Zum Hauptinhalt springen
Deutsch— Sprache auswählen
Menü

Verfügbare Python-Bibliotheken

Lektion 13 von 16 Aktualisiert am 30. Juli 2026 Entwickler
Auf dieser Seite
  1. Die Python-Sandbox-Umgebung
  2. Kernbibliotheken
  3. Mögliche Anforderungen
  4. Unmögliche Aufgaben
  5. Kernaussagen

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 install ist 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.