2026 年 6 月 21 日，NumPy 2.5.0 正式发布。NumPy 是 Python 生态中最基础的科学计算库：它提供 N 维数组与向量化计算能力，Pandas、SciPy、scikit-learn、PyTorch、TensorFlow 等主流数据与机器学习工具都构建在它之上，2019 年人类首张黑洞照片的成像处理同样使用了它。下面是版本动态、核心能力与生态地位的具体情况。

2.5.0 版本动态

NumPy 2.5.0 于 2026 年 6 月 21 日在官网公布。项目以 BSD 许可开源，在 GitHub（numpy/numpy）上公开开发，由活跃的社区维护。安装、文档、学习与社区入口都集中在官网 numpy.org，浏览器里也能直接运行交互式示例。

核心能力：数组计算的事实标准

NumPy 的核心是 N 维数组对象，配套提供数学函数、随机数生成器、线性代数例程与傅里叶变换工具。它的底层是经过优化的 C 代码，让 Python 获得接近 C 与 Fortran 的计算性能，同时保持 Python 的易用性。

向量化、索引、广播这三大概念，如今是数组计算的事实标准（de-facto standard）。初学数据计算的开发者从 NumPy 入手的另一个原因是简单：同样的数组操作，用 NumPy 写出来往往比用原生 Python 循环更短、更清晰。

建立在 NumPy 上的生态

几乎每个用 Python 做科学计算的科学家都在间接使用 NumPy。几个方向的代表库：

  • 数据处理与统计：Pandas、xarray、statsmodels、SciPy
  • 机器学习与深度学习：scikit-learn、PyTorch、TensorFlow
  • 可视化：Matplotlib、Seaborn、Plotly、Altair
  • GPU 与分布式计算：JAX、CuPy、Dask

这些库要么直接依赖 NumPy，要么提供与 NumPy 兼容的 API。典型的数据科学工作流里，从 Pandas 做数据清洗，到 Jupyter 里做探索分析，到 scikit-learn 建模、Dash 出报表，每一步都站在 NumPy 之上。机器学习方面，PyTorch 与 TensorFlow 的底层也建立在 NumPy 的数组计算思想上。

两个标志性案例

NumPy 的能力在两个广为传播的科学事件中得到验证：

  • 首张黑洞照片：事件视界望远镜（EHT）合作组在 2019 年发布人类首张黑洞照片，图像处理流程中使用了 NumPy 以及依赖它的 SciPy、Matplotlib。
  • 引力波探测：爱因斯坦在 1916 年预言引力波，约 100 年后（2016 年）LIGO 团队宣布首次直接探测到引力波，数据分析由 LIGO 科学家使用 NumPy 完成。

结论

NumPy 是 Python 科学计算绕不开的地基：2.5.0 版本已于 2026 年 6 月 21 日发布，项目以 BSD 许可在 GitHub 公开开发；从 N 维数组与向量化计算，到黑洞照片成像、引力波探测这类前沿科研，再到 Pandas、scikit-learn、PyTorch 组成的日常数据工作流，它支撑着整个 Python 数据科学生态。做数据分析、机器学习或科学计算的 Python 项目，NumPy 就是第一块需要了解的积木。