SciPy 是一组用于 Python 的开源（BSD 许可）科学和数值工具。它目前支持特殊函数、积分、常微分方程 (ODE) 求解器、梯度优化、并行编程工具、用于快速执行的表达式到 C++ 编译器等。一个很好的经验法则是，如果在一般的数值计算教科书中（例如，著名的《数值食谱》系列）涵盖了某个内容，那么它很可能在 SciPy 中实现。
SciPy 是免费提供的。它作为开源软件分发，这意味着您可以完全访问源代码，并可以在其宽松的 BSD 许可允许的任何方式中使用它。
根据 BSD 许可条款，SciPy 的许可对于商业和非商业用途都是免费的，此处。
实际上，时间紧迫的循环通常是用 C、C++ 或 Fortran 实现的。SciPy 的某些部分是位于 https://www.netlib.org/ 上免费提供的科学例程之上的薄薄的代码层。Netlib 是一个巨大的存储库，其中包含用 C 和 Fortran 编写的极其有价值且健壮的科学算法。重写这些算法是很愚蠢的，并且需要数年时间来调试它们。SciPy 使用各种方法来生成这些算法的“包装器”，以便它们可以在 Python 中使用。一些包装器是通过手动用 C 编码生成的。其余的则使用 SWIG 或 f2py 生成。SciPy 的一些较新的贡献要么完全用 Cython 或 Pythran 编写，要么使用它们包装。
第二个答案是，对于困难的问题，更好的算法可以极大地改变解决问题所需的时间。因此，使用 SciPy 的内置算法可能比用 C 编写的简单算法快得多。
SciPy 开发团队努力使 SciPy 尽可能可靠，但与任何软件产品一样，错误确实会发生。如果您发现影响您软件的错误，请在 SciPy 错误跟踪器中输入一个工单来告诉我们。
请访问我们的社区页面。我们渴望更多人帮助编写代码、测试、文档并帮助维护网站。
是的，许多公司为 SciPy 提供商业支持，例如 Anaconda、Enthought 和 Quansight。
在理想的世界中，NumPy 将只包含数组数据类型和最基本的操作：索引、排序、重塑、基本元素函数等。所有数值代码都将驻留在 SciPy 中。但是，NumPy 的重要目标之一是兼容性，因此 NumPy 尝试保留其前身支持的所有功能。因此，NumPy 包含一些线性代数函数和傅里叶变换，即使这些函数更适合放在 SciPy 中。无论如何，SciPy 包含更完整功能的线性代数模块以及许多其他数值算法。如果您正在使用 Python 进行科学计算，您可能应该同时安装 NumPy 和 SciPy。大多数新功能都属于 SciPy 而不是 NumPy。
绘图功能超出了 SciPy 的范围，SciPy 专注于数值对象和算法。有几个软件包与 SciPy 紧密集成以生成高质量的图表，例如非常流行的 Matplotlib。其他流行的选项包括 Bokeh、Plotly 和 Altair。
与 2D 绘图一样，3D 图形超出了 SciPy 的范围，但与 2D 情况一样，存在与 SciPy 集成的软件包。Matplotlib 在 mplot3d 子包中提供基本的 3D 绘图，而 Mayavi 利用强大的 VTK 引擎提供各种高质量的 3D 可视化功能。
numpy.linalg 又有 scipy.linalg？有什么区别？#scipy.linalg 是使用 f2py 对 Fortran LAPACK 的更完整的包装。
NumPy 的设计目标之一是使其可以在没有 Fortran 编译器的情况下构建，如果您没有 LAPACK 可用，NumPy 将使用自己的实现。SciPy 需要构建 Fortran 编译器，并且严重依赖于包装的 Fortran 代码。
NumPy 和 SciPy 中的 linalg 模块具有一些通用函数，但文档字符串不同，并且 scipy.linalg 包含 numpy.linalg 中没有的函数，例如与 LU 分解 和 Schur 分解 相关的函数、计算伪逆的多种方法以及矩阵超越函数，例如 矩阵对数。两者中都存在的一些函数在 scipy.linalg 中具有增强的功能；例如，scipy.linalg.eig 可以采用第二个矩阵参数来解决广义特征值问题。
支持 Python 2.7 的 NumPy 的最后一个版本是 NumPy 1.16.x。这样做的最后一个 SciPy 版本是 SciPy 1.2.x。第一个支持 Python 3.x 的 NumPy 版本是 NumPy 1.5.0。SciPy 中引入的 Python 3 支持是在 SciPy 0.9.0 中。
一般来说，是的。PyPy 最近的改进使得科学 Python 堆栈可以与 PyPy 一起使用。由于 SciPy 的大部分都是作为 C 扩展模块实现的，因此代码可能不会运行得更快（在大多数情况下仍然明显较慢，但是，PyPy 正在积极努力改进这一点）。与基准测试一样，您的经验是最好的指南。
不，两者都不支持。Jython 从来没有工作过，因为它在 Java 虚拟机之上运行，并且无法与标准 Python (CPython) 解释器的 C 编写的扩展进行接口。
几年前，曾努力使 NumPy 和 SciPy 与 .NET 兼容。当时的一些用户报告说，在 32 位 Windows 上使用 Ironclad 成功使用了 NumPy。最后，Pyjion 是一个据称可以与 SciPy 一起使用的新项目。
无论如何，这些运行时/编译器超出了 SciPy 的范围，并且不受开发团队的官方支持。
请参阅社区页面。