“单身”这个词不太合适，但我明白你的意思。

arr = np.array((0.5, 1), dtype=dtype)

创建此数据类型的第0d个单元素数组。检查其dtype和形状。
arr.item()返回元组(0.5, 1)。阿索测试arr[()]和arr.tolist()。
np.float64(0.5)使用numpy Package 器创建一个float。它类似于np.array(0.5)，但不完全相同。他们的方法有些不同。
我不知道任何类似于复合dtype的东西。

In [123]: dt = np.dtype('i,f,U10')
In [124]: dt
Out[124]: dtype([('f0', '<i4'), ('f1', '<f4'), ('f2', '<U10')])
In [125]: arr = np.array((1,2,3),dtype=dt)
In [126]: arr
Out[126]: 
array((1,  2., '3'),
      dtype=[('f0', '<i4'), ('f1', '<f4'), ('f2', '<U10')])
In [127]: arr.shape
Out[127]: ()

arr是一个0d 1元素数组。可以使用以下索引：

In [128]: arr[()]
Out[128]: (1,  2., '3')
In [129]: type(_)
Out[129]: numpy.void

这个索引生成一个np.void对象。对0d浮点数组执行相同的操作将生成np.float对象。
但是不能使用np.void((1,2,3), dtype=dt)直接创建这样的对象（与np.float(12.34)相反）。
item是从数组中提取“标量”的常规方法。在这里，它返回一个元组，与我们用来创建arr的输入对象相同：

In [131]: arr.item()
Out[131]: (1, 2.0, '3')
In [132]: type(_)
Out[132]: tuple

np.asscalar(arr)返回相同的元组。
np.void对象和元组之间的一个区别是，它仍然可以用字段名arr[()]['f0']索引，而元组必须用数字arr.item()[0]索引。void仍然有dtype，而元组没有。
fromrecords生成recarray。这类似于结构化数组，但允许我们将字段作为属性访问。它实际上可能是一个较旧的类，已合并到numpy中，因此前缀为np.rec。大多数情况下，我们使用结构化数组，尽管np.rec仍然有一些方便的函数。（实际在numpy.lib.recfunctions中）：

In [133]: res = np.rec.fromrecords((1,2,3), dt)
In [134]: res
Out[134]: 
rec.array((1,  2., '3'), 
          dtype=[('f0', '<i4'), ('f1', '<f4'), ('f2', '<U10')])
In [135]: res.f0
Out[135]: array(1, dtype=int32)
In [136]: res.item()
Out[136]: (1, 2.0, '3')
In [137]: type(_)
Out[137]: tuple
In [138]: res[()]
Out[138]: (1, 2.0, '3')
In [139]: type(_)
Out[139]: numpy.record

所以这产生了np.record而不是np.void。但这只是一个子类：

In [143]: numpy.record.__mro__
Out[143]: (numpy.record, numpy.void, numpy.flexible, numpy.generic, object)

通过字段名访问结构化数组会得到一个具有相应dtype（和相同形状）的数组

In [145]: arr['f1']
Out[145]: array(2.0, dtype=float32)
In [146]: arr[()]['f1']
Out[146]: 2.0
In [147]: type(_)
Out[147]: numpy.float32

Out[146]也可以用np.float32(2.0)创建。
检查我对1d数组的ar[0]的评论：

In [158]: arr1d = np.array([(1,2,3)], dt)
In [159]: arr1d
Out[159]: 
array([(1,  2., '3')],
      dtype=[('f0', '<i4'), ('f1', '<f4'), ('f2', '<U10')])
In [160]: arr1d[0]
Out[160]: (1,  2., '3')
In [161]: type(_)
Out[161]: numpy.void

所以arr[()]和arr1d[0]对它们各自大小的数组执行相同的操作。arr2d[0,0]也可以写成arr2d[(0,0)]。

使用np.asscalar。
在这两种情况下，它都只是np.asscalar(ar['a'])。
另外，您可能会发现有用的np.item。