pandas.Index.to_numpy

Index.to_numpy(dtype=None, copy=False, na_value=_NoDefault.no_default, **kwargs)[source]

Массив NumPy, представляющий значения в этом Series или Index.

Параметры

dtype:str или numpy.dtype, необязательно

Тип данных, передаваемый numpy.asarray().

copy:bool, по умолчанию False

Необходимо ли гарантировать, что возвращаемое значение не является представлением другого массива. Обратите внимание, что copy=False не *гарантирует*, что to_numpy() не копируется. Вместо этого copy=True гарантирует, что копия будет создана, даже если это строго не обязательно.

na_value:Любое значение, необязательно

Значение, используемое для пропущенных значений. Значение по умолчанию зависит от dtype и типа массива.

В версии 1.0.0.

**kwargs

Дополнительные ключевые параметры, передаваемые методу to_numpy базового массива (для расширенных массивов).

В версии 1.0.0.

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, 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 типом данных category to_numpy() вернёт массив NumPy, и тип данных категорий будет утерян.

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

Для расширенных типов to_numpy() может потребоваться копирование данных и приведение результата к типу NumPy (возможно, object), что может быть дорогостоящим. Если вам нужна ссылка без копирования на базовые данные, следует использовать Series.array вместо этого.

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

dtype	тип массива
category[T]	ndarray[T] (тот же тип данных, что и вход)
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 представляются данные с часовыми поясами. Используйте dtype=object для возврата ndarray из pandas Timestamp объектов, каждый с правильным 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'),
       Timestamp('2000-01-02 00:00:00+0100', tz='CET')],
      dtype=object)

Или dtype='datetime64[ns]' для возврата ndarray с исходными значениями datetime64. Значения преобразуются в UTC, и информация о часовом поясе теряется.

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