NumPy 的范围

在这里，我们描述了 NumPy 开发范围内的 Nd 数组计算的各个方面。这并不是NumPy 目标的理想定义，而是反映了现状——我们决定继续支持的领域，至少目前是这样。

• CPU 上的内存中 N 维同构类型（单指针 + 跨步）数组

  • 支持多种数据类型

  • 非 GPU 等专用硬件

  • 但是，确实支持广泛的 CPU（例如 ARM、PowerX）

• N 维数组的更高级别 API

  • NumPy 是Python 中数组 API 的事实标准

  • 元素的索引和快速迭代 (ufunc)

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

• ndarray 的方法和属性的Python API 和 C API 。

• N 维数组的其他特殊类型或用途：

  • 屏蔽数组

  • 结构化数组（非正式称为记录数组）

  • 内存映射数组

• 从历史上看，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

  • 快速傅立叶变换和加窗

  • 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（构建对 C++、Fortran、BLAS/LAPACK 和其他科学计算相关库的支持）

  • 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，旨在以与本机 C 代码类似的性能在大型数组上执行操作。也就是说，当出现冲突时，维护和可移植性优先于性能。我们的目标是尽可能防止回归（例如，通过 asv）。