科学应用¶
背景¶
Python被经常使用在高性能科学应用中。它之所以在学术和科研项目中得到 如此广泛的应用是因为它容易编写而且执行效果很好。
由于科学计算对高性能的要求，Python中相关操作经常借用外部库，通常是 以更快的语言（如C，或者Fortran来进行矩阵操作）写的。其主要的库有 Numpy, SciPy 以及 Matplotlib。关于这些库的细节超出了本指南的范围。不过， 关于Python的科学计算生态的综合介绍可以在这里找到 Python Scientific Lecture Notes。
工具¶
IPython¶
IPython 是一个加强版Python解释器，它提供了科学工作者 感兴趣的特性。其中，inline mode 允许将图像绘制到终端中（基于Qt）。 进一步的，notebook 模式支持文学化编程（literate programming， 译者注：作者这里可能是指其富文本性不是那个编程范式）与可重现性（reproducible， 译者注：作者可能是指每段程序可以单独重新计算的特性），它产生了一个基于web的 python 笔记本。这个笔记本允许您保存一些代码块，伴随着它们的计算结果以及增强的 注释（HTML,LaTex,Markdown）。这个笔记本可以被共享并以各种文件格式导出。
库¶
NumPy¶
NumPy 是一个用C和Fortran写的底层库，它提供一些高层 数学函数。NumPy通过多维数组和操作这些数组的函数巧妙地解决了Python运行算法较慢的问题。 任何算法只要被写成数组中的函数，就可以运行得很快。
NumPy是SciPy项目中的一部分，它被发布为一个独立的库，这样对于只需基本功能的人来说， 就不用安装SciPy的其余部分。
NumPy兼容Python 2.4-2.7.2以及3.1+。
Numba¶
Numba 是一个针对NumPy的Python编译器（即时编译器,JIT） 它通过特殊的装饰器，将标注过的Python（以及NumPy）代码编译到LLVM（Low Level Virtual Machine，底层虚拟机）中。简单地说，Python使用一种机制，用LLVM将Python代码编译为 能够在运行时执行的本地代码。
SciPy¶
SciPy 是基于NumPy并提供了更多的数学函数的库。 SciPy使用NumPy数组作为基本数据结构，并提供完成各种常见科学编程任务的模块， 包括线性代数，积分（微积分），常微分方程求解以及信号过程。
Matplotlib¶
Matplotlib 是一个可以灵活绘图的库，它 能够创建2D、3D交互式图形，并能保存成具有稿件质量（manuscript-quality）的图表。 其API很像 MATLAB，这使得MATLAB用户 很容易转移到Python。在 matplotlib gallery 中可以找到很多例子以及实现它们的源代码（可以在此基础上再创造）。
Pandas¶
Pandas 是一个基于NumPy的数据处理库，它提供了 许多有用的函数能轻松地对数据进行访问、索引、合并以及归类。其主要数据结构（DataFrame） 与R统计学包十分相近；也就是，使用名称索引的异构数据（heterogeneous data）表、时间序列操作以及对数据的自动对准（auto-alignment）。
资源¶
安装这些科学计算Python包可能会有些麻烦，因为它们中很多是用Python的C扩展实现的， 这就意味着需要编译。这一节列举了各种科学计算Python发行版，它们提供了预编译编译 且易于安装的科学计算Python包。
Python扩展包的非官方Windows二进制文件（库）¶
很多人在Windows平台上做科学计算，然而众所周知的是，其中很多科学计算包在该平台上 难以构建和安装。不过， Christoph Gohlke 将一系列有用的Python包编译成了Windows的二进制文件，其数量还在不断增长。如果您在 Windows上工作，您也许想要看看。
Anaconda¶
Anaconda Python 发行版 包含所有常见的Python科学包，也包括与数据分析和大数据相关的包。Anaconda是免费的 也有一些收费的个人插件。学术研究者可以获取这些插件的免费许可。
