SciPy 路線圖#

此路線圖頁面僅包含 SciPy 未來發展最重要的想法和需求。如需更詳細的路線圖，包括每個子套件的狀態、更多想法、API 穩定性等，請參閱詳細 SciPy 路線圖。

支援分散式陣列和 GPU 陣列#

NumPy 已透過 __array_function__ 和 __array_ufunc__ 將其 API 與執行引擎分離。這將使 SciPy 的部分能夠接受分散式陣列（例如 dask.array.Array）和 GPU 陣列（例如 cupy.ndarray），這些陣列實作了 ndarray 介面。目前尚不清楚哪些演算法可以直接運作，以及在運作時是否有顯著的效能提升。我們希望建立一份 SciPy API 中哪些部分可運作的地圖，並隨著時間推移改善支援。

除了使用 NumPy 協定（如 __array_function__）外，我們也可以在 SciPy 中使用這些協定。這將使重新（實作）SciPy 函式成為可能，例如，scipy.signal 中的函式，適用於 Dask 或 GPU 陣列（請參閱NEP 18 - 在 NumPy 外部使用）。NumPy 在這些領域的功能仍在發展中，請參閱例如 NEP 37 - NumPy 類模組的調度協定，而 SciPy 是這些功能的重要「客戶」。

效能改進#

速度提升、降低記憶體使用量以及平行化演算法的能力，對大多數科學領域和使用案例都有益。我們已建立一個用於多進程處理的 API 設計模式 - 使用 workers 關鍵字 - 可以在更多函式中採用。

啟用加速器（如 Pythran，可能透過 Transonic）的使用，並讓使用者更容易在其依賴 SciPy 功能的程式碼中使用 Numba 的 @njit，將釋放大量的效能提升。儘管如此，這需要一個策略，所有解決方案都仍在成熟中（例如，請參閱此概述）。

最後，許多個別函式可以針對效能進行最佳化。scipy.optimize 和 scipy.interpolate 函式在這方面尤其常被要求。

統計增強功能#

以下 scipy.stats 增強功能以及詳細 SciPy 路線圖中列出的功能，對專案而言尤其重要。

徹底改革單變數分佈基礎架構，以解決長期存在的問題（例如，請參閱gh-15928。）
在 stats 函式中一致地處理 nan_policy、axis 引數和遮罩陣列（在適當的情況下）。

支援更多硬體平台#

SciPy 現在對 ARM64（或 aarch64）和 POWER8/9（或 ppc64le）具有持續整合，並且可透過 Miniforge 取得二進位檔案。現在也可能在 PyPI 上為這些平台提供 Wheels（採用 manylinux2014 標準），並且對這些平台的需求越來越頻繁。

此外，使用 TravisCI 在 CI 中加入 IBM Z（或 s390x）現在是可能的，但尚未完成 - 並且那時也可能為該平台提供 manylinux2014 wheels。最後，解決未解決的 AIX 建置問題將有助於使用者。

除了稀疏矩陣之外，還實作稀疏陣列#

稀疏矩陣格式在很大程度上已完成功能，但主要問題是它們的行為類似於 numpy.matrix（這在 NumPy 中會在某個時候被棄用）。我們想要的是行為類似於 numpy.ndarray 的稀疏陣列（請參閱 gh-18915 的討論）。在這個時候，稀疏陣列已在 scipy.sparse 中大致實作。某些功能仍在完成中。未來的計畫是

提供功能完整的稀疏陣列 API（包括 1D 陣列）。
- 將稀疏陣列 API 擴展到 1D 陣列
  
  COO、CSR 和 DOK 格式。
  
  CSR 1D 格式使用 2D CSR 程式碼來執行 1D 操作，例如索引/最小值-最大值/算術。
協助其他程式庫從稀疏矩陣轉換為稀疏陣列。建立轉換指南和有用的腳本，以標記需要變更的程式碼。
棄用然後移除「稀疏矩陣」，改用「稀疏陣列」。
與 NumPy 合作處理 numpy.matrix 的棄用/移除。