SciPy与NumPy的关系

Question

SciPy看起来提供了大部分（但不是全部[1]）NumPy的功能，并且是在自己的命名空间下。换句话说，如果有一个叫做numpy.foo的函数，几乎可以肯定会有一个scipy.foo。大多数情况下，这两个函数看起来是完全相同的，很多时候它们甚至指向同一个函数。

不过，有时候它们是不同的。举个最近出现的例子：

• numpy.log10是一个ufunc，对于负数参数会返回NaN（不是一个数字）；
• scipy.log10对于负数参数会返回复数值，并且似乎不是一个ufunc。

对于log、log2和logn也是如此，但log1p就不一样了[2]。

另一方面，numpy.exp和scipy.exp看起来是同一个ufunc的不同名称。scipy.log1p和numpy.log1p也是如此。

另一个例子是numpy.linalg.solve和scipy.linalg.solve。它们相似，但后者提供了一些额外的功能。

那么，为什么会有这种明显的重复呢？如果这是要将numpy整体导入到scipy的命名空间中，为什么会有行为上的细微差别和缺失的函数呢？有没有什么更大的逻辑可以帮助我们理清这些混乱呢？

[1] numpy.min、numpy.max、numpy.abs和一些其他函数在scipy命名空间中没有对应的函数。

[2] 使用NumPy 1.5.1和SciPy 0.9.0rc2进行测试。

Answer 1

从SciPy的常见问题解答来看，NumPy中的一些函数存在是因为历史原因，其实这些函数应该只在SciPy中。

NumPy和SciPy有什么区别？

在理想情况下，NumPy应该只包含数组这种数据类型和一些最基本的操作，比如索引、排序、重塑形状、基本的逐元素函数等等。所有的数值计算代码应该放在SciPy里。不过，NumPy的一个重要目标是兼容性，所以它尽量保留之前版本支持的所有功能。因此，NumPy里有一些线性代数的函数，尽管这些函数更适合放在SciPy里。总的来说，SciPy提供了更全面的线性代数模块，还有很多其他的数值算法。如果你在用Python进行科学计算，建议你同时安装NumPy和SciPy。大多数新功能应该放在SciPy里，而不是NumPy。

这也解释了为什么scipy.linalg.solve比numpy.linalg.solve多了一些额外的功能。

我没有看到SethMMorton对相关问题的回答。

Answer 2

来自SciPy参考指南：

... 所有的Numpy函数都已经被整合进了scipy这个命名空间，这样用户就可以直接使用这些函数，而不需要额外导入Numpy。

这样做的目的是让用户不需要了解scipy和numpy这两个命名空间之间的区别，尽管显然你发现了一个例外。

Answer 3

上次我查看的时候，scipy的 __init__ 方法会执行一个

from numpy import *

这样在导入scipy模块时，整个numpy的命名空间都会被包含进来。

你提到的 log10 的表现很有趣，因为这两种版本都是来自numpy的。其中一个是 ufunc，另一个是 numpy.lib 的函数。我不太清楚为什么scipy会更倾向于使用库函数而不是 ufunc。

---

补充一下：其实我可以回答关于 log10 的问题。在查看scipy的 __init__ 方法时，我发现了这个：

# Import numpy symbols to scipy name space
import numpy as _num
from numpy import oldnumeric
from numpy import *
from numpy.random import rand, randn
from numpy.fft import fft, ifft
from numpy.lib.scimath import *

你在scipy中得到的 log10 函数是来自 numpy.lib.scimath。看那段代码，它说：

"""
Wrapper functions to more user-friendly calling of certain math functions
whose output data-type is different than the input data-type in certain
domains of the input.

For example, for functions like log() with branch cuts, the versions in this
module provide the mathematically valid answers in the complex plane:

>>> import math
>>> from numpy.lib import scimath
>>> scimath.log(-math.exp(1)) == (1+1j*math.pi)
True

Similarly, sqrt(), other base logarithms, power() and trig functions are
correctly handled.  See their respective docstrings for specific examples.
"""

这个模块似乎覆盖了基础的numpy ufunc 函数，包括 sqrt、log、log2、logn、log10、power、arccos、arcsin 和 arctanh。这就解释了你看到的行为。至于为什么这样设计，可能在某个邮件列表的帖子里有提到。