为什么NumPy和SciPy有很多相同的功能？我应该选择哪一个？

可能重复：
Relationship between scipy and numpy 为什么NumPy和SciPy有很多相同的功能？我应该选择哪一个？

例如，NumPy的有window functionsbartlett，blackman，hamming，hanning，kaiser，而SciPy的有these and several more，但他们似乎产生相同的输出。

NumPy有numpy.fft.fft2(a, s=None, axes=(-2, -1))。

SciPy有scipy.fftpack.fft2(x, shape=None, axes=(-2, -1), overwrite_x=0)。

为什么有重复？只是为了向后兼容？如果是这样，为什么他们在不同的地方有不同的定义？在写新东西时我应该选择哪一个？

来源

2012-05-26 endolith

请参阅http://stackoverflow.com/questions/6200910/relationship-between-scipy-and-numpy – NPE

@aix：这不是关于numpy功能transcluded到scipy。这是关于两者都独立存在的东西，我的问题没有被这些答案所回答 – endolith

从SciPy FAQ：

在一个理想的世界，NumPy的将仅仅包含数组数据类型和最基本的操作：索引，排序，整形，基本的elementwise功能，等等。所有数字代码将驻留在SciPy中。然而，NumPy的重要目标之一是兼容性，因此NumPy会尝试保留前任任一支持的所有功能。因此NumPy包含一些线性代数函数，尽管这些更多正确地属于SciPy。无论如何，SciPy包含更全面的线性代数模块以及许多其他数值算法。如果你正在用python进行科学计算，你应该安装NumPy和SciPy。大多数新功能都属于SciPy而不是NumPy。

所以是的，重复是为了向后兼容。一般来说，他们给出了相同的结果。然而，正如FAQ所述，新功能通常在SciPy中实现，但不一定是NumPy。这包括错误修复。例如，我发现numpy.linalg.eig为复杂矩阵返回了不正确的特征值，而scipy.linalg.eig则返回了正确的特征值。一般来说，我更喜欢坚持常见问题解答中的“理想世界”场景：我使用NumPy进行基本数组操作，并使用SciPy处理所有线性代数。这样我就不会遇到任何惊喜。

来源

2012-05-26 15:46:26 SethMMorton

为什么NumPy和SciPy有很多相同的功能？我应该选择哪一个？

回答

相关问题