用于开放量子系统的量子物理模拟库。适用于研究主方程、Lindblad动力学、退相干、量子光学或腔QED。最适合用于物理研究、开放系统动力学和教学模拟。不适用于基于电路的量子计算——如需量子算法和硬件执行，请使用Qiskit、Cirq或PennyLane。

用于精细分子控制的化学信息学工具包。支持SMILES/SDF解析、描述符（分子量、LogP、TPSA）、指纹、子结构搜索、二维/三维生成、相似性计算和反应分析。如需标准工作流及更简洁的界面，请使用datamol（基于RDKit的封装）；如需高级控制、自定义净化或专用算法，请使用RDKit。

使用 scikit-learn 在 Python 中进行机器学习。适用于处理监督学习（分类、回归）、无监督学习（聚类、降维）、模型评估、超参数调优、数据预处理或构建机器学习流水线。提供算法、预处理技术、流水线和最佳实践的全面参考文档。

集成 pandas 的统计可视化工具，适用于快速探索分布、关系和分类比较，具备美观的默认设置。最适合绘制箱线图、小提琴图、配对图和热力图。基于 matplotlib 构建。如需交互式图表，请使用 plotly；如需出版级样式，请使用 scientific-visualization。

提供生产就绪的强化学习算法（PPO、SAC、DQN、TD3、DDPG、A2C），采用类似 scikit-learn 的 API，适用于标准强化学习实验、快速原型开发和文档完善的算法实现。最适合单智能体与 Gymnasium 环境结合使用。如需高性能并行训练、多智能体系统或自定义向量化环境，请改用 pufferlib。

Python 的统计模型库。当您需要特定模型类别（如 OLS、GLM、混合模型、ARIMA）并附带详细诊断、残差和推断时使用。最适合计量经济学、时间序列分析以及带有系数表格的严谨推断。如需在 APA 报告格式下进行引导式统计检验选择，请使用 statistical-analysis。

查询STRING API以获取蛋白质-蛋白质相互作用（5900万蛋白质，200亿相互作用），用于系统生物学的网络分析、GO/KEGG富集、相互作用发现，涵盖5000多种物种。

使用 Google 的 TimesFM 基础模型进行零样本时间序列预测。无需训练自定义模型，即可对任何单变量时间序列（如销售、传感器、能源、生命体征、天气）进行预测。支持 CSV/DataFrame/数组输入，提供点预测和预测区间。包含预运行系统检查脚本，可在首次使用前验证内存和 GPU 状态。

为所有临床专科生成简洁（3-4页）、聚焦的医疗治疗计划，支持通用医疗、康复治疗、心理健康、慢性病管理、围手术期护理和疼痛管理。包含SMART目标框架、基于证据的干预措施（引用最少）、符合HIPAA法规要求及专业排版，注重简洁性与临床可操作性。