diff --git a/README.md b/README.md
new file mode 100644
index 0000000..39de650
--- /dev/null
+++ b/README.md
@@ -0,0 +1,204 @@
+<!-- WEHUB_ZH_README -->
+> [!NOTE]
+> 本文档由 WeHub 基于上游 README 翻译整理，属于社区翻译，非官方中文文档。  
+> [English](./README.en.md) · [原始项目](https://github.com/pydata/numexpr) · [上游 README](https://github.com/pydata/numexpr/blob/HEAD/README.rst)  
+> 原作者、版权与许可证归属以原始项目及本仓库 LICENSE 文件为准。
+
+======================================================
+NumExpr：面向 NumPy 的快速数值表达式求值器
+======================================================
+
+:Author: David M. Cooke、Francesc Alted 等。
+:Maintainer: Francesc Alted
+:Contact: faltet@gmail.com
+:URL: https://github.com/pydata/numexpr
+:Documentation: http://numexpr.readthedocs.io/en/latest/
+:GitHub Actions: |actions|
+:PyPi: |version|
+:DOI: |doi|
+:readthedocs: |docs|
+
+.. |actions| image:: https://github.com/pydata/numexpr/workflows/Build/badge.svg
+        :target: https://github.com/pydata/numexpr/actions
+.. |travis| image:: https://travis-ci.org/pydata/numexpr.png?branch=master
+        :target: https://travis-ci.org/pydata/numexpr
+.. |docs| image:: https://readthedocs.org/projects/numexpr/badge/?version=latest
+        :target: http://numexpr.readthedocs.io/en/latest
+.. |doi| image:: https://zenodo.org/badge/doi/10.5281/zenodo.2483274.svg
+        :target:  https://doi.org/10.5281/zenodo.2483274
+.. |version| image:: https://img.shields.io/pypi/v/numexpr
+        :target: https://pypi.python.org/pypi/numexpr
+
+
+什么是 NumExpr？
+----------------
+
+NumExpr 是面向 NumPy 的快速数值表达式求值器。借助它，
+作用于数组的表达式（例如 :code:`'3*a+4*b'`）会获得加速，
+并且比用 Python 做相同计算占用更少内存。
+
+此外，其多线程能力可以利用你的所有
+CPU 核心——与 NumPy 相比，通常能带来显著的性能扩展。
+
+最后同样重要的是，numexpr 可以利用 Intel 的 VML（Vector Math
+Library，向量数学库，通常集成在其 Math Kernel Library（MKL）中）。
+这可以进一步加速超越函数（transcendental）表达式的计算。
+
+
+NumExpr 如何实现高性能
+-------------------------------------
+
+NumExpr 比 NumPy 性能更好的主要原因
+是它避免为中间结果分配内存。这
+会带来更好的缓存利用率，并总体上减少内存访问。
+正因如此，NumExpr 最适合处理大型数组。
+
+NumExpr 将表达式解析为自身的操作码（op-codes），然后由
+集成的计算虚拟机使用。数组操作数被拆分为
+易于放入 CPU 缓存的小块（chunk），并传递给
+虚拟机。虚拟机随后对每个块
+应用相应运算。值得注意的是，表达式中的所有临时变量和
+常量也会被分块。这些块会分配到
+CPU 的可用核心上，从而实现高度并行的代码
+执行。
+
+其结果是，NumExpr 可以在按数组进行的计算中充分发挥机器的
+计算能力。相对于 NumPy，常见的加速比通常介于 0.95 倍（对于非常简单的表达式，如
+:code:`'a + 1'`）和 4 倍（对于相对复杂的表达式，如 :code:`'a*b-4.1*a > 2.5*b'`）之间，
+尽管对于某些函数和复杂
+数学运算，可以实现更高的加速（某些情况下可达 15 倍）。
+
+NumExpr 在矩阵过大、无法放入 L1 CPU 缓存时表现最佳。
+若要更好地了解在你的平台上可以实现的不同加速效果，
+请运行提供的基准测试。
+
+安装
+------------
+
+通过 wheel 安装
+^^^^^^^^^^^
+
+NumExpr 可通过 `pip` 在多种平台和
+Python 版本上安装（可在以下地址浏览：https://pypi.org/project/numexpr/#files).
