创建一个整数数组：

In [16]: a = np.random.randint(1, 10, (10,))   
In [17]: a
Out[17]: array([5, 5, 8, 6, 5, 6, 4, 1, 8, 3])

字符串
您不需要nditer来逐个元素显示它，甚至不需要以float形式显示：

In [18]: for i in a:
    ...:     print(i,end='\t')
    ...:     
5   5   8   6   5   6   4   1   8   3   

In [19]: for i in a.astype(float):
    ...:     print(i,end='\t')
    ...:     
5.0 5.0 8.0 6.0 5.0 6.0 4.0 1.0 8.0 3.0

型
用astype我做了一个临时的浮动拷贝。
我不知道你为什么要研究nditer。不要被它声称的“高效迭代器”所误导。我还没有看到它比简单的for更快。即使使用nditer，你仍然必须使用for。通常是你在循环中做的事情占用了时间;迭代机制并不重要。不管for Package 器如何，执行print() 10次都会占用'x'时间。

In [20]: for i in np.nditer(a):
    ...:     print(i,end='\t')
    ...:     
5   5   8   6   5   6   4   1   8   3

型
我不会尝试对这些选项进行计时，尤其是在使用io print函数时。
以下是doc链接中的示例：
https://numpy.org/doc/stable/reference/arrays.nditer.html#iterating-as-a-specific-data-type

In [23]: for i in np.nditer(a, op_flags=['readonly','copy'], op_dtypes=[float]):
    ...:     print(i, end='\t')
    ...:     
5.0 5.0 8.0 6.0 5.0 6.0 4.0 1.0 8.0 3.0

型
显然，这些标志给予nditer权限，可以使用与astype(float)等效的东西，无论是作为临时数组，还是动态缓冲。
np.nditer最好用作在编译代码中使用nditer的测试基础，例如文档页面末尾所示，它使用cython。在那里，它可以对迭代和输出缓冲区的创建等进行细粒度控制。在编写普通numpy代码时，很少需要这种控制。
你会遇到很多我们通常提倡使用预编译数组方法的numpy问题。从整个数组操作的Angular 考虑，并充分利用广播和ufuncs。尽量不要像时尚一样在列表中播放，如果你必须这样做，如果你需要速度的话，准备把它移植到cython或numba上。我还没有看到有经验的用户提出nditer的问题。
当你在for i in a:...中进行编译时，i将是一个numpy scalar，在这种情况下是np.int32。使用nditer，i将是一个0 d数组（具有相同的dtype）。区别是微妙的，但可能是重要的。在我看来，nditer通常会增加比需要更多的复杂性。