如何让NumPy不将list的子类视为类数组（array-like）对象？

方案1：预先创建空对象数组再赋值 #

直接初始化指定形状、dtype=np.object_的空数组，再把子类实例逐个填入。这种方式下NumPy不会尝试解析实例内部结构，只会存储对象引用，完美保留原对象和数组形状。

import numpy as np

class A(list):
    pass

values = [A((1,2)), A((3,4))]
# 创建对应长度的空object数组
array = np.empty(len(values), dtype=np.object_)
# 批量赋值
array[:] = values

print(array.dtype)  # 输出 object
print(type(array[0]))  # 输出 <class '__main__.A'>

针对需保持特定形状的场景（比如形状(1,3,1)的Car类数组）：

class Car:
    def __init__(self):
        self.tensor = np.random.rand(5,3)

# 目标形状(1,3,1)
target_shape = (1,3,1)
car_array = np.empty(target_shape, dtype=np.object_)
# 遍历所有索引填充实例
for idx in np.ndindex(target_shape):
    car_array[idx] = Car()

print(car_array.shape)  # 输出 (1,3,1)
# 单个Car实例的张量形状不受影响
print(car_array[0,0,0].tensor.shape)  # 输出 (5,3)

方案2：修改子类，让NumPy不把它当类数组 #

NumPy判断对象是否为类数组，核心依据是是否实现__array__方法或__array_interface__属性。我们可以给子类重写__array__方法，返回NotImplemented，明确告诉NumPy：这个类不是类数组对象，别展开它。

import numpy as np

class A(list):
    def __array__(self, dtype=None):
        # 返回NotImplemented，阻止NumPy将该类识别为array-like
        return NotImplemented

values = [A((1,2)), A((3,4))]
array = np.array(values, dtype=np.object_)

print(array.dtype)  # 输出 object
print(type(array[0]))  # 输出 <class '__main__.A'>

对Car类（哪怕不是list子类，只要不想被NumPy展开）也适用：

class Car:
    def __init__(self):
        self.tensor = np.random.rand(5,3)
    
    def __array__(self, dtype=None):
        return NotImplemented

# 按目标形状构造嵌套列表
values = [[[Car() for _ in range(1)] for _ in range(3)] for _ in range(1)]
car_array = np.array(values, dtype=np.object_)

print(car_array.shape)  # 输出 (1,3,1)

原代码失效的原因 #

你写的代码里，虽然指定了dtype=np.object_，但NumPy在处理输入时会先检查元素是否为类数组对象。由于A继承自list，属于NumPy认可的类数组类型，它会自动展开每个A实例内部的元素，合并成一个int类型的数组。只有当元素无法被统一为数值型数组时，NumPy才会回退到存储对象引用的object数组——显然你的例子里两个A实例的内部元素都是int，所以直接被合并了。

内容的提问来源于stack exchange，提问作者Inyoung Kim 김인영