IIUC，可以使用np.vstack。请考虑以下示例：

tpl = np.array([1, 2, 3]), np.array([4, 5, 6]), np.array([7, 8, 9])

print(tpl)

字符串
印刷品：

(array([1, 2, 3]), array([4, 5, 6]), array([7, 8, 9]))

型
然后：

print(np.vstack(tpl))

型
印刷品：

[[1 2 3]
 [4 5 6]
 [7 8 9]]

型

重复我在评论中所说的，只需将np.array应用于tuple即可完成这项工作

t = (np.array([1, 2, 3]), np.array([4, 5, 6]))
np.array(t)

字符串
输出量：

array([[1, 2, 3],
       [4, 5, 6]])

型
我现在没有时间自己测试效率，所以引用评论中的jared，稍后会回到这里
np.array(t)更有效（即比np.vstack(t)快

我对三个主要选项进行了一些性能测试：np.vstack、np.array和np.stack。正如您在下面所看到的，差异并不显著，但是np.array始终比其余的快，尽管随着数组数量的增加，差值会减小。

的数据
重现分析的代码：

import numpy as np
import perfplot
import matplotlib.pyplot as plt

def method1(data):
    return np.vstack(data)

def method2(data):
    return np.array(data)

def method3(data):
    return np.stack(data)

rng = np.random.default_rng(42)
M = 1800
perfplot.show(
    setup=lambda N: [rng.random(M) for _ in range(N)],
    kernels=[
        method1,
        method2,
        method3
    ],
    labels=["vstack", "array", "stack"],
    n_range=[2**k for k in range(2,15)],
    xlabel="len(data)",
)

fig = plt.gcf()
fig.tight_layout()
fig.show()

字符串