SciPy 是一个用于 Python 的开源（BSD 许可）科学和数值工具集。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。一个好的经验法则是，如果它在数值计算的通用教科书（例如，著名的 Numerical Recipes 系列）中有所介绍，那么它可能在 SciPy 中实现。
SciPy 是免费提供的。它作为开源软件发布，这意味着您可以完全访问源代码，并可以以其宽松的 BSD 许可允许的任何方式使用它。
SciPy 的许可证根据 BSD 许可证的条款，可免费用于商业和非商业用途 此处。
实际上，时间关键的循环通常是用 C、C++ 或 Fortran 实现的。SciPy 的一部分是建立在 https://www.netlib.org/ 上免费提供的科学例程之上的薄层代码。Netlib 是一个巨大的存储库，其中包含用 C 和 Fortran 编写的极其宝贵且健壮的科学算法。重新编写这些算法将是愚蠢的，并且需要数年时间才能调试它们。SciPy 使用各种方法来生成围绕这些算法的“包装器”，以便它们可以在 Python 中使用。一些包装器是通过用 C 手动编码生成的。其余部分是使用 SWIG 或 f2py 生成的。SciPy 的一些较新的贡献要么完全是用 Cython 或 Pythran 编写的，要么是用它们包装的。
第二个答案是，对于困难的问题，更好的算法可以极大地缩短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，请通过在 SciPy 错误跟踪器 中提交工单来告诉我们。
前往我们的 社区 页面。我们热衷于更多人参与编写代码、测试、文档以及帮助网站。
是的，许多公司为 SciPy 提供商业支持，例如 Anaconda、Enthought 和 Quansight。
在理想情况下，NumPy 只包含数组数据类型和最基本的操作：索引、排序、重塑、基本逐元素函数等。所有数值代码都应该位于 SciPy 中。但是，NumPy 的重要目标之一是兼容性，因此 NumPy 尝试保留其任一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 包含更完整版本的线性代数模块，以及许多其他数值算法。如果您使用 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。
SciPy 的功能不包括绘图功能，它专注于数值对象和算法。有几个包与 SciPy 紧密集成，可以生成高质量的绘图，例如非常流行的 Matplotlib。其他流行的选择包括 Bokeh、Plotly 和 Altair。
与 2D 绘图一样，3D 图形也不在 SciPy 的范围内，但与 2D 情况一样，也存在与 SciPy 集成的包。 Matplotlib 在 mplot3d 子包中提供基本的 3D 绘图，而 Mayavi 提供广泛的高质量 3D 可视化功能，利用强大的 VTK 引擎。
numpy.linalg 和 scipy.linalg？它们有什么区别？#scipy.linalg 是使用 f2py 对 Fortran LAPACK 的更完整封装。
NumPy 的设计目标之一是使其无需 Fortran 编译器即可构建，如果没有 LAPACK 可用，NumPy 将使用自己的实现。SciPy 需要 Fortran 编译器才能构建，并且严重依赖于封装的 Fortran 代码。
NumPy 和 SciPy 中的 linalg 模块有一些共同的功能，但具有不同的文档字符串，并且 scipy.linalg 包含 numpy.linalg 中没有的功能，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。一些在两者中都存在的功能在 scipy.linalg 中具有增强的功能；例如，scipy.linalg.eig 可以接受第二个矩阵参数来解决 广义特征值问题。
支持 Python 2.7 的最后一个 NumPy 版本是 NumPy 1.16.x。支持 Python 2.7 的最后一个 SciPy 版本是 SciPy 1.2.x。支持 Python 3.x 的第一个 NumPy 版本是 NumPy 1.5.0。SciPy 中的 Python 3 支持是在 SciPy 0.9.0 中引入的。
一般来说，是的。最近对 PyPy 的改进使科学 Python 堆栈能够与 PyPy 一起使用。由于 SciPy 的大部分代码是用 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，它仍然明显更慢，但是 PyPy 正在积极努力改进这一点）。如在基准测试时一样，您的经验是最好的指南。
不支持。Jython 从未工作过，因为它运行在 Java 虚拟机之上，并且无法与为标准 Python (CPython) 解释器编写的 C 扩展进行交互。
几年前，曾有人努力使 NumPy 和 SciPy 与 .NET 兼容。当时的一些用户报告称，在 32 位 Windows 上使用 Ironclad 成功使用了 NumPy。最后，Pyjion 是一个新项目，据报道它可以与 SciPy 一起使用。
无论如何，这些运行时/编译器超出了 SciPy 的范围，并且没有得到开发团队的官方支持。
请参阅 社区 页面。