如何高效提取多维object类型Ndarray中每个元组的首个元素？

我有一个dtype为object的多维ndarray，每个元素是一个元组——元组第一个元素是另一个元组，第二个是字典。需要提取每个元素中第一个元组的首个数组，生成和原数组形状相同的新数组。

示例数据结构：

import numpy as np

a = np.array([[( ([1,2], [3,4]), {"a":1}), (([12,243], [30,40]), {"d":1})],
              [(([32,24], [3,4]), {"b":1}), (([13,22], [320, 30]), {"c":1})]], dtype=object)

期望输出：

b  = np.array([[[1,2], [12, 243]], 
               [[32, 24], [13, 22]]])

目前已有基于ndenumerate的循环实现，但处理大数据组时担心效率，希望找到更优方案：

b = np.empty_like(a[..., 0])

for index, i in np.ndenumerate(a[..., 0]):
    b[index] = i[0]

由于原数组是object类型，numpy原生向量化操作存在局限，但可以通过以下几种方式优化效率：

方法1：列表推导 + 数组重塑 #

Python列表推导的底层实现比显式循环更高效，先扁平化提取所有目标数组，再重塑为原数组形状：

# 扁平化遍历所有元素，提取目标数组
flat_list = [elem[0][0] for elem in a.flat]
# 重塑为原数组的形状并转为numpy数组
b = np.array(flat_list).reshape(a.shape)

方法2：使用np.vectorize（代码简洁优先场景） #

np.vectorize本质是封装循环，但代码更简洁，部分场景下效率优于手动循环：

def extract_target(elem):
    return elem[0][0]

# 指定输出类型为object，适配子数组结构
vectorized_extract = np.vectorize(extract_target, otypes=[object])
b = vectorized_extract(a)
# 若需要连续内存的数值数组，进一步转换
b = np.array(b.tolist())

方法3：np.apply_along_axis（高维数组适配） #

针对任意维度的数组，可沿最后一维批量处理元素：

def extract_along_axis(elem):
    return elem[0][0]

b = np.apply_along_axis(extract_along_axis, -1, a)
# 转换为最终数值数组
b = np.array(b.tolist())

效率说明 #

• 大型object数组场景下，列表推导+重塑是最快的方案，避免了显式循环的额外开销。
• 若最终输出需要数值类型数组（而非object类型），确保所有子数组形状一致（如示例中均为长度2的列表），转换后能得到连续内存的数组，后续操作效率更高。

内容的提问来源于stack exchange，提问作者lattitude