numpy.vectorizeの使い方と実行の速さについて

やりたいこと

PythonのNumpyを用いて，行列計算を行いたいが，これらはnumpy同士の*, + , -, /　numpy.dotなどを使用しないと計算速度がむしろ，落ちいてしまう．
しかし，実際には，行列の各要素に複雑な計算を代入していきたいことがよくある．その時のために，np.vetorizeなるものがあるが，それの使い方と速さを検証していきたい

##  今回の使う環境
import sys
import numpy as np
print("PythonのVerson:", sys.version)
print("NumpyのVersion:", np.__version__)

PythonのVerson: 3.5.3 |Anaconda custom (64-bit)| (default, Mar  6 2017, 12:15:08) 
[GCC 4.2.1 Compatible Apple LLVM 6.0 (clang-600.0.57)]
NumpyのVersion: 1.15.2

np.vectoraizeの使い方

行列$A = (a){i, j}$に対して，$a{i, j} = a_{i, j} + 1$のような操作を行いたい場合は

A = A + 1などで十分である．

間違っても

for i in range(A.shape[0]):
    for j in range(A.shape[1]):
        A[i, j] = A[i, j] + 1

というようにしてはいけない．

しかし行列$A = (a)_{i, j}$に対して，以下のような複雑な操作を行いたい場合は，例えば，

for i in range(A.shape[0]):
    for j in range(A.shape[1]):
        while A[i, j] < 100:
          A[i, j] *= 2

のような操作を行いたいとする

その場合は，

def f(x):
    while x < 100:
        x *= 2
    
    return x

vf = np.vectorize(f)

A = np.random.random((1000, 1000))

そして，使い方は下のように，なる．書き方としてはとても簡潔であるように感じる．
ついでに，実行時間も計算してみる．

%timeit vf(A)

1 loop, best of 3: 1.49 s per loop

また，通常の書き方もやってみて，実行時間も計測してみる．

def loop():
    A = np.random.random((1000, 1000))
    for i in range(A.shape[0]):
        for j in range(A.shape[1]):
            A[i, j] = f(A[i, j])

%timeit loop()

1 loop, best of 3: 650 ms per loop

実行してみたら，普通に書いた方が実行時間が早かった！vectorizeの方が早いと思っていただけに少しショックである．
また理由がよくわからない．