+安装命令如下::
+
+    pip install numexpr
+
+如果你使用的是 Anaconda 或 Miniconda 发行版的 Python，你可能更愿意
+在这种情况下使用 `conda` 包管理器::
+
+    conda install numexpr
+
+从源码安装
+^^^^^^^^^^^
+
+在大多数 \*nix 系统上，编译器通常已经就绪。不过，如果你
+使用的是虚拟环境，且其中的 Python 版本明显新于
+系统 Python，系统可能会提示你安装新版本的 `gcc` 或 `clang`。
+
+在 Windows 上，你需要先安装 Microsoft Visual C++ Build Tools
+（该工具免费）。具体版本取决于你安装的 Python 版本：
+
+https://wiki.python.org/moin/WindowsCompilers
+
+对于 Python 3.6+，通常只需安装最新版本的 MSVC build tools 即可。
+请注意，通过 pip 获取的 wheel 不包含 MKL 支持。通过 `conda` 提供的 wheel
+在 NumPy 使用 MKL 后端时会包含 MKL。
+
+有关所需的 NumPy 版本，请参阅 `requirements.txt`。
+
+NumExpr 按标准 Python 方式构建::
+
+  pip install [-e] .
+
+你可以这样测试 `numexpr`::
+
+  python -c "import numexpr; numexpr.test()"
+
+不要在源码目录中测试 NumExpr，否则会产生导入错误。
+
+启用 Intel® MKL 支持
+^^^^^^^^^^^^^^^^^^^^^^^^^
+
+NumExpr 包含对 Intel MKL 库的支持。在 Intel 架构上，这可能带来更好的
+性能，尤其是在求值超越函数（三角函数、指数函数等）时。
+
+如果你已安装 Intel MKL，请将发行版附带的 `site.cfg.example` 复制到
+`site.cfg`，并编辑后者文件，以提供系统中
+MKL 库的正确路径。完成上述步骤后，即可按照
+上文列出的常规构建说明继续操作。
+
+请注意构建过程中的提示信息，以确认
+是否已检测到 MKL。最后，你可以通过运行 `bench/vml_timing.py` 脚本检查本机上的加速效果（你可以在
+脚本中调整 `set_vml_accuracy_mode()` 和 `set_vml_num_threads()`
+函数的参数，以观察其对性能的影响）。
+
+用法
+-----
+
+::
+
+  >>> import numpy as np
+  >>> import numexpr as ne
+
+  >>> a = np.arange(1e6)   # Choose large arrays for better speedups
+  >>> b = np.arange(1e6)
+
+  >>> ne.evaluate("a + 1")   # a simple expression
+  array([  1.00000000e+00,   2.00000000e+00,   3.00000000e+00, ...,
+           9.99998000e+05,   9.99999000e+05,   1.00000000e+06])
+
+  >>> ne.evaluate("a * b - 4.1 * a > 2.5 * b")   # a more complex one
+  array([False, False, False, ...,  True,  True,  True], dtype=bool)
+
+  >>> ne.evaluate("sin(a) + arcsinh(a/b)")   # you can also use functions
+  array([        NaN,  1.72284457,  1.79067101, ...,  1.09567006,
+          0.17523598, -0.09597844])
+
+  >>> s = np.array([b'abba', b'abbb', b'abbcdef'])
+  >>> ne.evaluate("b'abba' == s")   # string arrays are supported too
+  array([ True, False, False], dtype=bool)
+
+
+自由线程（free-threading）支持
+----------------------
+从 CPython 3.13 起，出现了新的发行版，可完全禁用
+全局解释器锁（Global Interpreter Lock，GIL），从而在单个解释器下的多线程场景中提升性能收益，
+而无需转而使用
+多进程（multiprocessing）。
+
+尽管已证明 numexpr 可在自由线程
+CPython 下运行，但在使用 numexpr 原生并行
+实现与直接使用 Python 线程之间需要权衡，以避免过度订阅（oversubscription）。
+我们建议要么使用主 CPython 解释器线程，通过并行 numexpr API 启动多个 C 线程，
+要么启动多个不使用
+并行 API 的 CPython 线程。
+
+有关自由线程 CPython 的更多信息，我们建议访问以下
+`community Wiki <https://py-free-threading.github.io/>`
+
+
+文档
+-------------
+
+请参阅 `numexpr.readthedocs.io <https://numexpr.readthedocs.io>`_ 上的官方文档。
+其中包含用户指南、基准测试结果和参考 API。
+
+
+作者
+-------
+
+请参阅 `AUTHORS.txt <https://github.com/pydata/numexpr/blob/master/AUTHORS.txt>`_。
+
+
+许可证
+-------
+
+NumExpr 在 `MIT <http://www.opensource.org/licenses/mit-license.php>`_ 许可证下发布。
+
+
+.. Local Variables:
+.. mode: text
+.. coding: utf-8
+.. fill-column: 70
+.. End: