Ir al contenido principal
Español— Elegir un idioma
Menú

Bibliotecas de Python disponibles

Lección 13 de 16 Actualizado el 30 de julio de 2026 Desarrollador
En esta página
  1. El entorno aislado (sandbox) de Python
  2. Bibliotecas principales
  3. Qué puedes solicitar
  4. Qué no puedes hacer
  5. Puntos clave

El entorno aislado (sandbox) de Python

El entorno aislado de Python para la ejecución de código no es una instalación básica. Incluye un conjunto de bibliotecas científicas y de análisis de datos preinstaladas. Conocer estas bibliotecas es esencial para aprovechar al máximo las capacidades de ejecución de código y entender qué puedes —y qué no— solicitar al modelo.

Bibliotecas principales

NumPy — Cálculo numérico

NumPy es la biblioteca fundamental para el cálculo numérico en Python. En el entorno aislado, permite:

  • Operaciones con matrices multidimensionales
  • Álgebra lineal (matrices, vectores, descomposiciones)
  • Generación de números aleatorios
  • Transformadas de Fourier
  • Funciones matemáticas avanzadas
# El modelo puede escribir y ejecutar este tipo de código
import numpy as np

# Generar una matriz aleatoria y calcular sus autovalores
matrix = np.random.randn(5, 5)
eigenvalues = np.linalg.eigvals(matrix)

Pandas — Manipulación de datos

Pandas es la biblioteca estándar para la manipulación de datos tabulares:

  • Creación y transformación de DataFrames
  • Limpieza y preparación de datos
  • Agregaciones y agrupaciones
  • Estadística descriptiva
  • Tablas dinámicas y operaciones de unión (join)
import pandas as pd

# Analizar datos estructurados
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 — Visualización

Matplotlib te permite crear gráficos y visualizaciones:

  • Gráficos de líneas, barras y sectores
  • Histogramas y distribuciones
  • Gráficos con múltiples ejes
  • Personalización avanzada (colores, leyendas, anotaciones)

El modelo puede generar gráficos, pero su visualización depende de cómo gestiones la respuesta en tu aplicación.

SciPy — Cálculo científico

SciPy amplía NumPy con funcionalidades científicas avanzadas:

  • Optimización y minimización de funciones
  • Interpolación e integración numérica
  • Procesamiento de señales
  • Estadística avanzada (contrastes de hipótesis, distribuciones)
  • Resolución de ecuaciones diferenciales

Qué puedes solicitar

Con estas bibliotecas, el modelo puede realizar una amplia gama de tareas:

Cálculos matemáticos

  • Resolución de ecuaciones y sistemas de ecuaciones
  • Cálculos matriciales y álgebra lineal
  • Estadística descriptiva e inferencial
  • Análisis combinatorio y probabilidades

Análisis de datos

  • Limpieza y transformación de conjuntos de datos
  • Agregaciones y estadísticas por grupos
  • Detección de anomalías y valores atípicos
  • Correlaciones y regresiones

Modelado financiero

  • Cálculos de rentabilidad y riesgo (Sharpe, Sortino)
  • Optimización de carteras
  • Modelos de valoración
  • Simulaciones de Monte Carlo

Cálculo científico

  • Resolución de ecuaciones diferenciales
  • Simulaciones físicas
  • Análisis de series temporales
  • Procesamiento de datos experimentales

Qué no puedes hacer

El entorno aislado no permite:

  • Instalar nuevas bibliotecas (pip install no está disponible)
  • Usar bibliotecas de aprendizaje automático (no hay scikit-learn, TensorFlow, PyTorch)
  • Acceder a APIs externas o a la red
  • Leer archivos de tu sistema local

Si tu caso de uso requiere bibliotecas no disponibles en el entorno aislado, deberás ejecutar el código generado en tu propio entorno de Python.

Puntos clave

  • El entorno aislado incluye NumPy, Pandas, Matplotlib, SciPy y otros paquetes comunes
  • Estas bibliotecas cubren cálculo numérico, análisis de datos, visualización y cálculo científico
  • No es posible instalar bibliotecas adicionales
  • Las bibliotecas de aprendizaje automático (scikit-learn, TensorFlow) no están disponibles
  • El modelo utiliza automáticamente la biblioteca adecuada para la tarea solicitada