p-级数部分和的特性探索

背景介绍

小探索，先做个记录。

给小伙伴看代码，突然发现小伙伴把所有求平方根的函数都用math.sqrt（）完成的，而我比较习惯()**0.5这样的用法。看见之后忍不住想改，但是转念一想这两种方法到底哪个快啊？于是编写了一个测试程序，对这两种方法对比了一下。测试结果是前者比较好，所以小伙伴的代码我也就没改。不过在测试中我发现了一个有趣的事情。

先看下面的测试代码，两个函数都是给出一个正整数num，然后求$\sqrt{1}+\sqrt{2}+\dots +\sqrt{num}$。

import math as m


def f(num):
    a = 0
    for i in range(num):
        a += m.sqrt(num)
    return a


def f1(num):
    a = 0
    for i in range(num):
        a += num**0.5
    return a

事情奇怪就奇怪在当我用num=10,100,1000,10000,100000分别测试的时候发现当两个num为100倍的关系的时候最后的求和结果是大约1000倍的差别（差值大概不超过10e-5），而且如果num恰好是某个整数的平方的时候两者完全相等！

提出问题

于是我便有了如下猜想：

对于$\forall n\in N^{+},设S(n)=\sqrt{1}+\sqrt{2}+\cdots +\sqrt{n}$
求证：$S(100n)=1000S(n)$。

目前进展

几个比较有用的结论：

$\frac{n^{\alpha +1}}{\alpha +1}<{\sum }_{i=1}^n{i}^{\alpha }<\frac{(n+1{)}^{\alpha +1}}{\alpha +1}(\alpha >0)$

下面这张图片是从百度知道上找到的，但是不知道为什么，我再去照这个网页的时候却一直找不到，如果你看到了，欢迎在下面留言，我把链接放上来。

其它问题

1、测试代码的优化

除了上面序列求和的问题以外，还有一个是关于我上面测试代码的问题。那就是当n变得越来越大的时候，求解S(n)会很费劲。尤其是在提出问题节段，可能要对百万千万以内的所有数进行数值检验，这个时候求解速度会变慢很多。从代码中也不难看出，当对n以内的数据进行遍历的时候存在很多重复计算。
那么，我的问题就是，采用什么算法可以优化上述过程，减小计算量？

2. 对于其他幂次会有什么样的结论？

上面的探讨都是基于$S(n)=\sqrt{1}+\sqrt{2}+\cdots +\sqrt{n}$进行的，如果不是平方根而是下面的表达式：

$S(n)=\sqrt[3]{1}+\sqrt[3]{2}+\cdots +\sqrt[3]{n}$
$S(n)=\sqrt[5]{1}+\sqrt[5]{2}+\cdots +\sqrt[5]{n}$
$S(n)=\sqrt[7]{1}+\sqrt[7]{2}+\cdots +\sqrt[7]{n}$

那么又会有怎样的相似规律呢？