Почему python `in` намного быстрее, чем` np.isin`

Я реализую некоторый алгоритм поиска с использованием numpy, где один шаг - проверить, находится ли вектор в матрице (в виде строки). Раньше я использовал np.isin, но мне вдруг стало любопытно, будет ли работать ключевое слово in в python. Поэтому я протестировал его и обнаружил, что он работает.

Поскольку я не нашел никакого интерфейса python для in (например, __add__ для + или __abs__ для abs), я считаю, что in жестко встроен в python с использованием стандартной логики итератора, поэтому он должен быть медленнее по сравнению с numpy, предоставленным np.isin. Но после того, как я провел некоторое тестирование, невероятно:

>>> a = np.int8(1)
>>> A = np.zeros(2**24, 'b')
>>> %timeit a in A
>>> %timeit np.isin(a, A)
21.7 ms ± 1.58 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)
310 ms ± 20.4 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)

который sais np.isin в 10+ раз медленнее, чем python in для небольших типов данных. Я также сделал тест на большой тип данных

>>> a = np.ones(1, 'V256')
>>> A = np.zeros(2**22, 'V256')
>>> %timeit a in A
>>> %timeit np.isin(a, A)
129 ms ± 12.2 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)
10.5 s ± 184 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)

который говорит, что np.isin примерно в 100 раз медленнее.

Интересно, в чем может быть причина этого. Обратите внимание, поскольку a=1 и A=[0,0,...], сопоставление должно выполняться для всего массива. На стороне Python не существует такой вещи, как «ранний выход».

РЕДАКТИРОВАТЬ О, на самом деле существует интерфейс Python для in под названием __contains__. Но все же почему np.isin должен быть намного медленнее, чем np.ndarray.__contains__?