一个纯粹的Numpy解决方案是使用基于块的策略：

def is_non_negative(m):
    chunkSize = max(min(65536, m.size/8), 4096) # Auto-tunning
    for i in range(0, m.size, chunkSize):
        if np.min(m[i:i+chunkSize]) < 0:
            return False
    return True

这种解决方案只有在数组很大的情况下才是有效的，并且块足够大以使Numpy调用开销很小，并且块足够小以将全局数组拆分成许多部分（以便从早期的剪切中获益）。块大小需要相当大，以便平衡小数组上相对较大的np.min开销。
下面是一个Numba解决方案：

import numba as nb

# Eagerly compiled funciton for some mainstream data-types.
@nb.njit(['(float32[::1],)', '(float64[::1],)', '(int_[::1],)'])
def is_non_negative_nb(m):
    for e in m:
        if e < 0:
            return False
    return True

事实证明，这比在我的机器上使用np.min要快，尽管LLVM-Lite（Numba的JIT）没有很好地自动矢量化代码（即不使用SIMD指令）。
对于更快的代码，您需要使用C/C++代码和基于块的SIMD友好代码，如果编译器不能生成高效代码（不幸的是，这种情况相当常见），则可能使用SIMD内部函数。

一种可能的解决方案是使用C中的函数：

#include <stdio.h>
#include <stdlib.h>

int is_negative(double* data, int num_elems) {
    for (int i = 0; i < num_elems; i++) {
        if (data[i] < 0) {
            return 1;
        }
    }
    return 0;
}

编译：

gcc -c -fPIC is_negative.c -o is_negative.o

并链接：

gcc -shared is_negative.o -o libis_negative.so

然后，在Python中：

import numpy as np
import ctypes

lib = ctypes.cdll.LoadLibrary('/tmp/libis_negative.so')

a = np.array([1.0, 2.0, -3.0, 4.0])
num_elems = a.size

lib.is_negative.restype = ctypes.c_int
lib.is_negative.argtypes = [
    np.ctypeslib.ndpointer(dtype=np.float64),
    ctypes.c_int,
]

result = lib.is_negative(a, num_elems)

if result:
    print("It has negative elements")
else:
    print("It does not have negative elements")