您的样品列表/阵列：

In [71]: x=[0.1, 0.2, 0.3]; xx = np.array(x,'U5');xx
Out[71]: array(['0.1', '0.2', '0.3'], dtype='<U5')

字符串
从文档中可以清楚地看到，char.add不是ufunc，它只是相关字符串方法的一个浅层 Package 器。
但是我们可以将add链接起来，就像我们做的那样（'string_'+'0.01'+'_string'）：

In [72]: np.char.add(np.char.add('string_',xx),'_string')
Out[72]: 
array(['string_0.1_string', 'string_0.2_string', 'string_0.3_string'],
      dtype='<U19')

型
numpy没有处理字符串的特殊代码，因此char函数的运行速度通常与列表解析相同。
有一个char.join，但它对数组的字符进行操作：

In [74]: np.char.join('_',xx)
Out[74]: array(['0_._1', '0_._2', '0_._3'], dtype='<U5')

型
另一种方法是将np.vectorize或np.frompyfunc与效用函数一起使用，如：

In [75]: def foo(i):
    ...:     return '_'.join(['string',str(i),'string'])
    ...:     

In [76]: np.frompyfunc(foo,1,1)(x)
Out[76]: 
array(['string_0.1_string', 'string_0.2_string', 'string_0.3_string'],
      dtype=object)

型
对于小数组，np.vectorize/frompyfunc往往比列表解析慢一点，但对于大数组，它们的伸缩性更好。
但主要的优点是，他们处理多个维度和广播。