python和networkx的三个给力科学计算的基友：numpy、scipy和matplotlib。
numpy擅长数组处理，多维数组的产生与访问，还有庞大的函数库，包括：求和、平均值、方差、最值、排序、矩阵、矩阵类和线性代数模块等。其安装，在第一篇中有说。
matplotlib擅长画图，点和线多形态展示、坐标轴变换等。其安装在第一篇有说。
scipy很强大，常微分方程求解、信号处理、图像处理等。安装好python编译器后，到scipy官网上下载相应的软件包（http://sourceforge.net/projects/scipy/files/），由于本人安装的是python-2.6，下载相应版本，然后点击exe安装；安装完毕，在IDEL里面输入import scipy进行测试（ps：网上有说用easy_install去安装，结果没有成功，应该是Linux下可以，windows下不可以）
这三者基本次序是数据存在numpy中，低级处理用numpy，高级处理用scipy，数据显示用matplotlib。
2. numpy
numpy提供了两个基本的对象：narray和ufunc。
narray：存储单一数据类型的多维数组
ufunc：能够对数组进行处理的函数
2.1 narray对象
在narray对象中存储这多维度数组，有数组就有类型。基本的数据类型有：
numpy中的基本数据类型 类型类型说明boolTrue or Falseint所处平台的整型（一般为int32或int64）int8 字节型（-128-127）int1616位整型（-32768-32767）int3232位整型int64 unit8无符号整型（0-255）unit16无符号整型（0-65535）unit32 unit64 float64位标准floatfloat16半精度浮点数：1位标志位、5位指数位、10位小数位float32单精度浮点：1、8、23float64双精度：1,11,52complex标准的128位复数 当然，除了基本的数据类型，numpy还支持数据结构类型的数组。
（1）narray对象的创建：
import numpy as np>>> a=np.array([1,2,3,4])>>> b=np.array((6,7,8,9))>>> a.shape(4,)>>> a.shape=2,2>>> aarray([[1, 2], [3, 4]])>>> a.shape=1,-1>>> aarray([[1, 2, 3, 4]])>>> a=np.arange(0,1,0.1)#产生(0,1]的数组，数组每个元素直接的差为0.1>>> aarray([ 0. , 0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8, 0.9])>>> a=np.linspace(0,1,10)#linsapce(a,b,endpoint=True | False),True的时候产生[0,1]的等差数列，False的时候为[0,1)>>> aarray([ 0. , 0.11111111, 0.22222222, 0.33333333, 0.44444444, 0.55555556, 0.66666667, 0.77777778, 0.88888889, 1. ])>>> a=np.logspace(0,1,12,base=2,endpoint=false)Traceback (most recent call last): File "<pyshell#14>", line 1, in <module> a=np.logspace(0,1,12,base=2,endpoint=false)NameError: name 'false' is not defined#logsapce产生等比数列，logspace(a,b,c,base=10 | 2,endpoint=True | False),base指定了a和b的指数，代表了范围；c指定了等比数列的元素个数>>> a=np.logspace(0,1,12,base=2,endpoint=False)>>> aarray([ 1. , 1.05946309, 1.12246205, 1.18920712, 1.25992105, 1.33483985, 1.41421356, 1.49830708, 1.58740105, 1.68179283, 1.78179744, 1.88774863])>>> a=np.zeros(10)>>> aarray([ 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.])>>> a=np.ones(10)>>> aarray([ 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.]) （2）存取元素
数组访问的下标从0开始
特定元素的index访问。可以用index访问，例如对于数组a，可以有：a[5]
范围index访问。a[2:5]，下标从2到5（左闭右开的区间）
a[1:-1:2]，下表从1到尾部，2表示每隔一个元素获取一个元素
a[5:1:-2]，第三个参数即步长为负数，这里为-2，即逆序每隔一个元素获取一个元素
数据结构数组的建立与访问：（可以看到，数组内部就像字典，其访问根据索引）
>>> persontype=np.dtype({'names':['name','age','weight'],'formats':['S32','i','f']},align=True)>>> a=np.array([("Zhang",32,75.5),("wang",24,65.3)],dtype=persontype)>>> aarray([('Zhang', 32, 75.5), ('wang', 24, 65.300003051757812)], dtype=[('name', '|S32'), ('age', '<i4'), ('weight', '<f4')])>>> a[0]('Zhang', 32, 75.5)>>> a[0].nameTraceback (most recent call last): File "<pyshell#33>", line 1, in <module> a[0].nameAttributeError: 'numpy.void' object has no attribute 'name'>>> a[1]['name']'wang'>>>
2.2 ufunc运算
x=np.linspace(0,2*np.pi,10)>>> xarray([ 0. , 0.6981317 , 1.3962634 , 2.0943951 , 2.7925268 , 3.4906585 , 4.1887902 , 4.88692191, 5.58505361, 6.28318531])>>> y=np.sin(x)>>> yarray([ 0.00000000e+00, 6.42787610e-01, 9.84807753e-01, 8.66025404e-01, 3.42020143e-01, -3.42020143e-01, -8.66025404e-01, -9.84807753e-01, -6.42787610e-01, -2.44929360e-16])>>> np.sin(x,out=x) #在计算时，指定了输出out为x，所以x中的元素也改变了array([ 0.00000000e+00, 6.42787610e-01, 9.84807753e-01, 8.66025404e-01, 3.42020143e-01, -3.42020143e-01, -8.66025404e-01, -9.84807753e-01, -6.42787610e-01, -2.44929360e-16])>>> xarray([ 0.00000000e+00, 6.42787610e-01, 9.84807753e-01, 8.66025404e-01, 3.42020143e-01, -3.42020143e-01, -8.66025404e-01, -9.84807753e-01, -6.42787610e-01, -2.44929360e-16])>>> np.add(x,y)#add(x,y[,z])即可以指定将结果存入z中，如果没有z，则默认存入y中#出了add之外，数值运算还有数组减法substract(x,y[,z])，乘法multiply(x,y[,z])，元素取负negative(x[，y])，x**y-power(x,y[,z])，x%y-remainder(x,y[,z])#还有布尔运算，equal(x,y[,z])，不等not_equal(x,y[,z])，小于等于less_equal(x,y[,z]),大于greater，大于等于greater_equalarray([ 0.00000000e+00, 1.28557522e+00, 1.96961551e+00, 1.73205081e+00, 6.84040287e-01, -6.84040287e-01, -1.73205081e+00, -1.96961551e+00, -1.28557522e+00, -4.89858720e-16])>>>
此外，还有求和sum、最小min、最大max、乘积dot