我有一个关于numpy在增加矩阵/向量运算中的元素数量时的效率的问题。
如果你看下面的例子，对于10_000数组中的一些元素，每一步的时间长度大致相同。操作31、32和33花费约450 ms。此外，在最后一行36上，时间长度大约是每个单独操作的长度的两倍，这似乎是合理的。

In [1]: import numpy as np

In [29]: m = np.random.randn(10_000)

In [30]: shift = 1.0098765

In [31]: %timeit m - m.reshape(len(m), 1)
407 ms ± 5.75 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)

In [32]: matrix = m - m.reshape(len(m), 1)

In [33]: %timeit matrix - shift
443 ms ± 6.45 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)

In [34]: matrix_s = matrix - shift

In [35]: %timeit np.abs(matrix_s)
455 ms ± 3.77 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)

In [36]: %timeit np.abs(matrix - shift)
936 ms ± 89.3 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)

下面我将元素的数量增加到20_000。
我再次看了一下时间长度，但我不明白结果，因为与10_000元素的情况相反，它们看起来不一致（对我来说）。操作39与下面的操作相比非常快（快10倍），而之前的长度相同。此外，操作44比我分解相同计算的操作41和43之和长两倍。

In [37]: m = np.random.randn(20_000)

In [39]: %timeit m - m.reshape(len(m), 1)
1.53 s ± 47 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)

In [40]: matrix = m - m.reshape(len(m), 1)

In [41]: %timeit matrix - shift
18.5 s ± 5.59 s per loop (mean ± std. dev. of 7 runs, 1 loop each)

In [42]: matrix_s = matrix - shift

In [43]: %timeit np.abs(matrix_s)
27.3 s ± 6.65 s per loop (mean ± std. dev. of 7 runs, 1 loop each)

In [44]: %timeit np.abs(matrix - shift)
1min 15s ± 4.29 s per loop (mean ± std. dev. of 7 runs, 1 loop each)

矩阵的大小是10^8个元素，它开始很大，但我认为不是那么大。如果我很好地计算它，对于10_000的大小，我有一个763 Mb的矩阵阵列，而对于20_000，它是3Gb。这是交换问题吗？