python的scipy库构建numpy数组，并提供许多用户友好和高效的数字实践，例如:数值集成和优化例程。 它们一起运行在所有流行的操作系统上，安装快速且免费。 numpy和scipy易于使用，它们强大到足以满足世界上一些顶尖的科学家和工程师的使用。
scipy被组织成覆盖不同科学计算领域的子包。 这些总结在下表中 -
| 包名 | 描述 |
|---|---|
| scipy.constants | 物理和数学常数 |
| scipy.fftpack | 傅里叶变换 |
| scipy.integrate | 集成例程 |
| scipy.interpolate | 插值 |
| scipy.io | 数据输入和输出 |
| scipy.linalg | 线性代数例程 |
| scipy.optimize | 优化 |
| scipy.signal | 信号处理 |
| scipy.sparse | 稀疏矩阵 |
| scipy.spatial | 空间数据结构和算法 |
| scipy.special | 任何特殊的数学函数 |
| scipy.stats | 统计 |
scipy使用的基本数据结构是由numpy模块提供的多维数组。 numpy为线性代数，傅立叶变换和随机数生成提供了一些功能，但与scipy中等效函数的一般性不同。
在接下来的章节中，我们将看到很多关于在数据科学工作中使用python的scipy库的例子。
