NumPy

该项目：
– 核心优势：
– 强大的N维数组：快速且多功能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。
– 数值计算工具：NumPy提供全面的数学函数、随机数生成器、线性代数例程、傅里叶变换等。
– 开源：NumPy在宽松的BSD许可下分发由一个充满活力、响应迅速且多元化的社区在GitHub上公开开发和维护。
– 可互操作：NumPy支持广泛的硬件和计算平台并且与分布式、GPU和稀疏数组库配合良好。
– 高性能：NumPy的核心是经过良好优化的C代码。享受Python的灵活性和编译代码的速度。
– 易于使用：NumPy的高级语法使其对任何背景或经验水平的程序员都可访问且富有成效。
– 应用场景：
– 科学领域：几乎每个使用Python工作的科学家都利用了NumPy的强大功能。
– 量子计算：QuTiP、PyQuil、Qiskit、PennyLane。
– 统计计算：Pandas、statsmodels、Xarray、Seaborn。
– 信号处理：SciPy、PyWavelets、python-control、HyperSpy。
– 图像处理：Scikit-image、OpenCV、Mahotas。
– 图形和网络：NetworkX、graph-tool、igraph、PyGSP。
– 天文学：AstroPy、SunPy、SpacePy。
– 认知心理学：PsychoPy。
– 生物信息学：BioPython、Scikit-Bio、PyEnsembl、ETE。
– 贝叶斯推断：PyStan、PyMC3、ArviZ、emcee。
– 数学分析：SciPy、SymPy、cvxpy、FEniCS。
– 化学：Cantera、MDAnalysis、RDKit、PyBaMM。
– 地球科学：Pangeo、Simpeg、ObsPy、Fatiando a Terra。
– 地理处理：Shapely、GeoPandas、Folium。
– 建筑与工程：COMPAS、City Energy Analyst、Sverchok。
– 相关项目：
– Dask：分布式数组和用于分析的高级并行性实现大规模性能。
– CuPy：与NumPy兼容的数组库用于使用Python进行GPU加速计算。
– JAX：NumPy程序的可组合变换：微分、向量化、即时编译到GPU/TPU。
– Xarray：用于高级分析和可视化的标记、索引多维数组。
– Sparse：与Dask和SciPy的稀疏线性代数集成的与NumPy兼容的稀疏数组库。
– PyTorch：深度学习框架加速从研究原型到生产部署的路径。
– TensorFlow：端到端机器学习平台可轻松构建和部署ML驱动的应用程序。
– MXNet：深度学习框架适用于灵活的研究原型设计和生产。
– Arrow：跨语言开发平台用于列式内存数据和分析。
– xtensor：具有广播和惰性计算功能的多维数组用于数值分析。
– Awkward Array：用类似NumPy的习语操作类似JSON的数据。
– uarray：Python后端系统将API与实现解耦；unumpy提供了NumPy API。
– tensorly：张量学习、代数和后端可无缝使用NumPy、MXNet、PyTorch、TensorFlow或CuPy。