pandas.Series.to_numpy

Series.to_numpy(dtype=None, copy=False, na_value=<no_default>, **kwargs)[source]

Массив NumPy ndarray, представляющий значения в этом объекте Series или Index.

Параметры:

dtype:str or numpy.dtype, optional

Тип данных, передаваемый в numpy.asarray().

copy:bool, default False

Определяет, нужно ли гарантировать, что возвращаемое значение не является представлением другого массива. Обратите внимание, что copy=False не гарантирует, что to_numpy() не будет создана копия. Напротив, copy=True гарантирует создание копии, даже если это строго не требуется.

na_value:Any, optional

Значение для пропущенных данных. Значение по умолчанию зависит от dtype и типа массива.

**kwargs

Дополнительные именованные аргументы, передаваемые методу to_numpy базового массива (для массивов расширений).

Возвращает:

numpy.ndarray

См. также

Series.array

Получить фактически хранящиеся данные.

Index.array

Получить фактически хранящиеся данные.

DataFrame.to_numpy

Аналогичный метод для DataFrame.

Примечания

Возвращаемый массив будет эквивалентен исходному (значения, равные в self, будут равны и в возвращаемом массиве; то же относится к неравным значениям). Если self содержит ExtensionArray, тип данных может отличаться. Например, для Series с категориальным типом данных to_numpy() вернёт массив NumPy, и категориальный тип данных будет утрачен.

Для типов данных NumPy это будет ссылка на фактически хранящиеся в этом объекте Series или Index данные (при условии copy=False). Изменение результата на месте приведёт к изменению данных, хранящихся в Series или Index (хотя мы не рекомендуем этого делать).

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

В этой таблице представлены различные типы данных и типы возвращаемых по умолчанию значений to_numpy() для разных типов данных в pandas.

тип данных	тип массива
category[T]	ndarray[T] (тот же тип данных, что и у входных данных)
period	ndarray[object] (периоды)
interval	ndarray[object] (интервалы)
IntegerNA	ndarray[object]
datetime64[ns]	datetime64[ns]
datetime64[ns, tz]	ndarray[object] (временные метки)

Примеры

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

Укажите dtype, чтобы задать представление данных с часовым поясом. Используйте dtype=object, чтобы получить ndarray из объектов pandas Timestamp, каждый из которых содержит правильный 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]', чтобы получить ndarray из значений нативного типа datetime64. Значения преобразуются в UTC, а сведения о часовом поясе отбрасываются.

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