NumPy 的范围

在此，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 应该努力的方向的展望性定义，而是描述了现状——即我们已决定至少在目前继续支持的领域。

• 内存中，N 维，同质类型（单个指针 + 步幅）的 CPU 数组

  • 支持各种数据类型

  • 非专用硬件，例如 GPU

  • 但是，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

  • 索引和元素的快速迭代（ufunc）

  • 与其他数据容器实现（例如 __array_ufunc__ 和 __array_function__）的互操作性协议。

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

• 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（但不会扩展）目前已包含的内容。

  • 线性代数

  • 快速傅里叶变换和窗函数

  • 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（在 NumPy 2.5.0 中移除，曾提供 C++、Fortran、BLAS/LAPACK 以及其他相关科学计算库的构建支持）

  • f2py（为 Fortran 代码生成绑定）

  • 测试工具（大部分已弃用，pytest 已做得很好）

• 速度：我们认真对待性能问题，并致力于以与原生 C 代码相似的性能执行大型数组上的操作。也就是说，在出现冲突时，维护和可移植性优先于性能。我们致力于尽可能防止回归（例如，通过 asv）。