为什么python有这么多相似但细微不同的功能来完成某些基本的计算任务？

对不起，我太天真了，但我不太明白为什么python有这么多相似但可能细微不同的功能来完成许多基本任务

例如，python中的

scipy.linspace/numpy.linspace/slice

之间有什么区别？ 假设我想为scipy.optimize.brute使用一个切片：

scipy.optimize.brute(lambda x:-x, (slice(-100,100,3),)) 

但是将

slice（-100100,3）

替换为

numpy.linspace（-100100,3）

或

scipy.linspace

（-100100,3）是行不通的

---

作为另一个例子，我不明白为什么我们有三种不同的类型

math.sin

，

scipy.sin

和

numpy.sin

等等。python设计人员提供如此多的替代方案肯定是有原因的。有什么澄清吗

关于您的具体示例，需要说明的一点是，NumPy和SciPy支持向量化（您可以将序列传递给

NumPy.sin（）

，并创建一个值序列，

sin（x）

。使用

math.sin（）

无法做到这一点

关于SciPy/NumPy的另一点是：

>>> import scipy as sp
>>> np.sin is sp.sin
True

它们是相同的方法！NumPy/SciPy还提供对其自己名称空间中的一些

math

module方法的访问：

>>> import math
>>> np.math.factorial is sp.math.factorial is math.factorial
True

---

但至于为什么没有一种通用的方法来做这些事情，我认为这正是开源软件库的集市性质：这些软件包已经成为最受欢迎和最广泛使用的软件包；没有任何自上而下的、大教堂式的计划ges输入到

暴力

：

scipy.optimize.brute(lambda x:-x, (slice(-100,100,3),)) 

根据其文件：

范围：元组 范围元组的每个组件必须是一个“切片对象”或一个形式（低、高）的范围元组。程序使用这些组件创建点网格，目标函数将在其上计算

numpy.linspace（-100100,3）

（

scipy.linspace（-100100,3）

是同一件事）。它既不是切片也不是范围元组。它或多或少是切片的扩展。但是

brute

选择对切片执行自己的操作。特别是经过某种调整后，它将其传递给

mgrid

这里没有什么神奇之处。这只是编写了

scipy.optimize

的人选择如何处理其输入

---

python

slice

是一个简单的对象，它具有

start

、

stop

、

step

属性，几乎没有其他属性。像

start:stop:step

这样的索引符号会被转换成片。但是像

这样的对象有责任列出
和
ndarray
使用这三个值。虽然
np.arange
的输入是切片式的，但
linspace
的输入不是。第三个数字是步数，而不是步长。
linspace
对端点的处理更加精细。在某些情况下，结果类似，而在其他情况下，细节很重要。
Python不“随附”numpy和scipy。如果你问为什么两个不同的第三方库有一些相似的函数，你必须问库的作者。@BrenBarn好的观点。我的意思是一般的python据我所知，在scipy和numpy中具有相同名称的大多数东西实际上都是由numpy提供的。scipy位于numpy之上，而为了方便起见，有些numpy名称空间是向scipy公开的。任何人都可以编写自己想要的库。正如Christian所说，numpy和scipy中提供的许多东西实际上是一样的。
scipy.optimize.brute(lambda x:-x, (slice(-100,100,3),))