并行化一个小数组比并行化一个大数组要慢的原因是，并行化的过程中涉及到任务的分配、数据的传输和线程的管理等开销，这些开销在小数组上的影响更加显著。因此，并行化一个小数组可能会产生额外的开销，从而导致执行时间变长。

下面是一个简单的示例代码，展示了如何并行化一个数组的求和操作，并比较了对小数组和大数组进行并行化的执行时间：

import numpy as np
import time
from concurrent.futures import ThreadPoolExecutor

def parallel_sum(arr):
    return np.sum(arr)

def main():
    # 创建一个小数组和一个大数组
    small_array = np.random.randint(0, 10, size=100)
    large_array = np.random.randint(0, 10, size=1000000)

    # 并行化求和操作
    start_time = time.time()
    with ThreadPoolExecutor() as executor:
        small_sum = executor.submit(parallel_sum, small_array)
        large_sum = executor.submit(parallel_sum, large_array)
    
    small_sum = small_sum.result()
    large_sum = large_sum.result()
    end_time = time.time()

    # 输出结果和执行时间
    print(f"Small Array Sum: {small_sum}")
    print(f"Large Array Sum: {large_sum}")
    print(f"Execution Time: {end_time - start_time} seconds")

if __name__ == '__main__':
    main()

在上述示例代码中，我们使用了numpy库生成了一个小数组和一个大数组。然后，使用concurrent.futures.ThreadPoolExecutor类创建了一个线程池，并使用submit()方法将求和操作提交给线程池执行。最后，使用result()方法获取并行求和操作的结果，并输出结果和执行时间。

你可以尝试运行上述代码，比较对小数组和大数组进行并行化的执行时间差异。你可能会发现，并行化小数组的执行时间可能会略高于串行执行，而并行化大数组的执行时间可能会显著降低。