NumPy 的范围

在这里，我们描述了 NumPy 开发范围内 N 维数组计算的各个方面。这不是 NumPy 应该追求的目标的理想化定义，而是反映了现状——我们已决定继续支持的领域，至少在目前是这样。

• CPU 上的内存中、N 维、同构类型（单个指针 + 步长）数组

  • 支持各种数据类型

  • 不包括 GPU 等专用硬件

  • 但支持各种 CPU（例如 ARM、PowerX）

• N 维数组的高级 API

  • NumPy 是 Python 中数组 API 的事实标准

  • 索引和快速遍历元素 (ufunc)

  • 与其他数据容器实现（如 __array_ufunc__ 和 __array_function__）的互操作协议。

• Python API 和 C API 用于 ndarray 的方法和属性。

• 其他N 维数组的专用类型或用途

  • 掩码数组

  • 结构化数组（非正式地称为记录数组）

  • 内存映射数组

• 历史上，NumPy 包含以下支持科学计算的基本功能。我们打算继续支持（但不扩展）当前包含的内容

  • 线性代数

  • 快速傅里叶变换和窗口化

  • 伪随机数生成器

  • 多项式拟合

• NumPy 为科学 Python 生态系统中的其他包提供了一些基础设施

  • numpy.distutils（用于 C++、Fortran、BLAS/LAPACK 和其他相关科学计算库的构建支持）

  • f2py（生成 Fortran 代码的绑定）

  • 测试实用程序

• 速度：我们认真对待性能问题，并力求在大型数组上执行操作时具有与原生 C 代码相似的性能。也就是说，在发生冲突时，维护和可移植性优先于性能。我们力求防止出现回归（例如，通过 asv）。