Galimos Python bibliotekos
Šiame puslapyje
„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 installnėra 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