Scipy扩展包括多种多样的工具箱，这些工具致力于解决科学计算中的常见问题。不同的子模块对应不同的应用，比如插值， 整合， 优化， 图像处理， 统计， 特殊功能等等。

scipy可以和其他的标准科学计算包相提并论，比如GSL（C 和 C++编写的GNU科学库）， 或者 Matlab 的工具箱。 scipy是Python科学计算中的核心扩展；它能够在numpy列表上有效的运作，以便numpy 和 scipy 能够互相协同。

在执行一个历程之前，值得核对期望的数据处理工作是否已经在Scipy中执行。作为非专业的开发人员， 科研人员往往倾向于重复造*，这使得写出的代码冗余，不佳， 难以共享和不利于维护。相反， Scipy中的代码是经过优化和测试过的，而且可能的情况是是最值得使用的。

---

scipy 包括以下特殊任务的子模块：

scipy.cluster	Vector quantization / Kmeans
scipy.constants	Physical and mathematical constants
scipy.fftpack	Fourier transform
scipy.integrate	Integration routines
scipy.interpolate	Interpolation
scipy.io	Data input and output
scipy.linalg	Linear algebra routines
scipy.ndimage	n-dimensional image package
scipy.odr	Orthogonal distance regression
scipy.optimize	Optimization
scipy.signal	Signal processing
scipy.sparse	Sparse matrices
scipy.spatial	Spatial data structures and algorithms
scipy.special	Any special mathematical functions
scipy.stats	Statistics

所有上面的子模块均依赖于 numpy，但是模块之间应该保持相互尽可能的独立。导入 Numpy 和这些 Scipy 模块的标准方式如下：

>>> import numpy as np

>>> from scipy import stats  # same for other sub-modules

scipy主空间很有可能包含了一些 numpy 函数（试试 scipy.cos 即 np.cos）。 这些暴露仅仅是历史的原因；通常没有理由在你的代码中使用import scipy。