.df.values最快但有dtype和视图限制：丢弃行列标签，混合类型退化为object；推荐用df.to_numpy()替代，支持显式copy控制，注意category/Nullable int列会隐式拷贝。
直接用 .values 最快，但要注意 dtype 和视图行为
绝大多数情况下，df.values 就是你要的答案——它返回一个 ndarray，不复制数据（只要原始 dtype 是同构的），速度最快。但这里有两个关键细节：它会丢弃列名和索引信息，且当 DataFrame 含混合类型（比如一列 int、一列 str）时，会退化为 object 类型数组，失去数值计算优势。
常见错误现象：df.values 返回 array([...], dtype=object)，后续调用 .sum() 或矩阵乘法直接报错。
- 先检查
df.dtypes，确保所有列是数值型（int64,float64等） - 若含非数值列，必须先
df.select_dtypes(include='number')过滤 - 想保留原始
dtype精度？用df.to_numpy(dtype=np.float32, copy=False)（Pandas ≥ 0.24）更明确
to_numpy() 是推荐替代，copy 参数决定是否深拷贝
to_numpy() 是 .values 的正式替代，语义更清晰，且支持显式控制内存行为。默认 copy=False，意味着多数情况返回原数据的视图（view），改 ndarray 可能反向影响原始 DataFrame（反之亦然）——这点常被忽略。
使用场景：需要明确控制副本行为，或兼容未来 Pandas 版本（.values 已标记为 deprecated）。
立即学习“Python免费学习笔记（深入）”；
- 要安全修改而不影响原
df：加copy=True，如df.to_numpy(copy=True) - 做高性能计算且确定不改原数据：保持
copy=False（默认），避免额外内存分配 - 强制统一类型：传
dtype=float，自动转换并填充NaN（对 int 列含空值时尤其有用）
带索引/列名的结构化转换？别硬转，用 df.values + 手动重建
NumPy 本身不支持行列标签，所谓“无缝带标签”本质是伪需求。如果你发现代码里反复需要根据列名找列下标，说明不该转 NumPy——该继续用 Pandas 或换用 xarray。
真有特殊需求（比如传给某个只认 ndarray 但需附带列名的 C 扩展）？只能手动拆解：
cols = df.columns.tolist() data = df.values # 或 df.to_numpy() # 此时 cols 是列名列表，data 是数值矩阵，二者独立维护
注意：df.index.values 可取出行索引数组，但它和 df.values 无内存关联，拼接时务必自己对齐。
性能陷阱：df.values 在 category / nullable int 列上可能隐式拷贝
当 DataFrame 含 category、Int64（带缺失的整数）或 string dtype 列时，.values 和 to_numpy() 都会触发隐式类型转换和内存拷贝，耗时可能比预期高 10 倍以上。
验证方法：用 %timeit 对比 df.select_dtypes('number').to_numpy() 和全量 df.to_numpy()。
- 提前用
df.astype('float64')统一数值列，再转 - Category 列想保留编码？用
df['col'].cat.codes.values直接取编码数组 - Nullable int（
Int64）列必须转成float64才能进纯数值数组（因为 NaN 无法存入 int 数组）
转之前多看一眼 df.dtypes，比事后调试类型错误省半小时。混合类型和扩展 dtype 是最常踩的坑，没有之一。
