QPython 科学计算库——Numpy、Scipy、Matplotlib 等预装与安装
QPython 为什么要预装科学计算库
4.0 版本起，QPython 的定位从「Python 解释器 + 编辑器」扩展到了「移动端 AI 开发平台」。这个定位升级的关键一步就是预装科学计算库——AI、数据分析、机器学习都依赖这些库作为基础。
QPYPI 推荐列表里科学计算类包的优先级最高，部分核心库甚至在 QPython 安装时就一起预装了。
核心库概览
NumPy —— 数组计算基石
NumPy 是 Python 科学计算的基石，提供高性能的多维数组对象和丰富的数学运算函数。几乎所有数据处理和 AI 库都依赖 NumPy。
- 用途：数值计算、矩阵运算、数据处理基础
- QPython 适配：4.0 版本起预装或一键安装
- 移动端限制：手机 CPU 和内存有限，大规模矩阵运算（如百万级元素）速度明显慢于 PC，但日常数据处理完全够用
import numpy as np
data = np.random.randn(1000)
print(data.mean(), data.std())SciPy —— 科学计算工具箱
SciPy 在 NumPy 基础上提供了更高级的科学计算功能：优化、插值、信号处理、统计、图像处理等。
- 用途：信号处理、优化问题求解、统计检验、图像滤波
- QPython 适配：QPYPI 推荐，需要一键安装
- 依赖：NumPy（安装 SciPy 时会自动拉取）
Matplotlib —— 数据可视化
Matplotlib 是 Python 最流行的数据绑图库，可以生成折线图、柱状图、散点图、直方图等。
- 用途：数据分析结果可视化、函数图像绘制、简单报表生成
- QPython 适配：QPYPI 推荐
- 输出方式：可以保存为图片文件，在 QNotebook 里直接显示
import matplotlib.pyplot as plt
plt.plot([1, 2, 3, 4], [1, 4, 9, 16])
plt.savefig("result.png") # 保存图片Pandas —— 表格数据处理
Pandas 提供了 DataFrame 对象来处理表格数据（类似 Excel 表格），功能强大但依赖较重。
- 用途：CSV / Excel 文件读写、数据清洗、分组统计
- QPython 适配：QPYPI 推荐，可能预装
- 移动端建议：处理小型表格（几万行以内）没问题；大数据建议用 PC
Scikit-learn —— 机器学习工具集
Scikit-learn 提供了分类、回归、聚类、降维等常见机器学习算法的实现。
- 用途：机器学习原型开发、算法学习
- QPython 适配：QPYPI 推荐
- 移动端限制：训练模型可能较慢，适合小数据集和轻量模型
Pillow —— 图像处理
Pillow（PIL 的分支）是 Python 图像处理的标准库，可以读取、修改、保存各种格式的图片。
- 用途：图片格式转换、缩略图生成、简单滤镜
- QPython 适配：QPYPI 推荐，也常被其他库依赖
- 和 QSL4A 配合：QSL4A 的拍照 API 返回图片后，可以直接用 Pillow 处理
OpenPyXL —— Excel 读写
读写 .xlsx 格式 Excel 文件的库，在数据报告场景下很实用。
LXML —— HTML / XML 解析
高性能的 HTML 和 XML 解析器，在网页抓取（爬虫）场景下很有用。
预装 vs 需手动安装
| 库 | 预装 | QPYPI 推荐 | 移动端体验 |
|---|---|---|---|
| NumPy | 是（4.0+） | 是 | 良好 |
| Matplotlib | 是（4.0+） | 是 | 良好（保存图片） |
| Pillow | 是 | 是 | 良好 |
| SciPy | 部分预装 | 是 | 良好 |
| Pandas | 部分预装 | 是 | 中等 |
| Scikit-learn | 否 | 是 | 中等（训练慢） |
| OpenPyXL | 否 | 是 | 良好 |
| LXML | 否 | 是 | 良好 |
具体预装情况以实际安装的 QPython 版本为准。在 REPL 里用 import 测试最准确。
和本地 AI 开发的关系
本地 AI 开发（见 本地 AI 开发）和科学计算库关系紧密：
- Ollama 的 Python API 可能依赖 NumPy
- 用 LangChain 构建 AI 应用时，向量库（如 FAISS）需要 NumPy / SciPy
- 数据分析后用 AI 生成洞察，两边直接通过 NumPy / Pandas 数据结构传递
移动端实际使用建议
适合做的
- 数据处理学习（CSV 读写、清洗、统计）
- 简单可视化（函数图像、柱状图、折线图）
- 机器学习算法学习（小数据集、简单模型）
- 图片处理（Pillow 常规操作）
不太适合做的
- 大规模矩阵运算（超过 10000×10000）
- 复杂机器学习模型训练（如深度学习）
- 长时间运行的分析任务（耗电耗内存）
如果需要做计算密集型任务，建议在 PC 上完成，QPython 负责移动端的展示和交互部分。
小结
科学计算库是 QPython 4.0 之后的关键升级——从「只能跑脚本」到「能做数据和 AI」。NumPy、Matplotlib、Pillow 这几个核心库建议装齐，它们能让移动端 Python 的实际用途扩展一大截。大规模计算还是交给 PC，QPython 负责轻量原型和移动端交互。
接下来进入 QSL4A——QPython 区别于其他移动端 Python 方案的核心特色。