直接用 np.array(dict) 失败是因为嵌套字典非 NumPy 原生支持，会退化为 dtype=object 一维数组或报 ValueError；必须先扁平化为字段对齐的字典列表并显式定义结构化 dtype。
为什么直接用
会失败
嵌套字典不是 NumPy 原生支持的输入类型，
遇到嵌套结构（比如
）会退化为
的一维数组，完全丢失结构化访问能力。更糟的是，如果各子字典字段不一致（比如有的缺
），还会触发
。
必须先扁平化再定义
元组
NumPy 结构化数组要求所有记录字段名、类型、顺序严格对齐。嵌套字典得先展开成“每行一条记录”的列表，每条记录是普通字典（非嵌套），字段名作为顶层 key。
用递归或
提取路径如
→ 改写为合法字段名
统一字段类型：数值优先用
，字符串用
（避免
）
必须是元组列表，例如
，不能传字典
构造数据时用
，
是字典列表，每个字典只含 flat 后的 key
示例：
嵌套层级深时，
字段名容易冲突或过长
比如
扁平后变成
和
—— 字段名太长不仅难读，还可能超出 NumPy 对字段名长度的隐式限制（实际影响不大，但调试时看着累）。
Python 3.14.3
微软官方的 Python 扩展，是 VS Code 安装量最高的扩展（209M+）。集成 IntelliSense（通过 Pylance）、调试（通过 Python Debugger）、代码检查、格式化、重构和单元测试等功能。支持 Jupyter Notebook、虚拟环境管理和多 Python 版本切换。
下载
立即学习
“
Python免费学习笔记（深入）
”；
建议用下划线分隔 + 缩写，如
，提前约定命名规则
避免用点号（
）或空格，NumPy 字段名只支持字母、数字、下划线，且不能以数字开头
如果原始嵌套中存在动态 key（如
），必须转为固定字段（如
）或改用
列存整个子字典（牺牲结构化查询能力）
缺失值处理不当会导致
推断错误
NumPy 在构造结构化数组时，若某字段在部分记录中缺失（
或根本没出现），而你又没显式指定该字段类型，它可能把整列判为
，后续无法做数值运算。
务必在
构造阶段补全所有字段，缺失值填
（数值）、
（字符串）或
（整型）
字符串字段别用
，否则 dtype 会变成
；改用
并填空字符串
检查最终
是否全是预期类型，尤其注意有没有意外的
（object）
最易忽略的是：嵌套字典键名本身含 Unicode 或特殊字符（如中文、连字符），这些无法直接作为字段名，必须清洗 —— 不处理就报
。
np.array(dict)np.array(){"a": {"x": 1, "y": 2}, "b": {"x": 3, "y": 4}}dtype=object"y"ValueError: setting an array element with a sequencedtypejsonpath-ng"a.x""a_x"np.float64np.dtype("U32")objectdtype[("a_x", "f8"), ("a_y", "f8"), ("b_x", "f8")]np.array(data_list, dtype=dtype)data_listdata = [{"a": {"x": 1.0, "y": 2.0}, "b": {"x": 3.0}}]
flat_data = [{"a_x": 1.0, "a_y": 2.0, "b_x": 3.0, "b_y": np.nan}]
dtype = [("a_x", "f8"), ("a_y", "f8"), ("b_x", "f8"), ("b_y", "f8")]
arr = np.array(flat_data, dtype=dtype)dtype{"user": {"profile": {"name": "Alice"}, "stats": {"count": 5}}}"user_profile_name""user_stats_count""usr_prof_name".{"items": {"001": {...}, "002": {...}}}"item_001_x"objectdtypeNoneobjectflat_datanp.nan""0np.nanobjectnp.dtype("U32")arr.dtype|OValueError: illegal field name