numpy结构化数组不原生支持缺失值，因各字段dtype固定：浮点型可存np.nan，字符串型填none报错、填np.nan变字符串“nan”，整数型无法表示缺失；推荐改用pandas.dataframe处理混合类型与缺失值。
NumPy 的 structured array 本身不原生支持缺失值（NaN 或 None），强行填入会导致类型降级或静默截断，必须主动选择兼容方案。
为什么 np.array([...], dtype=...) 直接塞 None 或 np.nan 会出问题？
结构化数组每个字段有固定 dtype，比如 'f8'（float64）能存 np.nan，但 'U10'（Unicode 字符串）不能——填 np.nan 会变成字符串 'nan'，填 None 则触发 TypeError: expected bytes, got NoneType。整数字段更麻烦：'i4' 根本无法表示缺失，填 np.nan 会转成 0 或引发警告。
- 浮点字段：可用
np.nan，但需确保 dtype 是浮点型（如'f4'、'f8'） - 字符串字段：用空字符串
''或占位符如'MISSING'，不能用None - 整数字段：要么改用浮点 dtype（牺牲精度），要么用特殊哨兵值（如
-999），并自行记录该值含义
用 np.ma.masked_array 包裹结构化数组是否可行？
可以，但代价高且易踩坑：np.ma.masked_array 对结构化 dtype 支持有限，很多 ufunc（如 np.mean）会失效，索引行为也不直观。更关键的是，mask 本身是布尔数组，需与结构化数组 shape 对齐，字段多时极易错位。
- 创建时必须显式传入
mask参数，不能靠np.ma.masked_invalid自动识别（它只对数值型字段有效） -
arr['col'][mask] = np.ma.masked这类操作可能不生效，推荐用np.ma.array(data, mask=...)一次性构造 - 导出为 pandas 时，
np.ma会转成 object 类型，丢失向量化优势
实际项目中更推荐的替代方案
直接放弃纯 NumPy 结构化数组，转向 pandas.DataFrame——它专为混合类型 + 缺失值设计，底层仍用 NumPy，但隐藏了 dtype 适配细节。
- 读取时用
pd.read_csv(..., na_values=['', 'NULL', 'N/A'])自动识别缺失 - 整数列含缺失时，pandas 会自动升为
Int64（nullable integer dtype），而非退化为float64 - 需要 NumPy 操作？用
df.to_numpy()或按列取df['col'].to_numpy()，缺失值保留为np.nan（浮点列）或pd.NA（字符串/整数列） - 真要回结构化数组？先用
df.astype({col: dtype}).to_records(index=False)，但务必检查每列 dtype 是否接受缺失标识
真正卡住的地方不是“怎么填缺失值”，而是字段类型和缺失表示法的绑定关系——字符串字段没法用 np.nan，整数字段没法用 np.nan，而 None 在 C-level dtype 中根本不存在。选方案前，先确认下游是否必须用纯 NumPy 结构化数组，还是只是习惯性沿用旧代码。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
