你有一个正方形数组。它看起来像这样：
但是计算机内存是线性寻址的，所以对于计算机来说，它看起来像这样：
或者，如果你仔细想想，它可能看起来像这样：
如果您尝试对[1 2 3]或[4 5 6]（一行）求和，则第一个布局更快。如果您尝试对[1 4 7]或[2 5 8]求和，则第二种布局更快。
这是因为从内存中加载数据一次发生一个“缓存行”，通常为64字节（8个值，NumPy的默认dtype为8字节浮点型）。
您可以使用order参数控制NumPy在构造数组时使用的布局。
有关此方面的更多信息，请参阅：https://en.wikipedia.org/wiki/Row-_and_column-major_order

数组是row-major。因此，当你在轴1上求和时，数字是在连续的内存数组中找到的。这允许更好的缓存性能，因此更快的内存访问（参见“Locality of reference“）。我想这就是你在这里看到的效果。

实际上，性能将取决于数组在内存中的顺序：

In [36]: arr = np.arange(int(1E6)).reshape(int(1E3), -1)

In [37]: arrf = np.asfortranarray(arr) # change order

In [38]: %timeit arr.cumsum(axis=1)
1.99 ms ± 32.6 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)

In [39]: %timeit arr.cumsum(axis=0)
14.6 ms ± 229 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)

In [41]: %timeit arrf.cumsum(axis=0)
1.96 ms ± 19.5 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)

In [42]: %timeit arrf.cumsum(axis=1)
14.6 ms ± 148 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)

有关详细信息，请访问https://docs.scipy.org/doc/numpy-1.13.0/reference/internals.html#multidimensional-array-indexing-order-issues