Přejít na hlavní obsah
Čeština— Vyberte jazyk
Menu

Dostupné knihovny Pythonu

Lekce 13 z 16 Aktualizováno 30. července 2026 Vývojář
Na této stránce
  1. Pískoviště Pythonu
  2. Základní knihovny
  3. Co můžeš požadovat
  4. Co dělat nemůžeš
  5. Klíčové poznatky

Pískoviště Pythonu

Pískoviště Pythonu pro provádění kódu není holé prostředí. Obsahuje sadu předinstalovaných vědeckých knihoven a nástrojů pro analýzu dat. Znalost těchto knihoven je klíčová pro plné využití možností provádění kódu a pro pochopení toho, co můžeš – a co nemůžeš – od modelu požadovat.

Základní knihovny

NumPy – Numerické výpočty

NumPy je základní knihovna pro numerické výpočty v Pythonu. V pískovišti umožňuje:

  • Operace s vícerozměrnými poli
  • Lineární algebru (matice, vektory, dekompozice)
  • Generování náhodných čísel
  • Fourierovy transformace
  • Pokročilé matematické funkce
# Model umí napsat a spustit tento typ kódu
import numpy as np

# Vygenerovat náhodnou matici a spočítat její vlastní čísla
matrix = np.random.randn(5, 5)
eigenvalues = np.linalg.eigvals(matrix)

Pandas – Manipulace s daty

Pandas je standardní knihovna pro práci s tabulkovými daty:

  • Vytváření a transformace DataFrame
  • Čištění a příprava dat
  • Agregace a seskupování
  • Popisná statistika
  • Kontingenční tabulky a operace spojení
import pandas as pd

# Analýza strukturovaných dat
df = pd.DataFrame({
    'product': ['A', 'B', 'C', 'A', 'B'],
    'sales': [100, 150, 80, 120, 200],
    'month': ['Jan', 'Jan', 'Jan', 'Feb', 'Feb']
})
resume = df.groupby('product')['sales'].agg(['mean', 'sum', 'count'])

Matplotlib – Vizualizace

Matplotlib ti umožňuje vytvářet grafy a vizualizace:

  • Čárové, sloupcové a koláčové grafy
  • Histogramy a rozdělení
  • Grafy s více osami
  • Pokročilé přizpůsobení (barvy, legendy, popisky)

Model umí generovat grafy, ale jejich zobrazení závisí na tom, jak zpracuješ odpověď ve své aplikaci.

SciPy – Vědecké výpočty

SciPy rozšiřuje NumPy o pokročilé vědecké funkce:

  • Optimalizace a minimalizace funkcí
  • Interpolace a numerická integrace
  • Zpracování signálů
  • Pokročilá statistika (testování hypotéz, rozdělení)
  • Řešení diferenciálních rovnic

Co můžeš požadovat

Díky těmto knihovnám dokáže model provádět širokou škálu úkolů:

Matematické výpočty

  • Řešení rovnic a soustav rovnic
  • Maticové výpočty a lineární algebra
  • Popisná a induktivní statistika
  • Kombinatorická analýza a pravděpodobnost

Analýza dat

  • Čištění a transformace datových sad
  • Agregace a statistiky podle skupin
  • Detekce anomálií a odlehlých hodnot
  • Korelace a regrese

Finanční modelování

  • Výpočty výnosnosti a rizika (Sharpe, Sortino)
  • Optimalizace portfolia
  • Oceňovací modely
  • Simulace Monte Carlo

Vědecké výpočty

  • Řešení diferenciálních rovnic
  • Fyzikální simulace
  • Analýza časových řad
  • Zpracování experimentálních dat

Co dělat nemůžeš

Pískoviště neumožňuje:

  • Instalovat nové knihovny (pip install není k dispozici)
  • Používat knihovny pro strojové učení (žádný scikit-learn, TensorFlow, PyTorch)
  • Přistupovat k externím API nebo síti
  • Číst soubory z tvého lokálního systému

Pokud tvůj případ použití vyžaduje knihovny, které v pískovišti nejsou dostupné, budeš muset vygenerovaný kód spustit ve svém vlastním prostředí Pythonu.

Klíčové poznatky

  • Pískoviště obsahuje NumPy, Pandas, Matplotlib, SciPy a další běžné balíčky
  • Tyto knihovny pokrývají numerické výpočty, analýzu dat, vizualizaci a vědecké výpočty
  • Instalace dalších knihoven není možná
  • Knihovny pro strojové učení (scikit-learn, TensorFlow) nejsou dostupné
  • Model automaticky využije správnou knihovnu pro požadovaný úkol