如何将含等长列表的2D Numpy对象数组转换为普通3D Numpy数组？

我有一个由等尺寸数组构成的2D Numpy对象数组，希望将其转换为普通3D数组。由于数组维度规模极大，优先需要经过优化的原地实现方案。

我曾找到过针对“包含长度为1数组的1D数组”的转换方案，但我尝试过的所有相关方案都抛出同一错误：
ValueError: setting an array element with a sequence.

下方代码可生成与我实际场景结构相似的测试数组，同时给出了我尝试过的两种失败方案：

x = np.array([1,2,3,4])              # 实际场景中该数组约有5000个元素
arr = np.empty((3,3), dtype=object)  # 实际场景中这是一个400x400的数组
for i in range(3):
    for j in range(3):
        arr[i,j] = x 

# 最直接的转换方案失败：
x_new = arr.astype(int)

# 针对长度为1子数组场景的方案失败：
x_new = np.stack(arr).astype(None)

请问如何才能成功完成该转换？触发上述错误的根本原因是什么？

错误根本原因 #

触发该报错的核心逻辑非常明确：调用astype(int)时，NumPy默认会尝试将对象数组中的每个元素转换为单个int类型标量，但数组中存储的每个元素都是长度为4的一维数组，无法被写入单个标量位置，因此直接抛出“用序列给数组元素赋值”的错误。
网上流传的长度为1子数组转换方案之所以能运行，是因为长度为1的数组可以被隐式提取为单个标量值，一旦子数组长度大于1，这套逻辑就会完全失效。而直接调用np.stack(arr)的方案，在类型推断阶段同样没有正确识别对象数组内存储的是等尺寸同类型数组的结构，最终也会触发相同的赋值错误。

高效转换实现 #

针对由任意维度等尺寸子数组构成的对象数组，最高效的通用转换方式是先将对象数组转换为嵌套Python列表，再重新构造NumPy数组。该逻辑在C层完成批量操作，没有Python层逐元素循环的性能损耗，完全适配大规模数组场景：

# 通用转换方案，适配任意维度等尺寸子数组的对象数组
x_new = np.array(arr.tolist())

如果需要尽可能降低内存占用、实现接近原地操作的效果，可以先按目标3D数组的维度提前分配连续内存块，再批量写入数据，避免额外占用双倍内存：

# 低内存优化方案，适合超大规模数组场景
# 先确认所有子数组的形状、类型一致
sample_item = arr.flat[0]
target_shape = (*arr.shape, *sample_item.shape)
# 预分配目标维度的连续内存数组
x_new = np.empty(target_shape, dtype=sample_item.dtype)
# 批量写入数据，无Python层逐元素循环开销
x_new[...] = arr.tolist()

针对示例测试代码，转换完成后x_new.shape为(3, 3, 4)，完全符合预期的3D数组结构。

内容的提问来源于stack exchange，提问作者Neinstein