Spring til hovedindhold
Dansk— Vælg et sprog
Menu

Tilgængelige Python-biblioteker

Lektion 13 af 16 Opdateret 30. juli 2026 Udvikler
På denne side
  1. Python-sandboxmiljøet
  2. Kernebiblioteker
  3. Hvad du kan anmode om
  4. Hvad du ikke kan gøre
  5. Vigtige pointer

Python-sandboxmiljøet

Python-sandboxen til kodeudførelse er ikke et minimalistisk Python-miljø. Den indeholder et sæt forudinstallerede biblioteker til videnskabelige beregninger og dataanalyse. Det er afgørende at kende disse biblioteker for fuldt ud at kunne udnytte funktionerne til kodeudførelse og forstå, hvad du kan – og ikke kan – bede modellen om at gøre.

Kernebiblioteker

NumPy – Numerisk beregning

NumPy er grundbiblioteket til numerisk beregning i Python. I sandboxen muliggør det:

  • Operationer på flerdimensionale arrays
  • Lineær algebra (matricer, vektorer, dekompositioner)
  • Generering af tilfældige tal
  • Fourier-transformer
  • Avancerede matematiske funktioner
# Modellen kan skrive og udføre denne type kode
import numpy as np

# Generer en tilfældig matrix og beregn dens egenværdier
matrix = np.random.randn(5, 5)
eigenvalues = np.linalg.eigvals(matrix)

Pandas – Datamanipulation

Pandas er standardbiblioteket til manipulation af tabeldata:

  • Oprettelse og transformation af DataFrames
  • Rensning og klargøring af data
  • Aggregeringer og gruppering
  • Deskriptiv statistik
  • Pivot-tabeller og join-operationer
import pandas as pd

# Analyser strukturerede data
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 – Visualisering

Matplotlib giver dig mulighed for at skabe diagrammer og visualiseringer:

  • Linje-, søjle- og lagkagediagrammer
  • Histogrammer og fordelinger
  • Plot med flere akser
  • Avanceret tilpasning (farver, legender, annotationer)

Modellen kan generere diagrammer, men visningen afhænger af, hvordan du håndterer svaret i din applikation.

SciPy – Videnskabelig beregning

SciPy udvider NumPy med avancerede videnskabelige funktioner:

  • Optimering og funktionsminimering
  • Interpolation og numerisk integration
  • Signalbehandling
  • Avanceret statistik (hypotesetest, fordelinger)
  • Løsning af differentialligninger

Hvad du kan anmode om

Med disse biblioteker kan modellen udføre en bred vifte af opgaver:

Matematiske beregninger

  • Løsning af ligninger og ligningssystemer
  • Matrixberegninger og lineær algebra
  • Deskriptiv og inferentiel statistik
  • Kombinatorisk analyse og sandsynligheder

Dataanalyse

  • Rensning og transformation af datasæt
  • Aggregeringer og gruppestatistik
  • Detektion af anomalier og outliers
  • Korrelationer og regressioner

Finansiel modellering

  • Beregning af afkast og risiko (Sharpe, Sortino)
  • Portfoliooptimering
  • Værdiansættelsesmodeller
  • Monte Carlo-simuleringer

Videnskabelig beregning

  • Løsning af differentialligninger
  • Fysiske simuleringer
  • Tidsrækkeanalyse
  • Behandling af eksperimentelle data

Hvad du ikke kan gøre

Sandboxen tillader ikke, at du:

  • Installerer nye biblioteker (pip install er ikke tilgængeligt)
  • Bruger biblioteker til maskinlæring (ingen scikit-learn, TensorFlow, PyTorch)
  • Får adgang til eksterne API’er eller netværket
  • Læser filer fra dit lokale system

Hvis dit brugstilfælde kræver biblioteker, der ikke er tilgængelige i sandboxen, skal du køre den genererede kode i dit eget Python-miljø.

Vigtige pointer

  • Sandboxen indeholder NumPy, Pandas, Matplotlib, SciPy og andre almindelige pakker
  • Disse biblioteker dækker numerisk beregning, dataanalyse, visualisering og videnskabelig beregning
  • Installation af yderligere biblioteker er ikke mulig
  • ML-biblioteker (scikit-learn, TensorFlow) er ikke tilgængelige
  • Modellen udnytter automatisk det rigtige bibliotek til den pågældende opgave