pandas.Series.to_numpy

Series.to_numpy(self, dtype=None, copy=False) [source]

Массив NumPy, представляющий значения в этом Series или Index.

Новая в версии 0.24.0.

Параметры:	dtype : str or numpy.dtype, optional Тип данных, который передать в numpy.asarray() copy : bool, default False Нужно ли гарантировать, что возвращаемое значение не является представлением другого массива. Обратите внимание, что copy=False не гарантирует, что to_numpy() не является копией. Вместо этого, copy=True гарантирует, что будет создана копия, даже если это не строго необходимо.
Возвращает:	numpy.ndarray

См. также

Series.array

Получить фактические данные, хранящиеся внутри.

Index.array

Получить фактические данные, хранящиеся внутри.

DataFrame.to_numpy

Аналогичный метод для DataFrame.

Примечания

Возвращаемый массив будет таким же, вплоть до равенства (значения, равные в self будут равны в возвращаемом массиве; аналогично для значений, которые не равны). Когда self содержит ExtensionArray, тип данных может отличаться. Например, для Series с категориальным типом to_numpy() вернёт массив NumPy, и категориальный тип будет потерян.

Для типов данных NumPy это будет ссылка на фактические данные, хранящиеся в этом Series или Index (при условии, что copy=False). Изменение результата на месте изменит данные, хранящиеся в Series или Index (мы не рекомендуем этого делать).

Для расширенных типов to_numpy() может потребоваться копирование данных и приведение результата к типу NumPy (возможно, объект), что может быть дорогостоящим. Когда вам нужна ссылка без копирования на данные, хранящиеся в основе, следует использовать Series.array.

В этой таблице показаны различные типы данных и типы возвращаемых массивов to_numpy() для различных типов данных в pandas.

Тип данных	Тип массива
category[T]	ndarray[T] (такой же тип данных, как входные данные)
period	ndarray[object] (Периоды)
interval	ndarray[object] (Интервалы)
IntegerNA	ndarray[object]
datetime64[ns]	datetime64[ns]
datetime64[ns, tz]	ndarray[object] (Марки времени)

Примеры

>>> ser = pd.Series(pd.Categorical(['a', 'b', 'a']))
>>> ser.to_numpy()
array(['a', 'b', 'a'], dtype=object)

Укажите dtype, чтобы контролировать, как представлены данные, учитывающие временную зону. Используйте dtype=object, чтобы вернуть массив ndarray из pandas Timestamp объектов, каждый с правильной tz.

>>> ser = pd.Series(pd.date_range('2000', periods=2, tz="CET"))
>>> ser.to_numpy(dtype=object)
array([Timestamp('2000-01-01 00:00:00+0100', tz='CET', freq='D'),
       Timestamp('2000-01-02 00:00:00+0100', tz='CET', freq='D')],
      dtype=object)

Или dtype='datetime64[ns]', чтобы вернуть массив ndarray из собственных значений datetime64. Значения преобразуются в UTC, и информация о часовом поясе удаляется.

>>> ser.to_numpy(dtype="datetime64[ns]")
... # doctest: +ELLIPSIS
array(['1999-12-31T23:00:00.000000000', '2000-01-01T23:00:00...'],
      dtype='datetime64[ns]')