可以使用np.where：

arr1 = np.array([[1, 2], [30, 40]])
arr2 = np.array([[30, 40], [1, 2]])

print(np.where(arr1.sum(axis=1)<=10,'SMALL','BIG'))
print(np.where(arr2.sum(axis=1)<=10,'SMALL','BIG'))
['SMALL' 'BIG']
['BIG' 'SMALL']

在函数中：

def get_label(x, threshold, axis=1, label1='SMALL', label2='BIG'):
    return np.where(x.sum(axis=axis) <= threshold, label1, label2)

apply_along_axis不是一个优雅的解决方案;很方便，但不快。本质上是这样的

In [277]: get_label = lambda x: 'SMALL' if x.sum() <= 10 else 'BIG'
In [279]: np.array([get_label(row) for row in np.array([[30,40],[1,2]])])
Out[279]: 
array(['BIG', 'SMALL'],
      dtype='<U5')
In [280]: res = np.zeros((2,),dtype='S5')
In [281]: arr = np.array([[30,40],[1,2]])
In [282]: for i in range(2):
     ...:     res[i] = get_label(arr[i,:])
     ...:     
In [283]: res
Out[283]: 
array([b'BIG', b'SMALL'],
      dtype='|S5')

除了它概括了形状并推导出resdtype。
对于这样一个简单的“遍历行”的情况，你也可以这样做：

In [278]: np.array([get_label(row) for row in np.array([[1,2],[30,40]])])
Out[278]: 
array(['SMALL', 'BIG'],
      dtype='<U5')
In [279]: np.array([get_label(row) for row in np.array([[30,40],[1,2]])])
Out[279]: 
array(['BIG', 'SMALL'],
      dtype='<U5')

优雅的解决方案是避免Python级别的循环，显式或隐藏，而是使用编译的数组方法，例如给sum一个轴：

In [284]: arr.sum(axis=1)
Out[284]: array([70,  3])

对我来说，最优雅的解决方案是将numpy数组转换为pandas DataFrame，然后使用pandas.DataFrame.apply函数，它不会执行任何不必要的转换：

import numpy as np
import pandas as pd
get_label = lambda x: 'SMALL' if x.sum() <= 10 else 'BIG'
arr = np.array([[30, 40], [1, 2]])
df = pd.DataFrame(arr) # convert numpy array to pandas dataframe
arr2 = df.apply(get_label,1).to_numpy() # apply function and convert back to numpy array
print(arr2)

输出：

['BIG' 'SMALL']