我有一个数组：
x = np.array([[1, 2, 3], [4, 5, 6]])
我想创建另一个shape=(1, 1)和dtype=np.object数组，其中唯一的元素是x。
我试过这段代码：
a = np.array([[x]], dtype=np.object)
但它产生一个形状(1, 1, 2, 3)阵列。
我当然可以这样做：
a = np.zeros(shape=(1, 1), dtype=np.object)
a[0, 0] = x
但我希望解决方案能够轻松扩展到更大的a形状，例如：
[[x, x], [x, x]]
无需在所有索引上运行for循环。
有任何建议如何实现这一目标？
UPD1
阵列可能不同，如：
x = np.array([[1, 2, 3], [4, 5, 6]])
y = np.array([[7, 8, 9], [0, 1, 2]])
u = np.array([[3, 4, 5], [6, 7, 8]])
v = np.array([[9, 0, 1], [2, 3, 4]])
[[x, y], [u, v]]
它们也可能有不同的形状，但对于这种情况，一个简单的np.array([[x, y], [u, v]])构造函数工作正常
UPD2
我真的想要一个适用于任意x, y, u, v形状的解决方案，不一定都是一样的。
这是一个非常通用的方法：它适用于嵌套列表，数组列表列表 - 无论这些数组的形状是否不同或相等。它也适用于数据在一个阵列中聚集在一起的情况，这实际上是最棘手的情况。 （到目前为止发布的其他方法在这种情况下不起作用。）
让我们从困难的案例开始，一个大阵列：
# create example
# pick outer shape and inner shape
>>> osh, ish = (2, 3), (2, 5)
# total shape
>>> tsh = (*osh, *ish)
# make data
>>> data = np.arange(np.prod(tsh)).reshape(tsh)
>>>
# recalculate inner shape to cater for different inner shapes
# this will return the consensus bit of all inner shapes
>>> ish = np.shape(data)[len(osh):]
>>>
# block them
>>> data_blocked = np.frompyfunc(np.reshape(data, (-1, *ish)).__getitem__, 1, 1)(range(np.prod(osh))).reshape(osh)
>>>
# admire
>>> data_blocked
array([[array([[0, 1, 2, 3, 4],
[5, 6, 7, 8, 9]]),
array([[10, 11, 12, 13, 14],
[15, 16, 17, 18, 19]]),
array([[20, 21, 22, 23, 24],
[25, 26, 27, 28, 29]])],
[array([[30, 31, 32, 33, 34],
[35, 36, 37, 38, 39]]),
array([[40, 41, 42, 43, 44],
[45, 46, 47, 48, 49]]),
array([[50, 51, 52, 53, 54],
[55, 56, 57, 58, 59]])]], dtype=object)
使用OP的示例，它是一个数组列表列表：
>>> x = np.array([[1, 2, 3], [4, 5, 6]])
>>> y = np.array([[7, 8, 9], [0, 1, 2]])
>>> u = np.array([[3, 4, 5], [6, 7, 8]])
>>> v = np.array([[9, 0, 1], [2, 3, 4]])
>>> data = [[x, y], [u, v]]
>>>
>>> osh = (2,2)
>>> ish = np.shape(data)[len(osh):]
>>>
>>> data_blocked = np.frompyfunc(np.reshape(data, (-1, *ish)).__getitem__, 1, 1)(range(np.prod(osh))).reshape(osh)
>>> data_blocked
array([[array([[1, 2, 3],
[4, 5, 6]]),
array([[7, 8, 9],
[0, 1, 2]])],
[array([[3, 4, 5],
[6, 7, 8]]),
array([[9, 0, 1],
[2, 3, 4]])]], dtype=object)
并且有一个不同形状子阵列的例子（注意v.T）：
>>> data = [[x, y], [u, v.T]]
>>>
>>> osh = (2,2)
>>> ish = np.shape(data)[len(osh):]
>>> data_blocked = np.frompyfunc(np.reshape(data, (-1, *ish)).__getitem__, 1, 1)(range(np.prod(osh))).reshape(osh)>>> data_blocked
array([[array([[1, 2, 3],
[4, 5, 6]]),
array([[7, 8, 9],
[0, 1, 2]])],
[array([[3, 4, 5],
[6, 7, 8]]),
array([[9, 2],
[0, 3],
[1, 4]])]], dtype=object)
a = np.empty(shape=(2, 2), dtype=np.object)
a.fill(x)
@PaperPanzer使用np.frompyfunc很聪明，但所有reshaping和使用__getitem__都让人难以理解：
将函数创建与应用程序分离可能会有所帮助：
func = np.frompyfunc(np.reshape(data, (-1, *ish)).__getitem__, 1, 1)
newarr = func(range(np.prod(osh))).reshape(osh)
这凸显了ish尺寸与osh尺寸之间的分离。
我还怀疑lambda功能可以替代__getitem__。
这是有效的，因为frompyfunc返回一个对象dtype数组。 np.vectorize也使用frompyfunc，但让我们指定一个不同的otype。但两者都将标量传递给函数，这就是保罗的方法使用扁平的range和getitem的原因。带有np.vectorize的signature让我们将数组传递给函数，但它使用ndindex迭代而不是frompyfunc。
灵感来自于此，这是一个np.empty加填充方法 - 但是使用ndindex作为迭代器：
In [385]: >>> osh, ish = (2, 3), (2, 5)
...: >>> tsh = (*osh, *ish)
...: >>> data = np.arange(np.prod(tsh)).reshape(tsh)
...: >>> ish = np.shape(data)[len(osh):]
...:
In [386]: tsh
Out[386]: (2, 3, 2, 5)
In [387]: ish
Out[387]: (2, 5)
In [388]: osh
Out[388]: (2, 3)
In [389]: res = np.empty(osh, object)
In [390]: for idx in np.ndindex(osh):
...: res[idx] = data[idx]
...:
In [391]: res
Out[391]:
array([[array([[0, 1, 2, 3, 4],
[5, 6, 7, 8, 9]]),
....
[55, 56, 57, 58, 59]])]], dtype=object)
对于第二个例子：
In [399]: arr = np.array(data)
In [400]: arr.shape
Out[400]: (2, 2, 2, 3)
In [401]: res = np.empty(osh, object)
In [402]: for idx in np.ndindex(osh):
...: res[idx] = arr[idx]
在第三种情况下，np.array(data)已经创建了所需的（2,2）对象dtype数组。这个res创建和填充仍然有效，即使它产生相同的东西。
速度差别不大（虽然这个例子很小）
In [415]: timeit data_blocked = np.frompyfunc(np.reshape(data, (-1, *ish)).__get
...: item__, 1, 1)(range(np.prod(osh))).reshape(osh)
49.8 µs ± 172 ns per loop (mean ± std. dev. of 7 runs, 10000 loops each)
In [416]: %%timeit
...: arr = np.array(data)
...: res = np.empty(osh, object)
...: for idx in np.ndindex(osh): res[idx] = arr[idx]
...:
54.7 µs ± 68.7 ns per loop (mean ± std. dev. of 7 runs, 10000 loops each)
请注意，当data是（嵌套）列表时，np.reshape(data, (-1, *ish)实际上是np.array(data).reshape(-1 *ish)。该列表必须首先变成一个数组。
除了速度之外，看一种方法是否比另一种方法更通用会很有趣。是否有一个处理的情况，但另一个不能？
自己找到了解决方案：
a=np.zeros(shape=(2, 2), dtype=np.object)
a[:] = [[x, x], [x, x]]