tqdm 是用于监视 Python 中长时间运行的循环的标准工具。它的开销可以忽略不计（每次迭代大约 60 纳秒）并且可以在任何地方工作：在控制台中、在 Jupyter 笔记本中，甚至在 GUI 中。

用于符号数学的 Python 库，完全用 Python 提供计算机代数系统 (CAS) 功能。

SunPy 建立在 Astropy 生态系统之上，但通过太阳物理学家所需的功能对其进行了扩展。其核心优势是用于 2D 成像数据的 Map 对象、用于光变曲线的 TimeSeries 以及用于跨多个存储库统一数据搜索的 Fido 接口。

Statsmodels 是 Python 和严格的 R 风格统计分析之间的桥梁。它允许用户使用公式（通过 patsy）估计模型，执行广泛的诊断测试，并生成作为学术出版标准的详细汇总表。

在科学研究中，模型的“原因”与其“内容”同样重要。本指南重点介绍揭示机器学习模型决策过程的工具，确保它们具有科学有效性，而不仅仅是过度拟合工件。

要超越简单的脚本，您必须掌握 Pipeline API。这使您可以将整个预处理和建模序列视为单个对象，确保您的训练逻辑与生产推理逻辑相同。

SimPy 允许您将现实世界的流程建模为 Python 生成器。 SimPy 中的组件（如客户、汽车或数据包）是相互交互且使用有限“资源”（如服务器、停车位或带宽）的“进程”。

Shapely 是 GeoPandas 和许多其他 GIS 工具背后的引擎。它专注于几何本身：计算交集、并集、距离以及检查空间关系（例如“这个点在这个多边形内部吗？”）。

Seaborn 通过美观、信息丰富的统计图帮助您探索和理解数据。它可以自动执行复杂的任务，例如计算置信区间、聚合数据和创建多面网格。

基于 NumPy 构建的高级科学计算库，提供优化、积分、插值等算法。

scikit-video 通过提供一致的基于 NumPy 的接口，简化了视频编解码器和容器的复杂世界。它允许计算运动矢量、视频质量评估 (VQA) 以及与科学 Python 堆栈的其余部分的无缝集成。

一个强大的经典机器学习库。它具有统一的 API：所有对象共享相同的拟合、转换和预测接口。

scikit-image 将图像视为 NumPy 数组。它提供了一整套用于过滤、特征检测和对象测量的算法，使其成为研究级图像分析的标准。

scikit-bio 提供严格的生物分析所需的数据结构和统计方法。它擅长计算 alpha/beta 多样性、执行排序 (PCoA) 和处理复杂的系统发育树。

Scanpy 处理高维生物数据，通过 PCA/UMAP 减少数据，以识别组织或微生物组中的稀有细胞群。

RDKit 是化学信息学的行业标准开源工具包。它提供了用于分子操作、描述符计算、指纹识别、子结构搜索和 3D 分子建模的综合工具。 RDKit 广泛用于制药公司的药物发现和虚拟筛选。

QuTiP 被设计为一个灵活高效的量子力学框架。它允许轻松创建量子对象，并提供强大的求解器来跟踪它们在封闭和开放环境中的演化。

从模拟器转向真实硬件需要思维方式的转变。您不再使用完美的“理想”量子位，而是使用遭受退相干、读出错误和串扰的超导电路。本指南介绍了如何从嘈杂的中尺度量子 (NISQ) 设备中获取最多的科学知识。

开源量子计算框架，用于在量子计算机和模拟器上构建、模拟和运行量子算法。

研究级 PyTorch 需要超越 nn.Sequential 。您需要控制梯度如何流动、如何初始化权重以及如何在多个 GPU 之间分配计算。本指南涵盖了框架的“内部结构”。