Käytettävissä olevat Python-kirjastot
Tällä sivulla
Python-hiekkalaatikko-ympäristö
Koodin suorituksen Python-hiekkalaatikko ei ole pelkistetty Python-ympäristö. Se sisältää joukon esiasennettuja tieteellisiä ja data-analyysin kirjastoja. Näiden kirjastojen tunteminen on välttämätöntä, jotta voit hyödyntää koodin suorituskykyä täysimääräisesti ja ymmärtää, mitä mallilta voi – ja mitä ei voi – pyytää.
Ydinkirjastot
NumPy – Numeerinen laskenta
NumPy on Pythonin peruskirjasto numeeriseen laskentaan. Hiekkalaatikossa se mahdollistaa:
- Moniulotteiset taulukko-operaatiot
- Lineaarisen algebran (matriisit, vektorit, hajotelmat)
- Satunnaislukujen generoinnin
- Fourier-muunnokset
- Edistyneet matemaattiset funktiot
# Malli voi kirjoittaa ja suorittaa tämän tyyppistä koodia
import numpy as np
# Luo satunnainen matriisi ja laske sen ominaisarvot
matrix = np.random.randn(5, 5)
eigenvalues = np.linalg.eigvals(matrix)
Pandas – Datan käsittely
Pandas on standardikirjasto taulukkomuotoisen datan käsittelyyn:
- DataFrame-objektien luominen ja muuntaminen
- Datan puhdistus ja valmistelu
- Aggregoinnit ja ryhmittelyt
- Kuvaileva tilastotiede
- Pivot-taulukot ja liittymäoperaatiot
import pandas as pd
# Analysoi strukturoitua dataa
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 – Visualisointi
Matplotlibilla voit luoda kaavioita ja visualisointeja:
- Viiva-, pylväs- ja ympyrädiagrammit
- Histogrammit ja jakaumat
- Moniakseliset kuviot
- Edistynyt mukauttaminen (värit, selitteet, annotaatiot)
Malli voi generoida kaavioita, mutta niiden näyttäminen riippuu siitä, miten käsittelet vastauksen sovelluksessasi.
SciPy – Tieteellinen laskenta
SciPy laajentaa NumPyä edistyneillä tieteellisillä ominaisuuksilla:
- Optimointi ja funktioiden minimointi
- Interpolointi ja numeerinen integrointi
- Signaalinkäsittely
- Edistynyt tilastotiede (hypoteesitestaus, jakaumat)
- Differentiaaliyhtälöiden ratkaiseminen
Mitä voit pyytää
Näiden kirjastojen avulla malli voi suorittaa laajan kirjon tehtäviä:
Matemaattiset laskelmat
- Yhtälöiden ja yhtälöryhmien ratkaiseminen
- Matriisilaskelmat ja lineaarialgebra
- Kuvaileva ja inferenssitilastotiede
- Kombinatorinen analyysi ja todennäköisyydet
Data-analyysi
- Datasetsien puhdistus ja muuntaminen
- Aggregoinnit ja ryhmätilastot
- Poikkeavuuksien havaitseminen ja outlierit
- Korrelaatiot ja regressiot
Rahoitusmallinnus
- Tuotto- ja riskilaskelmat (Sharpe, Sortino)
- Salkun optimointi
- Arvonmääritysmallit
- Monte Carlo -simulaatiot
Tieteellinen laskenta
- Differentiaaliyhtälöiden ratkaiseminen
- Fysikaaliset simulaatiot
- Aikasarja-analyysi
- Kokeellisen datan käsittely
Mitä et voi tehdä
Hiekkalaatikko ei salli seuraavia toimintoja:
- Uusien kirjastojen asennusta (
pip installei ole käytettävissä) - Koneoppimiskirjastojen käyttöä (ei scikit-learn, TensorFlow, PyTorch)
- Ulkoisten APIen tai verkon käyttöä
- Tiedostojen lukemista paikalliselta järjestelmältäsi
Jos käyttötapauksesi vaatii kirjastoja, joita hiekkalaatikosta ei löydy, sinun on suoritettava generoitu koodi omassa Python-ympäristössäsi.
Keskeiset asiat
- Hiekkalaatikko sisältää NumPy, Pandas, Matplotlib, SciPy ja muita yleisiä paketteja
- Nämä kirjastot kattavat numeerisen laskennan, data-analyysin, visualisoinnin ja tieteellisen laskennan
- Lisäkirjastojen asennus ei ole mahdollista
- Koneoppimiskirjastot (scikit-learn, TensorFlow) eivät ole käytettävissä
- Malli hyödyntää automaattisesti oikeaa kirjastoa pyydettyyn tehtävään