Mejor que conocer todas las funciones existentes en Numpy y en Scipy sería más importante e interesante encontrar de forma rápida a través de la documentación y de la ayuda disponible. Aquí encontrarás algunas formas de encontrar información:
En Ipython, help function abre el docstring de la función. Solo has de teclear el principio del nombre de la función y después pulsar tab para que se muestre en pantalla las posibles funciones que estamos buscando.
In [204]: help np.v
np.vander np.vdot np.version np.void0 np.vstack
np.var np.vectorize np.void np.vsplit
In [204]: help np.vander
En Ipython no es posible abrir una ventana aparte para mostrar la ayuda y la documentación; sin embargo siempre podríamos abrir una segunda consola Ipython para mostrar únicamente la ayuda y docstrings...
Se puede navegar online en las documentaciones de Numpy y de Scipy en http://docs.scipy.org/doc. El botón search localizado en la documentación de refencia de ambos paquetes es muy útil (http://docs.scipy.org/doc/numpy/reference/ y http://docs.scipy.org/doc/scipy/reference/).
Tutoriales sobre varios temas además de la API completa con todos los docstrings se puede encontrar en el siguiente sitio web.
La socumentación de Numpy y de Scipy se completa y actualiza de forma regular por los usuarios en la wiki http://docs.scipy.org/numpy/. Como resultado, algunos docstrings están más claros y detallados en la wiki y podrías leer directamente la documentación en la wiki en lugar de usar la documentación oficial. Hay que tener en cuenta que cualquiera puede crearuna cuenta en la wiki y escribir mejor documentación; ¡esta es una forma sencilla de contribuir a un proyecto de código libre y ayudar a mejorar las herramientas que usas!
El recetario (cookbook) de Scipy http://www.scipy.org/Cookbook proporciona recetas para muchos de los problemas que nos encontramos a menudo, como el ajuste de datos, resolver ecuaciones diferenciales ordinarias, etc.
La web de Matplotlib http://matplotlib.sourceforge.net/ dispone de una **galeria* con un gran número de gráficos y ejemplos con el código fuente y el gráfico resultante. Esto es muy útil aprender mediante ejemplos. También se encuentra disponible la documentación estándar.
El sitio web de Mayavi http://code.enthought.com/projects/mayavi/docs/development/html/mayavi/ también dispone de una galería de ejemplos http://code.enthought.com/projects/mayavi/docs/development/html/mayavi/auto/examples.html en la cual podemos navegar a través de diferentes soluciones de visualización.
Finalmente, también serían útiles dos posibilidades más “técnicas”:
En Ipython, la función mágica %psearch busca objetos que coincidan con los patrones de búsqueda. Esto es útil, por ejemplo, cuando desconocemos el nombre exacto de una función.
In [3]: import numpy as np
In [4]: %psearch np.diag*
np.diag
np.diagflat
np.diagonal
numpy.lookfor busca por palabras clave dentro de los docstrings de módulos específicos.
In [45]: numpy.lookfor('convolution')
Search results for 'convolution'
--------------------------------
numpy.convolve
Returns the discrete, linear convolution of two one-dimensional
sequences.
numpy.bartlett
Return the Bartlett window.
numpy.correlate
Discrete, linear correlation of two 1-dimensional sequences.
In [46]: numpy.lookfor('remove', module='os')
Search results for 'remove'
---------------------------
os.remove
remove(path)
os.removedirs
removedirs(path)
os.rmdir
rmdir(path)
os.unlink
unlink(path)
os.walk
Directory tree generator.
Si todo lo anterior falla (y Google no tiene la respuesta)... ¡no hay que desesperarse! Escribe a la lista de correo que se ajuste a tu problema: obtendrás una rápida respuesta si defines correctamente tu problema. A menudo, expertos en python científico ofrecen explicaciones muy clarificadoras en las listas de correo.