Verfügbare Python-Bibliotheken
Auf dieser Seite
Die Python-Sandbox-Umgebung
Die Python-Sandbox für Code-Ausführung ist keine schlichte Python-Umgebung. Sie umfasst eine Reihe vorinstallierter Bibliotheken für wissenschaftliches Rechnen und Datenanalyse. Das Wissen um diese Bibliotheken ist unerlässlich, um die Fähigkeiten der Code-Ausführung voll auszuschöpfen und zu verstehen, was Sie vom Modell verlangen können und was nicht.
Kernbibliotheken
NumPy — Numerisches Rechnen
NumPy ist die grundlegende Bibliothek für numerisches Rechnen in Python. In der Sandbox ermöglicht sie:
- Operationen mit mehrdimensionalen Arrays
- Lineare Algebra (Matrizen, Vektoren, Zerlegungen)
- Generierung von Zufallszahlen
- Fourier-Transformationen
- Erweiterte mathematische Funktionen
# Das Modell kann diesen Code schreiben und ausführen
import numpy as np
# Generieren einer zufälligen Matrix und Berechnung ihrer Eigenwerte
matrix = np.random.randn(5, 5)
eigenvalues = np.linalg.eigvals(matrix)
Pandas — Datenmanipulation
Pandas ist die Standardbibliothek für die Manipulation tabellarischer Daten:
- Erstellen und Transformieren von DataFrames
- Bereinigen und Vorbereiten von Daten
- Aggregationen und Gruppierungen
- Deskriptive Statistik
- Pivot-Tabellen und Join-Operationen
import pandas as pd
# Analyse strukturierter Daten
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 — Visualisierung
Mit Matplotlib können Sie Diagramme und Visualisierungen erstellen:
- Liniendiagramme, Balkendiagramme und Kreisdiagramme
- Histogramme und Verteilungen
- Mehrachsige Diagramme
- Erweiterte Anpassungen (Farben, Legenden, Annotationen)
Das Modell kann Diagramme generieren, deren Anzeige hängt jedoch davon ab, wie Sie die Antwort in Ihrer Anwendung verarbeiten.
SciPy — Wissenschaftliches Rechnen
SciPy erweitert NumPy mit erweiterten Funktionen für das wissenschaftliche Rechnen:
- Optimierung und Minimierung von Funktionen
- Interpolation und numerische Integration
- Signalverarbeitung
- Erweiterte Statistik (Hypothesentests, Verteilungen)
- Lösen von Differentialgleichungen
Mögliche Anforderungen
Mit diesen Bibliotheken kann das Modell eine breite Palette von Aufgaben übernehmen:
Mathematische Berechnungen
- Lösen von Gleichungen und Gleichungssystemen
- Matrixberechnungen und lineare Algebra
- Deskriptive und inferenzstatistische Analysen
- Kombinatorische Analysen und Wahrscheinlichkeiten
Datenanalyse
- Bereinigen und Transformieren von Datensätzen
- Aggregationen und Gruppenstatistiken
- Erkennung von Anomalien und Ausreißern
- Korrelationen und Regressionen
Finanzmodellierung
- Berechnungen von Rendite und Risiko (Sharpe, Sortino)
- Portfolio-Optimierung
- Bewertungsmodelle
- Monte-Carlo-Simulationen
Wissenschaftliches Rechnen
- Lösen von Differentialgleichungen
- Physikalische Simulationen
- Zeitreihenanalyse
- Verarbeitung experimenteller Daten
Unmögliche Aufgaben
Die Sandbox erlaubt Ihnen nicht Folgendes:
- Installieren neuer Bibliotheken (
pip installist nicht verfügbar) - Nutzung von Machine-Learning-Bibliotheken (kein scikit-learn, TensorFlow, PyTorch)
- Zugriff auf externe APIs oder das Netzwerk
- Lesen von Dateien aus Ihrem lokalen System
Falls Ihr Anwendungsfall Bibliotheken erfordert, die in der Sandbox nicht verfügbar sind, müssen Sie den generierten Code in Ihrer eigenen Python-Umgebung ausführen.
Kernaussagen
- Die Sandbox umfasst NumPy, Pandas, Matplotlib, SciPy und andere gängige Pakete.
- Diese Bibliotheken decken numerisches Rechnen, Datenanalyse, Visualisierung und wissenschaftliches Rechnen ab.
- Das Installieren zusätzlicher Bibliotheken ist nicht möglich.
- Machine-Learning-Bibliotheken (scikit-learn, TensorFlow) sind nicht verfügbar.
- Das Modell nutzt automatisch die richtige Bibliothek für die angeforderte Aufgabe.