NumPy

NumPy 是使用 Python 进行科学计算的基础包。它提供强大的 n 维数组、数学函数、线性代数例程、傅立叶变换等。它是 Python 生态系统中许多其他库的基础，包括 Pandas、SciPy 和 Scikit-learn。 NumPy 的核心是经过良好优化的 C 代码，提供了 Python 的灵活性和编译代码的速度。

NumPy 带来了 C 等语言的计算能力Fortran 到 Python，更容易学习和使用。 NumPy 的矢量化、索引和广播概念是当今数组计算的事实上的标准。这种强大功能与其高级语法相结合，使 NumPy 成为适用于各种科学应用的强大工具。

NumPy 在以下方面发挥着关键作用：广泛的科学领域，例如：

• 量子计算：QuTiP、PyQuil、Qiskit 和 PennyLane 等库依赖于 NumPy
• 统计计算：Pandas、statsmodels、Xarray 和 Seaborn 构建于 NumPy 之上
• 信号处理：SciPy、PyWavelets、python-control 和 HyperSpy 使用 NumPy 进行高效计算
• 图像处理：Scikit-image、OpenCV 和 Mahotas 利用 NumPy 的数组功能
• 图形和网络：NetworkX、graph-tool、igraph 和 PyGSP 受益于 NumPy 的强大功能
• 天文学AstroPy、SunPy 和 SpacePy 依赖 NumPy 进行天文计算
• 认知心理学PsychoPy 利用 NumPy 进行实验数据处理
• 生物信息学：BioPython、Scikit-Bio、PyEnsembl 和 ETE 使用 NumPy 进行生物数据分析
• 贝叶斯推理：PyStan、PyMC3、ArviZ 和 emcee 依赖 NumPy 进行贝叶斯分析
• 数学分析：SciPy、SymPy、cvxpy 和 FEniCS 使用 NumPy 进行数学运算
• 化学：Cantera、MDAnalysis、RDKit 和 PyBaMM 利用 NumPy 进行化学模拟
• 地球科学：Pangeo、Simpeg、ObsPy 和 Fatiando a Terra 利用 NumPy 进行地球科学计算
• 地理处理：Shapely、GeoPandas 和 Folium 使用 NumPy 进行地理数据分析
• 建筑与工程COMPAS、City Energy Analyst 和 Sverchok 利用 NumPy 进行工程应用

此列表展示了 NumPy 在科学 Python 生态系统中的普遍性。

许多库利用创新硬件、专用数组类型或超出 NumPy 提供的功能。 这些是建立在 NumPy 的 API 之上的，包括：

这些库展示了 NumPy API 的强大功能及其对各种计算需求的适应性。

NumPy 是许多重要数据科学的核心图书馆。常见的数据科学工作流程可能涉及：

• 提取、转换、加载：使用 Pandas、Intake 和 PyJanitor 等库进行数据准备
• 探索性分析：使用 Jupyter、Seaborn、Matplotlib 和 Altair 可视化数据以获得见解
• 建模和评估：使用 scikit-learn、statsmodels、PyMC3 和 spaCy 等库构建和测试模型
• 在仪表板中报告：使用 Dash、Panel 和 Voila 在交互式仪表板中显示结果

为了处理大型数据集，Dask 和 Ray 等库可以很好地扩展。为了确保稳定性，诸如用于数据版本控制的 DVC、用于实验跟踪的 MLFlow 以及用于工作流程自动化的 Airflow、Dagster 和 Prefect 等工具开始发挥作用。

NumPy 在一些突破性的科学成就中发挥了作用：

• 首张黑洞图像：事件视界望远镜依靠 NumPy、SciPy 和 Matplotlib 创建首张黑洞图像。
• 引力波探测：LIGO 科学家使用 NumPy 证实了阿尔伯特·爱因斯坦 1916 年对引力波的预测。
• 体育分析：NumPy 增强板球分析能力，通过统计建模和预测分析提高球员和球队的表现。
• 使用深度学习进行姿势估计：DeepLabCut 利用 NumPy 分析科学研究中的动物行为，提供对运动控制的见解。

这些只是 NumPy 的功能如何用于解决复杂的现实问题和推进科学发现的几个示例。