过去的几年里，Python已经和IDL或MATLAB一样，成为科学分析领域值得信赖的选择。它拥有稳健的核心模块，可用于处理数值数组（NumPy）、分析 SciPy）以及绘图（matplotlib），同时还拥有十分丰富的专用模块。它能帮助人们减少编写科学代码的工作量，同时还能提高计算结果的质量。
已经有越来越多的人将Python用于大型数值数据集处理，使用标准格式来进行数据的存储和通信也显得越来越重要。国家超级电脑应用中心（National Center for Supercomputing Applications，NCSA）开发的“层次性数据格式”（Hierarchical Data Format，HDF）的最新版本HDF5正迅速成为人们储存科学数据的选择。很多使用（或有意使用）HDF5的研究人员也被Python的易用性和快速开发能力吸引。
本书向所有有Python数据分析基本背景的人介绍如何在Python下使用HDF5。本书假定读者只熟悉Python和NumPy。本书将侧重于HDF5的本地功能集，而不是Python的高层抽象，以尽力确保在本书建议下创建的HDF文件可移植。
最后，本书将尽力同时支持Python 2和Python 3的用户。本书所有的示例都以Python 2写就，任何有可能导致误会的区别都将在文本中特别注明。
[第1章 简介1.1 Python和HDF5](https://yq.aliyun.com/articles/93496/)1.1.1 数据和元数据的组织1.1.2 大数据复制1.2 HDF5到底是什么1.2.1 HDF5文件规格1.2.2 HDF5标准库1.2.3 HDF5生态系统[第2章 开始使用2.1 HDF基本原理](https://yq.aliyun.com/articles/93559/)2.2 设置2.2.1 Python2还是Python32.2.2 代码示例2.2.3 NumPy2.2.4 HDF5和h5py2.2.5 IPython2.2.6 时间和优化2.3 HDF5工具2.3.1 HDFView2.3.2 ViTables2.3.3 命令行工具2.4 你的第一个HDF5文件2.4.1 使用环境管理器2.4.2 文件驱动2.4.3 用户块第3章 使用数据集第4章 让分块和压缩来帮忙第5章 组、链接和迭代：HDF5的层次性第6章 用特征存储元数据第7章 更多关于类型第8章 通过引用、类型和维度标尺来组织数据第9章 HDF5并发性：多线程和多进程第10章 下一步索引
相关资源：Python and HDF5 无水印pdf