如果这段代码是十年前编写的，并且没有压力要求修改它，那么旧的原因仍然适用。大多数人使用
np.array感到满意。
np.fromiter主要是被那些试图从迭代生成值的方法中挤出一些速度的人使用。
我的印象是，主要替代方案
np.array会在决定dtype（和其他属性）之前读取/处理整个输入：
我可以通过改变一个元素来强制返回float：
In [395]: np.array([0,1,2,3,4,5])
Out[395]: array([0, 1, 2, 3, 4, 5])
In [396]: np.array([0,1,2,3,4,5,6.])
Out[396]: array([ 0., 1., 2., 3., 4., 5., 6.])
我不经常使用
fromiter，但我的感觉是通过要求指定
dtype，可以从一开始就开始将输入转换为该类型。这可能会产生更快的迭代效果，但需要进行时间测试。
我知道
np.array的泛化需要一定的时间成本。通常对于小型列表来说，使用列表推导式比将其转换为数组更快，即使数组操作很快。
以下是一些时间测试：
In [404]: timeit np.fromiter([0,1,2,3,4,5,6.],dtype=int)
100000 loops, best of 3: 3.35 µs per loop
In [405]: timeit np.fromiter([0,1,2,3,4,5,6.],dtype=float)
100000 loops, best of 3: 3.88 µs per loop
In [406]: timeit np.array([0,1,2,3,4,5,6.])
100000 loops, best of 3: 4.51 µs per loop
In [407]: timeit np.array([0,1,2,3,4,5,6])
100000 loops, best of 3: 3.93 µs per loop
差异很小，但表明我的推理是正确的。要求使用
dtype有助于保持
fromiter的速度。在这个小尺寸下，
count没有任何区别。
奇怪的是，为
np.array指定
dtype会减慢它的速度。就好像它附加了一个
astype调用：
In [416]: timeit np.array([0,1,2,3,4,5,6],dtype=float)
100000 loops, best of 3: 6.52 µs per loop
In [417]: timeit np.array([0,1,2,3,4,5,6]).astype(float)
100000 loops, best of 3: 6.21 µs per loop
< p >使用
range(1000)（Python3生成器版本）时，
np.array和
np.fromiter之间的差异更加明显。< /p >
In [430]: timeit np.array(range(1000))
1000 loops, best of 3: 704 µs per loop
实际上，将范围转换为列表更快：
In [431]: timeit np.array(list(range(1000)))
1000 loops, best of 3: 196 µs per loop
但是 fromiter 仍然更快:
In [432]: timeit np.fromiter(range(1000),dtype=int)
10000 loops, best of 3: 87.6 µs per loop
在生成/迭代过程中，将int转换为float应用于整个数组比逐个元素转换更快。
In [434]: timeit np.fromiter(range(1000),dtype=int).astype(float)
10000 loops, best of 3: 106 µs per loop
In [435]: timeit np.fromiter(range(1000),dtype=float)
1000 loops, best of 3: 189 µs per loop
请注意，
astype调整大小操作并不昂贵，仅需大约20微秒。
============================
array_fromiter(PyObject *NPY_UNUSED(ignored), PyObject *args, PyObject *keywds)的定义在：
https://github.com/numpy/numpy/blob/eeba2cbfa4c56447e36aad6d97e323ecfbdade56/numpy/core/src/multiarray/multiarraymodule.c
它处理
keywds并调用
https://github.com/numpy/numpy/blob/97c35365beda55c6dead8c50df785eb857f843f0/numpy/core/src/multiarray/ctors.c中的
PyArray_FromIter(PyObject *obj, PyArray_Descr *dtype, npy_intp count)。
这将使用定义的
dtype创建初始数组
ret：
ret = (PyArrayObject *)PyArray_NewFromDescr(&PyArray_Type, dtype, 1,
&elcount, NULL,NULL, 0, NULL);
这个数组的
data属性会进行
50%的过量分配，即
0, 4, 8, 14, 23, 36, 56, 86 ...，并在最后缩小以适应。显然，这个数组的数据类型
PyArray_DESCR(ret)有一个函数，可以获取迭代器
next提供的
value，将其转换并设置到
data中。
`(PyArray_DESCR(ret)->f->setitem(value, item, ret)`
换句话说，所有的数据类型转换都由定义的数据类型完成。如果程序在运行时决定如何转换值（以及之前分配的所有值），那么代码会变得更加复杂。这个函数中的大部分代码都处理分配数据缓冲区的问题。
我先不查阅 np.array，我相信它要复杂得多。
dtype，除了 Tim Hochberg 想要一个具有指定dtype的 1D 数组。关于添加形状参数，他们提到他们不想让代码更加复杂，而且array有很多复杂情况，但这并不能回答为什么dtype对于fromiter而言仍然是必需的，但对于 任何其他 数组创建例程则不是。此外，该帖子已经有近十年历史了，numpy 自那以后已经发生了很多变化 - 因此可能考虑为了API一致性而进行更改。 - mpacer