我认为，由于Numpy和python数据类型是相关的，但本质上是不同的，因此您必须显式地将其转换为python数据类型。
一种方法是：

a = a.astype(np.int64).tolist()
b = int(b)

字符串
或者可选地

a = a.astype(np.int64).astype(object)
b = b.astype(np.int64).astype(object)

型
当你将numpy数组转换为对象数据类型时，它在内部将其存储为python对象。对象数据类型是灵活的，在转换过程中可以推断。

为了处理这个无聊的“标量”，有两个可能有用的工具是item和math模块。

In [167]: import math

字符串
通过提取浮点数组的元素来生成标量（我不建议直接使用np.float64()）：

In [168]: b = np.array([1.23,3.3])[0]
In [169]: type(b)
Out[169]: numpy.float64

型
以原生python的形式提取这些价值

In [170]: c = b.item()
In [171]: c
Out[171]: 1.23
In [172]: type(c)
Out[172]: float

型
b.tolist()和float(b)也可以工作。
math有很多与numpy相同的函数，但它是为处理单个python值而设计的，而且速度更快。

In [174]: math.floor(c)
Out[174]: 1
In [175]: math.floor(b)
Out[175]: 1

型
与np.floor相反，它返回np个数字，即使给定的是python数字。Numpy函数就像谚语中的锤子，“一切都是钉子/numpy数组”。

In [176]: np.floor(b)
Out[176]: 1.0
In [177]: type(_)
Out[177]: numpy.float64
In [178]: np.floor(c)
Out[178]: 1.0
In [179]: type(_)
Out[179]: numpy.float64

型
使用此方法需要测试以区分标量，例如检查b.ndim是否为0。
我对强制转换为object dtype发表了评论。请注意，这个转型是不同的数组和数组标量：

In [191]: np.array([1.23]).astype(object)
Out[191]: array([1.23], dtype=object)
In [192]: b.astype(object)
Out[192]: 1.23

型
一个是数组（即使np.array(1.23)也是这样转换的）;另一个是Python，如item()。因此，下面的np.floor调用将必须使用非常不同的类。
numpy函数对对象dtype数组的操作有点笨拙。通常，它以列表理解的方式迭代，对每个元素应用某种方法。对于操作符，它显然使用了类似于.__add__的方法。对于np.sin（以及类似对象），错误表明它正在尝试执行[i.sin() for i in arr]。
我们只能猜测它试图用np.float做什么。也许它在做[math.floor(i) for i in arr]。

1.在NumPy中，标量和数组由于其独特的特性和使用场景而被不同地对待。表示单个值的标量在NumPy中被视为零维数组，而数组具有更高的秩或维度。这种差异会影响类型转换操作的行为。
查看文档了解更多信息：

• NumPy标量：https://numpy.org/doc/stable/reference/arrays.scalars.html
• NumPy数组：https://numpy.org/doc/stable/reference/arrays.html
• 阵法施展：https://numpy.org/doc/stable/reference/arrays.dtypes.html#array-casting

1.对于数组输入a，float_to_int(a)返回一个数组，其中元素向下舍入到最接近的整数。当您使用[0]访问第一个元素时，它返回Python int，因为您正在显式访问该元素，Python会自动将数据类型转换为int。
对于标量输入b，float_to_int(b)返回np.float64类型的标量，因为它与原始数据类型一致。