Siirry pääsisältöön
Suomi— Valitse kieli
Valikko

Käytettävissä olevat Python-kirjastot

Oppitunti 13 / 16 Päivitetty 30. heinäkuuta 2026 Kehittäjä
Tällä sivulla
  1. Python-hiekkalaatikko-ympäristö
  2. Ydinkirjastot
  3. Mitä voit pyytää
  4. Mitä et voi tehdä
  5. Keskeiset asiat

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 install ei 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