy.record, [('A', '<f8'), ('B', '<f8'), ('C', '<f8')]))

解决方案 13：

将数据框转换为numpy数组的简单方法：

import pandas as pd
df = pd.DataFrame({"A": [1, 2], "B": [3, 4]})
df_to_array = df.to_numpy()
array([[1, 3],
   [2, 4]])

鼓励使用 to_numpy 来保持一致性。

参考：
https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.DataFrame.to_numpy.html

解决方案 14：

尝试一下：

np.array(df) 

array([['ID', nan, nan, nan],
   ['1', nan, 0.2, nan],
   ['2', nan, nan, 0.5],
   ['3', nan, 0.2, 0.5],
   ['4', 0.1, 0.2, nan],
   ['5', 0.1, 0.2, 0.5],
   ['6', 0.1, nan, 0.5],
   ['7', 0.1, nan, nan]], dtype=object)

更多信息请访问：[ https://docs.scipy.org/doc/numpy/reference/generated/numpy.array.html]
适用于 numpy 1.16.5 和 pandas 0.25.2。

解决方案 15：

继 Meteore 的回答之后，我找到了代码

df.index = df.index.astype('i8')

对我来说不起作用。所以我将代码放在这里，以方便其他遇到此问题的人。

city_cluster_df = pd.read_csv(text_filepath, encoding='utf-8')
# the field 'city_en' is a string, when converted to Numpy array, it will be an object
city_cluster_arr = city_cluster_df[['city_en','lat','lon','cluster','cluster_filtered']].to_records()
descr=city_cluster_arr.dtype.descr
# change the field 'city_en' to string type (the index for 'city_en' here is 1 because before the field is the row index of dataframe)
descr[1]=(descr[1][0], "S20")
newArr=city_cluster_arr.astype(np.dtype(descr))

解决方案 16：

正如cs95 的答案中所述，to_numpy()将始终将 pandas 数据框转换为 numpy 数组。另一方面，因为.values（如1、
2、
3、
4、
5中所建议的）返回数据框的底层数据，如果这不是 numpy 数组，它将不会返回 numpy 数组。

例如，如果列是扩展数据类型，例如可空整数数据类型（Int64），则将.values返回 pandas IntegerArray 对象，而不是 numpy ndarray，这可能不是所需的。但是，to_numpy()只能返回 numpy 数组。

df = pd.DataFrame({'A': [10, 20, 30]}, dtype='Int64')

type(df['A'].values)     # <class 'pandas.core.arrays.integer.IntegerArray'>

type(df['A'].to_numpy()) # <class 'numpy.ndarray'>

解决方案 17：

总结cs95的答案，你想要to_numpy(na_value=np.nan)：

>>> import numpy as np
>>> import pandas as pd

>>> index = [1, 2, 3, 4, 5, 6, 7]
>>> a = [np.nan, np.nan, np.nan, 0.1, 0.1, 0.1, 0.1]
>>> pd.DataFrame(a).to_numpy(na_value=np.nan)
array([[nan],
       [nan],
       [nan],
       [0.1],
       [0.1],
       [0.1],
       [0.1]])