Scipy 基於 NumPy，就過去的 Scipy 版本來說，以 numpy 為名稱空間的函式，都可以透過 scipy 名稱空間來取得，例如，numpy.arange，可以透過 scipy.arange。
不過，從 Scipy 1.4 開始，透過 scipy 來公開 numpy 的函式的作法被廢棄了，例如，撰寫這篇文件，使用的 Scipy 版本是 1.6，如果你試圖這麼使用：
>>> import scipy
>>> scipy.arange(0, 10)
<stdin>:1: DeprecationWarning: scipy.arange is deprecated and will be removed in SciPy 2.0.0, use numpy.arange instead
array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
>>>
可以看到出現了 DeprecationWarning，其中也說明了，SciPy 2.0.0 以後就會將之移除，也就是說，若 NumPy 本來就有的函式，就直接透過 numpy 來取得。
不過，從 Scipy 曾打算透過 scipy 來公開 numpy 上的函式可以得知，Scipy 本來是打算封裝 NumPy，除了 NumPy 既有的功能之外，還提供了許多科學運算的實作。
例如，NumPy 的 Constants 提供的是基本的數學常數，然而 Scipy 的 Constants 提供更多物理、化學等會用到的常數。
類似地，numpy.linalg 提供基本的線性代數實作，而 scipy.linalg 提供更多與線代相關的科學運算。
Scipy 提供的模組可以在〈SciPy Tutorial〉略知一二，然而，畢竟科學有著各式各樣的領域，各式各樣的數學與公式，全面地認識 Scipy 各個模組的意義不大。
最好的方式是，先對 NumPy 有一定的認識與使用，在需要基於 NumPy 實作其本身沒有提供的功能或運算時，試著搜尋 Scipy 是否已經有相關或類似的實作。
例如，這一系列的文件，談到了如何處理影像、訊號，也談到了一些空間幾何處理，有些是透過 OpenCV 的功能，有些是透過 Matplotlib 來實現；現在若假設你只懂 NumPy，下一步想試著用 Scipy 來實現，那麼可以試著看看 scipy.ndimage、scipy.signal、scipy.spatial，有沒有相關的功能。
先前也談過傅立葉轉換，NumPy 雖然有提供實作，不過 Scipy 提供更多的功能，在過去是由 scipy.fftpack 模組提供，不過 1.4 版以後被廢棄，改由 scipy.fft 模組提供，這些都是基於這系列文件下，在接觸 Scipy 時，可以用來認識其中各模組功能的方向。
附帶一提的是，過去版本中，scipy.misc 或 scipy.ndimage 有 imread 函式，可以用來讀取函式，現在已經被移除了，Scipy 官方文件是建議使用 imageio。
既然談到了 scipy.misc，這模組就只剩幾個函式，其中有個 face 函式，是隻公有領域（public domain）的彩色狸臉照片，尺寸為 1024 * 768，可以透過 gray 參數設為 True 轉為灰階；這系列在處理影像時，都使用我的吉祥物，如果你寫範例時懶得找圖片，也可以用這隻狸的照片：
from scipy import misc
import matplotlib.pyplot as plt
face = misc.face()
plt.gray()
plt.imshow(face)
plt.show()
