np.array([e[::-1] for e in arr])是这样做的直接方法，并且不是坏的numpy。或者用[e[::-1] for e in arr.tolist()]完全绕过numpy。您也可以对np.vectorize或np.frompyfunc执行类似的操作。这些可能会扩展得更好一点。
numpy中的“vectorize”意味着使用编译方法（和运算符）在编译代码中进行必要的迭代。这些几乎都是数字运算。对于字符串，numpy使用Python字符串方法。它没有自己的编译字符串操作。甚至np.char函数也使用python字符串方法。
所以没有numpy等价于astr[::-1]。
一些比较时代

In [16]: timeit np.array([s[::-1] for s in arr])
36.1 µs ± 151 ns per loop (mean ± std. dev. of 7 runs, 10,000 loops each)

In [17]: timeit np.array([s[::-1] for s in arr.tolist()])
21.1 µs ± 76.5 ns per loop (mean ± std. dev. of 7 runs, 10,000 loops each)

In [18]: timeit [s[::-1] for s in arr.tolist()]
8.29 µs ± 23.2 ns per loop (mean ± std. dev. of 7 runs, 100,000 loops each)

In [20]: timeit np.vectorize(lambda s: s[::-1])(arr)
65.9 µs ± 165 ns per loop (mean ± std. dev. of 7 runs, 10,000 loops each)

In [21]: timeit np.frompyfunc(lambda s: s[::-1],1,1)(arr)
20.3 µs ± 76.5 ns per loop (mean ± std. dev. of 7 runs, 10,000 loops each)

下面的代码通过考虑原始数组的不同视图来完成这项工作。这意味着不需要额外的数组（以及内存）。No for loops：）

import numpy as np

A = np.array(['2', '3', '5', '7', '11', '13', '17', '19', '23', '29', '31', '37',
       '41', '43', '47', '53', '59', '61', '67', '71', '73', '79', '83',
       '89', '97'], dtype='<U2')

B = A.view(np.uint32)           # Interpret as individual numbers
B = B.reshape((A.shape[0],2))   # Group numbers in pairs
B[B[:,1] != 0, :] = B[B[:,1] != 0, ::-1] # Flip pairs if more than 1 digit

print(A) # ['2' '3' '5' '7' '11' '31' '71' '91' '32' '92' '13' '73' '14' '34' '74' '35' '95' '16' '76' '17' '37' '97' '38' '98' '79']

对于短数组，比如你给出的那个，@hpaulj的答案更快。但是对于更大的数组，这种方法更快。例如，对于100，000个元素的数组，与@hpaulj的最快方法（[s[::-1] for s in arr.tolist()]）相比，该方法快了大约5倍。