Pereiti prie pagrindinio turinio
Lietuvių— Pasirinkite kalbą
Meniu

Galimos Python bibliotekos

Paskaita 13 iš 16 Atnaujinta 2026 m. liepos 30 d. Kūrėjas
Šiame puslapyje
  1. „Sandbox“ Python aplinka
  2. Pagrindinės bibliotekos
  3. Ką galite prašyti atlikti
  4. Ko daryti negalima
  5. Svarbiausi punktai

„Sandbox“ Python aplinka

„Code Execution“ Python „sandbox“ nėra tuščia Python aplinka. Joje jau įdiegtas mokslinių ir duomenų analizės bibliotekų rinkinys. Šių bibliotekų išmanymas yra būtinas norint visiškai išnaudoti „Code Execution“ galimybes ir suprasti, ką galite – ir ko negalite – prašyti modelio atlikti.

Pagrindinės bibliotekos

NumPy – skaitmeniniai skaičiavimai

„NumPy“ yra pagrindinė skaitmeninių skaičiavimų biblioteka Python kalboje. „Sandbox“ aplinkoje ji leidžia:

  • Atlikti daugiamatės masyvų operacijas
  • Spręsti tiesinės algebros uždavinius (matricos, vektoriai, skaidiniai)
  • Generuoti atsitiktinius skaičius
  • Atlikti Furjė transformacijas
  • Naudoti pažangias matematines funkcijas
# Modelis gali parašyti ir vykdyti tokio tipo kodą
import numpy as np

# Sugeneruoti atsitiktinę matricą ir apskaičiuoti jos tikrines reikšmes
matrix = np.random.randn(5, 5)
eigenvalues = np.linalg.eigvals(matrix)

Pandas – duomenų manipuliacija

„Pandas“ yra standartinė lentelinių duomenų manipuliacijos biblioteka:

  • „DataFrame“ objektų kūrimas ir transformavimas
  • Duomenų valymas ir paruošimas
  • Agregavimas ir grupavimas
  • Aprašomoji statistika
  • Pivot lentelės ir jungimo operacijos
import pandas as pd

# Analizuoti struktūrizuotus duomenis
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 – vizualizacija

„Matplotlib“ leidžia kurti diagramas ir vizualizacijas:

  • Linijines, stulpelines ir skritulines diagramas
  • Histogramas ir pasiskirstymus
  • Daugiaašius grafikus
  • Pažangų pritaikymą (spalvos, legendos, anotacijos)

Modelis gali generuoti diagramas, tačiau jų rodymas priklauso nuo to, kaip apdorojate atsakymą savo programoje.

SciPy – moksliniai skaičiavimai

„SciPy“ praplečia „NumPy“ pažangiomis mokslinėmis funkcijomis:

  • Optimizavimas ir funkcijų minimizavimas
  • Interpoliacija ir skaitmeninis integravimas
  • Signalų apdorojimas
  • Pažangi statistika (hipotezių tikrinimas, skirstiniai)
  • Diferencialinių lygčių sprendimas

Ką galite prašyti atlikti

Naudodamas šias bibliotekas, modelis gali atlikti įvairiausius uždavinius:

Matematiniai skaičiavimai

  • Lygčių ir lygčių sistemų sprendimas
  • Matricų skaičiavimai ir tiesinė algebra
  • Aprašomoji ir inferencinė statistika
  • Kombinatorinė analizė ir tikimybės

Duomenų analizė

  • Duomenų rinkinių valymas ir transformavimas
  • Agregavimas ir grupinė statistika
  • Anomalijų ir išskirčių nustatymas
  • Koreliacijos ir regresijos analizė

Finansinis modeliavimas

  • Grąžos ir rizikos skaičiavimai (Sharpe, Sortino)
  • Portfelio optimizavimas
  • Vertinimo modeliai
  • Monte Karlo simuliacijos

Moksliniai skaičiavimai

  • Diferencialinių lygčių sprendimas
  • Fizikinės simuliacijos
  • Laiko eilučių analizė
  • Eksperimentinių duomenų apdorojimas

Ko daryti negalima

„Sandbox“ aplinkoje negalima:

  • Diegti naujų bibliotekų (pip install nėra prieinama)
  • Naudoti mašininio mokymosi bibliotekų (nėra „scikit-learn“, „TensorFlow“, „PyTorch“)
  • Pasiekti išorinių API ar tinklo
  • Skaityti failų iš savo vietinės sistemos

Jei jūsų atveju reikia bibliotekų, kurių nėra „sandbox“ aplinkoje, sugeneruotą kodą turėsite vykdyti savo Python aplinkoje.

Svarbiausi punktai

  • „Sandbox“ aplinkoje yra NumPy, Pandas, Matplotlib, SciPy ir kiti dažnai naudojami paketai
  • Šios bibliotekos apima skaitmeninius skaičiavimus, duomenų analizę, vizualizaciją ir mokslinius skaičiavimus
  • Papildomų bibliotekų diegti negalima
  • Mašininio mokymosi bibliotekos („scikit-learn“, „TensorFlow“) nėra prieinamos
  • Modelis automatiškai pasirenka tinkamą biblioteką pagal užduotį