MNE 提供了复杂的工具来过滤大脑信号、时代数据和执行源定位（将信号映射回大脑解剖结构）。

用于读取、写入和分析分子动力学轨迹和结构文件的 Python 库。

除了静态绘图之外，Matplotlib 也是用于动态数据可视化和科学叙事的强大引擎。本指南重点介绍“Pro”功能：用于提高速度的位图传输、用于控制的 Artist 层次结构以及用于纸张的 LaTeX 集成。

使用最广泛的 2D（和基本 3D）绘图库。它可以完全控制图形的每个元素，从线条样式到轴脊。

在医学中，我们经常关心“事件发生时间”（死亡、康复、复发）。生命线处理“审查”数据（离开研究的患者）的复杂性。

JAX 非常适合物理学，因为它可以通过数值求解器进行微分。本指南介绍了如何实现“优化友好”的传统 PDE 求解器以及如何构建神经混合物理模型。

JAX 是一个框架，它将类似 NumPy 的 API 与强大的可组合函数转换系统相结合：Grad（微分）、Jit（编译）、Vmap（矢量化）和 Pmap（并行化）。

h5py 提供了 NumPy 和 HDF5 之间的无缝桥梁。它允许您将数据组织成组（如文件夹）和数据集（如 NumPy 数组），并将丰富的元数据（属性）附加到每个对象。

GeoPandas 使您能够使用熟悉的 Pandas API 执行空间连接、几何操作和坐标转换。它将“几何”视为 DataFrame 中的另一列，但它知道如何计算面积、距离和交集。

这是一个模板技能。替换成你实际的技能内容。

DuckDB 将专业 SQL 的强大功能引入 Python 数据科学堆栈。它针对“在线分析处理”(OLAP) 进行了优化，这意味着它擅长对大于内存的数据集进行大规模聚合、联接和复杂查询。

并行计算不是“免费的”。在分布式环境中，移动数据（网络 I/O）和调度任务的成本通常会超过计算时间。本指南重点关注最小化开销和最大化吞吐量。

Dask 提供了模仿 NumPy 和 pandas API 的高级集合（Arrays、DataFrames、Bags），但可以对大于内存的数据集进行并行操作。

将细胞的“新陈代谢”建模为线性优化问题。用于预测不同条件下的细菌生长或设计转基因菌株。

ChemPy 提供了处理化学实体和反应的系统方法。它可以自动平衡复杂的氧化还原反应，求解动力学常微分方程 (ODE) 系统，并计算平衡状态下的物质分布。

Astropy 不仅仅是一个图书馆；它是一个图书馆。这是一个社区标准。它通过将数值数组与物理单位和天体参考系联系起来，确保天文计算的可重复性和物理一致性。

ASE 围绕 Atoms 对象构建，该对象表示具有位置、原子序数和晶胞的原子集合。它提供了一个与各种“计算器”（计算能量和力的外部代码）交互的通用接口。

由于 Webhooks、管理 API 速率限制和 OAuth 握手，部署 Shopify 应用程序与标准网站不同。

GitHub Actions CI/CD 管道监控和质量门执行方面的专家。

暂无简介