Scipy扩展包括多种多样的工具箱，这些工具致力于解决科学计算中的常见问题。不同的子模块对应不同的应用，比如插值， 整合， 优化， 图像处理， 统计， 特殊功能等等。
scipy可以和其他的标准科学计算包相提并论，比如GSL（C 和 C++编写的GNU科学库）， 或者 Matlab 的工具箱。 scipy是Python科学计算中的核心扩展；它能够在numpy列表上有效的运作，以便numpy 和 scipy 能够互相协同。
在执行一个历程之前，值得核对期望的数据处理工作是否已经在Scipy中执行。作为非专业的开发人员， 科研人员往往倾向于重复造轮子，这使得写出的代码冗余，不佳， 难以共享和不利于维护。相反， Scipy中的代码是经过优化和测试过的，而且可能的情况是是最值得使用的。
scipy 包括以下特殊任务的子模块：
| scipy.cluster | Vector quantization / Kmeans |
|---|---|
| scipy.constants | Physical and mathematical constants |
| scipy.fftpack | Fourier transform |
| scipy.integrate | Integration routines |
| scipy.interpolate | Interpolation |
| scipy.io | Data input and output |
| scipy.linalg | Linear algebra routines |
| scipy.ndimage | n-dimensional image package |
| scipy.odr | Orthogonal distance regression |
| scipy.optimize | Optimization |
| scipy.signal | Signal processing |
| scipy.sparse | Sparse matrices |
| scipy.spatial | Spatial data structures and algorithms |
| scipy.special | Any special mathematical functions |
| scipy.stats | Statistics |
所有上面的子模块均依赖于 numpy，但是模块之间应该保持相互尽可能的独立。导入 Numpy 和这些 Scipy 模块的标准方式如下：
>>> import numpy as np
>>> from scipy import stats # same for other sub-modules
scipy主空间很有可能包含了一些 numpy 函数（试试 scipy.cos 即 np.cos）。 这些暴露仅仅是历史的原因；通常没有理由在你的代码中使用import scipy。