前段时间写了两个系列文章，分别介绍了Python中的两个重要的科学计算的库Numpy和Scipy。
从系列的文章中，可以看出，它们都提供了强大的数值计算功能，而且很多地方看着似乎是重复的。
其实这两个库虽然密切相关，但它们各自侧重的领域是不同的。
本篇我根据自己的使用体验，对两个库进行简单的对比分析。
1. Numpy的侧重点
首先是Numpy库，我认为它是Python中最基础的数值计算库，它是很多知名的科学计算库的基础（包括Scipy，其实也是基于Numpy的）。
这个库的名称Numpy分两部分，前半部分Num就是numerical的缩写，表示它专注于数值处理；py则是Python的缩写。
Numpy最强大的地方在于它的多维数组对象（ndarray），不仅可以存储和处理大规模的数据，而且在进行数学运算时具有很高的性能。
使用Numpy进行数值计算，绝对能改变你对Python运行性能差的固有印象。
这是因为Numpy并没有直接使用Python语言原生的列表 ，元组 等数据结构来实现它的多维数组。
而是借鉴了C/C++的方式，不仅让数组中的元素类型保持一致，存储上也是放在连续的内存块中，所以计算时的性能有飞跃提升。
除了在底层上提供了一个高效的数据结构（ndarray），还基于次结构提供了一系列数学函数，可以像操作单个数值一样进行各类数学运算，也包括复杂的矩阵计算。
总之，Numpy侧重于为我们提供一套高效的计算工具箱，只要把我们需要计算的数据映射到Numpy的ndarry数组，就可以高效的完成各种数学计算。
但是，Numpy本身并不与某个具体的科学领域先关联。
2. Scipy的侧重点
相比于Numpy，SciPy更加注重科学和工程领域的应用。
从这个库的名称SciPy也可以看出，前半部分Sci就是scientific的缩写，表示它是用于科学领域的；py则是Python的缩写。
SciPy是基于Numpy的，它利用了NumPy中高效的多维数组结构（即ndarray）和基于此结构的各种计算函数。
只不过，SciPy是按照不同的科学和工程领域，封装了不同的数学函数和算法，比如系列文章中介绍的求解线性方程组、最优化问题、信号处理等12个不同的子模块。
用个可能不太恰当的比喻来说的话，比如Numpy是塑料 ，
如果我们把塑料做成一次性的杯子和碗的话，那就可用于餐饮行业 ；
如果我们把塑料做成风扇和空调外壳的话，那就可用于家电行业 ；
如果我们把塑料做成儿童玩具的话，那就可用于儿童消费品行业 ；
。。。。。。
将塑料 （Numpy）封装成各个行业直接可用的部件 ，就是Scipy的主要功能。
Scipy针对不同的领域封装了不同的子模块，每个子模块中有对应领域最常用的函数。
3. 两者的选择
对于NumPy和SciPy，两者是相互依赖的，我们并不需要做出究竟选择哪一个更好的决定。
其实在大部分实际情况下，都是结合使用这两个库的。
一般都是先用Numpy来处理数据，数据处理好之后，再用Scipy中针对各个科学领域封装好的函数直接运算出结果。
例如，在数据分析 时，先利用NumPy提供的高效数据处理和数学计算功能处理数据，再用SciPy提供的更高级的科学计算工具来进行分析。
在机器学习 时，先利用NumPy提供矩阵运算和线性代数功能处理数据，再用SciPy提供的更高级的优化算法和信号处理功能进行模型训练和调优。
总的来说，NumPy和SciPy都是Python中重要的科学计算库，它们各自侧重的领域有所不同。
NumPy专注于提供高性能的数组操作和数学函数（底层 ），
而SciPy则更加注重科学和工程领域的应用（上层）。
在实际使用中，这两个库通常需要一起使用，以便充分利用它们各自的强大功能。