以下是计时结果：

lebigot@weinberg ~ % python -m timeit 'abs(3.15)' 
10000000 loops, best of 3: 0.146 usec per loop

lebigot@weinberg ~ % python -m timeit -s 'from numpy import abs as nabs' 'nabs(3.15)'
100000 loops, best of 3: 3.92 usec per loop

numpy.abs()比abs()慢，因为它也处理Numpy数组：它包含提供这种灵活性的附加代码。
然而，Numpy * 在数组上 * 很快：

lebigot@weinberg ~ % python -m timeit -s 'a = [3.15]*1000' '[abs(x) for x in a]'
10000 loops, best of 3: 186 usec per loop

lebigot@weinberg ~ % python -m timeit -s 'import numpy; a = numpy.empty(1000); a.fill(3.15)' 'numpy.abs(a)'
100000 loops, best of 3: 6.47 usec per loop

(PS：'[abs(x) for x in a]'在Python 2.7中比更好的map(abs, a)慢，后者大约快30%，但仍然比NumPy慢很多。）
因此，numpy.abs()处理1000个元素所花费的时间不会比处理1个浮点数多多少！

应该使用numpy函数处理numpy的类型，使用正则python函数处理正则python类型。
最差的性能通常发生在python内置函数和numpy混合使用时，因为类型转换的原因，最近已经优化了类型转换，但是通常最好还是不要使用它们，当然，你的里程可能会有所不同，所以使用分析工具来找出原因。
如果你想进一步优化你的程序，也可以考虑使用像cython这样的程序或者制作一个C模块，或者在性能很重要的时候考虑不使用python。
但是，当你的数据被放入一个numpy数组中时，numpy在计算大量数据时会非常快。

实际上在numpy数组上
内置abs通过__abs__调用numpy的实现，请参见Why built-in functions like abs works on numpy array?
因此，理论上应该不会有太大的性能差异。

import timeit
 
x = np.random.standard_normal(10000)
 
def pure_abs():
    return abs(x)
 
def numpy_abs():
    return np.abs(x)
 
n = 10000
 
t1 = timeit.timeit(pure_abs, number = n)
print('Pure Python abs:', t1)
t2 = timeit.timeit(numpy_abs, number = n)
print('Numpy abs:', t2)
Pure Python abs: 0.435754060745
Numpy abs: 0.426516056061