SciPy 讲义：免费开源的 Python 科学计算教程
想用 Python 做科研绘图、信号处理、统计拟合，却苦于官方文档太散？SciPy Lecture Notes 把 NumPy、SciPy、Matplotlib、scikit-learn 串成一条循序渐进的免费路线。整站免费、无需注册，英文撰写但代码即注释，跟着敲就能跑。它是数据科学入门最常被推荐的开源教程之一，适合当案头参考书。
它解决什么问题
官方文档按函数散落，新手不知道先学哪个、怎么串起来。
想做科研画图与拟合，却缺一条从数组到可视化的连贯路径。
线下没有系统课程，只能靠零散博客拼凑知识点。
核心能力
| 能力 | 具体能做到什么 |
|---|---|
| 覆盖完整 | 从 NumPy 数组一路讲到 scikit-learn 机器学习入门 |
| 代码即示例 | 每段都带可运行代码，复制就能出图出结果 |
| 可下 PDF | 整本教程能下载离线看，通勤路上也能学 |
| 偏实用 | 聚焦科研常用操作，不堆数学证明，重上手 |
| 持续更新 | 跟着 SciPy 生态版本走，示例长期维护 |
| 中英互补 | 英文为主，社区有中文翻译笔记可作辅助 |
它把“会用的函数”和“该懂的原理”压成了同一本薄讲义
SciPy Lecture Notes 的定位不是参考手册，而是一门口授式的短课。它假设读者已经会一点 Python，然后直接把科学计算里最高频的操作——数组广播、线性代数、插值、优化、统计——用最短的代码示范讲清楚。这种“先让你跑起来，再回头补概念”的写法，比从头推公式友好得多，也更适合自学者建立整体地图。
要注意它毕竟是英文材料，术语密集处需要一点点耐心；遇到卡点可以配合 NumPy 官方文档交叉查。另外它偏重演示而非工程化，真正做大型项目还要补 pandas 与更系统的机器学习课。离线使用方面，官网提供完整 PDF，下载后无网络也能通读，但里面的交互式 notebook 需要本地装好 SciPy 栈才能跑。
同类工具怎么选
| 工具 | 授权 | 差别在哪 |
|---|---|---|
| NumPy 官方文档 | 开源免费 | 函数最全最权威，但偏参考，缺少循序渐进的路线。 |
| Python Data Science Handbook | 开源免费 | 同样开源，侧重 pandas 与可视化，可作为进阶补充。 |
| 官方 SciPy 文档 | 开源免费 | 查具体函数时的终点站，适合当字典而非教材。 |
谁适合用
- 需要补 Python 科学计算基础的研究生与科研助理
- 想把实验数据画图、拟合、做统计的老师与工程师
- 转行数据科学、缺一条系统入门路线的自学者
怎么开始
- 打开 scipy-lectures.org，从第一章 NumPy 开始顺序读。
- 每段代码复制到本地 Jupyter，逐行改参数看效果。
- 把常用片段（如插值、拟合）存成自己的速查笔记。
- 读完后顺手翻 scikit-learn 章节，接上机器学习入门。
- 下载整本 PDF 存到平板，无网环境也能复习。
常见问题
要钱吗？
不要。整本教程开源免费，在线读和下载 PDF 都不收费，也没有账号墙。
要注册吗？
完全不需要。打开网页直接看，下载也不强制登录。
有中文吗？
正文是英文，但代码自解释；网上有社区整理的中文导读可作辅助，不影响学习。
和官方文档比有什么不同？
官方文档是函数字典，它是串起来的教程；建议两者配合，先用讲义建立框架再查细节。
授权与合规
SciPy Lecture Notes 以 CC-BY 授权发布，源码在 GitHub，整本教程可免费在线读也可下载 PDF。 官网：scipy-lectures.org。
继续找同类资源
这条属于「学习资料」栏目，同栏目还有更多可直接使用的免费资源，可以在 学习资料全部资源 里按需翻阅。
相关资源
同栏目下这几条也常被一起翻到：
↓ 获取资源
点击按钮直接前往资源页面。
