SciPy делает больше:
Кроме того, SciPy экспортирует некоторые функции NumPy через собственный интерфейс, например, если вы выполните scipy.fftpack.helper.fftfreq и numpy.fft.helper.fftfreq на самом деле вы используете тот же код.
Тем не менее, SciPy имеет свои собственные реализации с большим количеством функций. Источник имеет тесты производительности, которые сравнивают оригинальную версию NumPy и новую версию SciPy. Мой архаичный ноутбук показывает что-то вроде этого:
Fast Fourier Transform
=================================================
| real input | complex input
-------------------------------------------------
size | scipy | numpy | scipy | numpy
-------------------------------------------------
100 | 0.07 | 0.06 | 0.06 | 0.07 (secs for 7000 calls)
1000 | 0.06 | 0.09 | 0.09 | 0.09 (secs for 2000 calls)
256 | 0.11 | 0.11 | 0.12 | 0.11 (secs for 10000 calls)
512 | 0.16 | 0.21 | 0.20 | 0.21 (secs for 10000 calls)
1024 | 0.03 | 0.04 | 0.04 | 0.04 (secs for 1000 calls)
2048 | 0.05 | 0.09 | 0.08 | 0.08 (secs for 1000 calls)
4096 | 0.05 | 0.08 | 0.07 | 0.09 (secs for 500 calls)
8192 | 0.10 | 0.20 | 0.19 | 0.21 (secs for 500 calls)
Кажется, что SciPy работает значительно быстрее при увеличении размера массива, хотя это всего лишь надуманные примеры, и стоило бы поэкспериментировать с обоими для вашего конкретного проекта.
Стоит проверить исходный код http://www.scipy.org/Download#head-312ad78cdf85a9ca6fa17a266752069d23f785d1. Да, эти .f файлы действительно являются Fortran! : -D