仓颉 Scientific 科学计算库

简介

仓颉 Scientific 库为仓颉语言提供了一套完整的科学计算工具集，包含线性代数、统计分析、数据可视化等核心模块。该项目在设计上借鉴了 Python 生态中 NumPy、SciPy、Matplotlib 等成熟库的接口风格，同时充分发挥仓颉语言的类型系统特性，在编译期提供更强的类型安全保证。

核心特性

📊 功能模块

• 线性代数：提供向量、矩阵与张量操作，支持数组创建、变形、拼接、分解及各类矩阵运算，接口与 NumPy/SciPy 保持兼容。
• 统计分析：内置约 80 种连续与离散概率分布，涵盖常用统计函数、假设检验、相关性分析与回归模型。
• 数据可视化：基于 matplot++ 封装，支持线图、3D 图、直方图、曲面图等 55 种图形类型，提供与 Matplotlib 相似的绘图接口。

🛡️ 类型安全的数值计算

库中所有数值类型（如 Real、Float、Complex）和多维数组（如 Vector、Matrix）都基于仓颉的强类型系统实现。编译期会检查类型匹配与维度一致性，避免常见的运行时数组操作错误。

⚡ 优化的计算性能

底层计算通过 OpenBLAS 加速，在矩阵乘法、线性求解等密集运算中能达到与主流科学计算库相当的性能水平。

🔄 平滑的生态迁移

接口设计参考了 Python/MATLAB 科学计算栈的命名习惯和使用模式，让熟悉这些生态的开发者能够快速上手，同时获得静态类型语言在代码健壮性上的优势。

构建指南（Linux）

前提条件

• 仓颉版本至少1.0.0（从 https://cangjie-lang.cn/download/1.0.0 ）下载
• cmake 版本至少为 3.15，例如 sudo apt install cmake
• Fortran 编译器，例如 sudo apt install gfortran
• 如需查看图表，请确保安装 gnuplot，例如 sudo apt install gnuplot

构建步骤

• make all 编译所有 C 依赖项

• 将第三方库的 .so 路径添加到环境变量中

  export LD_LIBRARY_PATH={{path to scientific}}/src/thirdParty/solib:$LD_LIBRARY_PATH
  

• ./run.sh 安装 matplot++ 和 openBlas 依赖

• cjpm build 构建整个模块

如果编译成功，生成的可执行文件位于 ./target/release/bin/main。例如，要运行乘法基准测试，请使用：

./target/release/bin/main --test mult --size 1000 --seed 1

单元测试

运行单元测试时使用相同的构建步骤，但最后执行 cjpm test。

构建指南（Windows）

环境准备

请从 https://cangjie-lang.cn/download/1.0.0 下载并安装仓颉语言。

推荐使用 MSYS2（从 https://www.msys2.org/ 下载，假设安装至 C:\msys64 目录）。

安装完成后，更新软件包数据库并安装 MinGW-w64 工具链（在 MSYS2 MSYS 环境中执行以下命令）：

pacman -Syu  # 根据提示关闭终端后重新启动
pacman -S --needed base-devel mingw-w64-x86_64-toolchain  # 默认安装全部组件
pacman -S mingw-w64-x86_64-cmake
pacman -S mingw-w64-x86_64-gnuplot  # 用于图表可视化

将 C:\msys64\mingw64\bin 添加至 PATH 环境变量（重要：需设为 PATH 的首个条目，确保优先加载其库文件）。

将 {{path to scientific}}/src/thirdParty/solib 添加至 PATH 环境变量。

通过 MSYS2 直接安装 OpenBlas（在 MSYS MINGW64 环境中执行以下命令）：

pacman -S mingw-w64-x86_64-openblas

随后编译剩余依赖项（在 MSYS MINGW64 环境中执行以下命令）：

./run_win.sh
make all

最后执行 cjpm build 完成整体模块构建（此步骤可在 Windows cmd 中完成）。后续流程与 Linux 环境一致。

在代码中使用 scientific 库

在 cjpm.toml 文件中，在 [package] 下的 compile-option 添加以下内容：

-Woff unused -L{path_to_scientific}/src/thirdParty/solib/ -lcdf -lbesselj -lcjmat -lasa111 -lmt19937 -lutils -lopenblas -lpocketfft"

同时，在根级别添加以下二进制依赖：

[target.x86_64-unknown-linux-gnu]
  [target.x86_64-unknown-linux-gnu.bin-dependencies]
    path-option = ["{path_to_scientific}/target/release/scientific"]

例如，如果您的 scientific 库位于 /home 下，则示例 cjpm.toml 文件如下：

[package]
  cjc-version = "0.60.5"
  name = "test"
  description = "nothing here"
  version = "1.0.0"
  target-dir = ""
  src-dir = ""
  output-type = "executable"
  compile-option = "-Woff unused -L/home/scientific/src/thirdParty/solib/ -lcdf -lbesselj -lcjmat -lasa111 -lmt19937 -lutils -lopenblas -lpocketfft"
  override-compile-option = ""
  link-option = ""
  package-configuration = {}

[target.x86_64-unknown-linux-gnu]
  [target.x86_64-unknown-linux-gnu.bin-dependencies]
    path-option = ["/home/scientific/target/release/scientific"]

Windows 的案例如下 (假设 scientific 库位于 D:\):

[package]
  cjc-version = "1.0.0"
  name = "test"
  description = "nothing here"
  version = "1.0.0"
  target-dir = ""
  src-dir = ""
  output-type = "executable"
  compile-option = "-Woff unused -LD:\\scientific\\src\\thirdParty\\solib\\ -lcdf -lbesselj -lcjmat -lasa111 -lmt19937 -lutils -lopenblas -lpocketfft"
  override-compile-option = ""
  link-option = ""
  package-configuration = {}

[target.x86_64-w64-mingw32]
  [target.x86_64-w64-mingw32.bin-dependencies]
    path-option = ["D:\\scientific\\target\\release\\scientific"]

然后，您可以导入 scientific 下的相应包。以下是一个简单的测试程序：

package test

import scientific.linear.*

main(): Int64 {
    var a1: Vector<Float32> = empty(10)
    println(a1.dtype())
    println(a1.size())
    return 0
}

以下演示简单的绘图功能（确保已安装 gnuplot）：

package test

import std.math.*
import scientific.linear.*
import scientific.matplot.*

main(): Int64 {
    let x = linspace<Float64>(0.0, 2.0 * Float64.getPI())
    let y = x.apply({t => sin(t)})
    plot(x, y, line_spec:"-o")
    show()
    return 0
}

代码库结构概览

• docs - 基于 sphinx 的库文档
• src/numbers - 数值类型定义及其层次结构
• src/linear - 张量定义和线性代数函数，封装了 LAPACK 函数
• src/stats - 统计分析函数，包括随机数生成、概率分布抽样、统计摘要等
• src/special - 特殊函数计算，如贝塞尔函数
• src/matplot - 数据可视化，封装了 matplot++
• src/thridParty - 所有第三方依赖项

参与贡献

仓颉 Scientific 库采用开源开发模式，欢迎对科学计算、系统建模或高性能计算感兴趣的开发者加入项目。

---

欢迎 Star ⭐ 关注项目，期待你的贡献与反馈！