Rare sont les outils qui ont pris une telle ampleur qu'ipython en si peu de temps (ce que github a bien compris en proposant désormais la visualisation des notebooks automatiquement). Parti d'une simple console python améliorée, c'est devenu une galaxie d'outils tous plus utiles les uns que les autres. À telle point que maintenir le tout cohérent devenait extrêmement compliqué. Les fondateurs du projet ont donc décidé de splitter le tout en packages indépendants, ce qui est expliqué ici.
C'est ce que j'aime chez python, quand les développeurs se rendent compte qu'un truc devient inmaintenable et qu'il faut refactorer, ils le font rapidement au lieu de garder une grosse usine à gaz. C'est cette mentalité qu'on retrouve dans le passage de python 2 à 3, ou dans le merging des librairies semblables pour n'en garder qu'une avec le meilleur des fonctionnalités (quoi ? en java ils ont deux librairies officielles pour traiter le JSON...)
Pour ceux que ça intéressent (@chris), quelques exemples d'utilisation d'ipython notebook :
- pour expliquer des concepts : http://nbviewer.ipython.org/github/jkthompson/pyspark-pictures/blob/master/pyspark-pictures.ipynb
- par des conférenciers : https://github.com/jorisvandenbossche/2015-PyDataParis/blob/master/pandas_introduction.ipynb
- pour des tutos : https://github.com/rlabbe/Kalman-and-Bayesian-Filters-in-Python
- dans des articles de blog : http://nbviewer.ipython.org/url/www.davidketchesoan.info/notebooks/mmf_pandas.ipynb
- pour faire des analyses (avec pleins de graphiques en prime) : http://nbviewer.ipython.org/github/koldunovn/nk_public_notebooks/blob/master/Apache_log.ipynb
- par des professeurs : http://www.innovation-pedagogique.fr/article112.html
Enfin, pour finir en beauté (arrête de baver, voyons, ça tâche ton clavier), une très grande collection de ipython disponible ici : https://github.com/ipython/ipython/wiki/A-gallery-of-interesting-IPython-Notebooks

Un article sur deux optimisateurs de code python, le très connu cython, et le un peu moins connu numba. Je connais personnellement peu les deux, mais à voir les deux, Numba m'a l'air plus simple à utiliser (surtout que c'est implémenté sur du LLVM). Va falloir que je me penche sérieusement là-dessus un de ces quatre pour optimiser mon code python.

Un article simple et relativement bien expliqué de l'utilisation du module subprocess. À garder sous le coude.

Un blog intéressant sur la manière de traiter des choses simple (souvent faites en Excel) avec du python. En plus, deux de ses articles au moins se sont retrouvés sur la python weekly newsletter, un gage de qualité !

Deux de mes sujets favoris, le python et le big-data, rassemblés en un. Pour avoir déjà traité des gros ensembles de données en python, c'est vrai que les scripts ne sont pas les mêmes. Il faut faire attention aux dates, à ses entrées-sorties, à la performance... J'ajouterais deux points auxquels faire aussi attention : ne pas hésiter à paralléliser son code (surtout que maintenant des machines à 8 ou 16 coeurs, ça se loue pour pas grand chose) et à mettre des compteurs pour savoir où on en est. Parce qu'au bout de deux heures, quand ça tourne encore, c'est utile de savoir si on est à 10% ou à 99%...

Shaarli d'un de mes anciens collocs cette fois. Des réflexions de société, pas mal de python encore et de l'analyse numérique (pandas, scipy, scikit-learn, numpy). Pour infos, Pwasson suit actuellement une thèse en analyse numérique, il est donc plutôt calé !