Pieejamās Python bibliotēkas
Šajā lapā
Smilškastes Python vide
Python smilškaste koda izpildei nav tukša Python vide. Tā ietver iepriekš instalētu zinātnisko un datu analīzes bibliotēku kopu. Šo bibliotēku pārzināšana ir būtiska, lai pilnībā izmantotu koda izpildes iespējas un saprastu, ko tu vari — un ko nevari — lūgt modelim izdarīt.
Pamata bibliotēkas
NumPy — Skaitļošanas aprēķini
NumPy ir fundamentālā bibliotēka skaitļošanas aprēķiniem Python valodā. Smilškastē tā ļauj veikt:
- Daudzdimensiju masīvu operācijas
- Lineāro algebru (matricas, vektori, dekompozīcijas)
- Gadījuma skaitļu ģenerēšanu
- Furjē transformācijas
- Izvērstas matemātiskās funkcijas
# Modelis var sarakstīt un izpildīt šāda veida kodu
import numpy as np
# Ģenerē gadījuma matricu un aprēķina tās īpašvērtības
matrix = np.random.randn(5, 5)
eigenvalues = np.linalg.eigvals(matrix)
Pandas — Datu manipulācija
Pandas ir standarta bibliotēka tabulas datu manipulācijai:
- DataFrame izveide un transformēšana
- Datu attīrīšana un sagatavošana
- Agregācijas un grupēšana
- Aprakstošā statistika
- Pivota tabulas un apvienošanas operācijas
import pandas as pd
# Analizē strukturētus datus
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 — Vizualizācija
Matplotlib ļauj tev izveidot diagrammas un vizualizācijas:
- Līniju, stabiņu un sektoru diagrammas
- Histogrammas un sadalījumus
- Daudzasu grafikus
- Izvērstu pielāgošanu (krāsas, leģendas, anotācijas)
Modelis var ģenerēt diagrammas, taču to attēlošana ir atkarīga no tā, kā tu apstrādā atbildi savā lietotnē.
SciPy — Zinātniskie aprēķini
SciPy paplašina NumPy ar izvērstām zinātniskām funkcijām:
- Optimizācija un funkciju minimizēšana
- Interpolācija un skaitliskā integrēšana
- Signālu apstrāde
- Izvērsta statistika (hipotēžu pārbaude, sadalījumi)
- Diferenciālvienādojumu risināšana
Ko tu vari pieprasīt
Izmantojot šīs bibliotēkas, modelis var veikt plašu uzdevumu klāstu:
Matemātiskie aprēķini
- Vienādojumu un vienādojumu sistēmu risināšana
- Matricu aprēķini un lineārā algebra
- Aprakstošā un secinājumu statistika
- Kombinatorikas analīze un varbūtības
Datu analīze
- Datu kopu attīrīšana un transformēšana
- Agregācijas un grupu statistika
- Anomāliju noteikšana un izlēcēji
- Korelācijas un regresijas
Finanšu modelēšana
- Atdeves un riska aprēķini (Sharpe, Sortino)
- Portfeļa optimizācija
- Vērtēšanas modeļi
- Montekarlo simulācijas
Zinātniskie aprēķini
- Diferenciālvienādojumu risināšana
- Fizikālās simulācijas
- Laika rindu analīze
- Eksperimentālo datu apstrāde
Ko tu nevari darīt
Smilškaste neļauj tev:
- Instalēt jaunas bibliotēkas (
pip installnav pieejams) - Izmantot mašīnmācīšanās bibliotēkas (nav scikit-learn, TensorFlow, PyTorch)
- Piekļūt ārējām API vai tīklam
- Lasīt failus no savas lokālās sistēmas
Ja tavs lietojuma gadījums prasa bibliotēkas, kas nav pieejamas smilškastē, tev būs jāizpilda ģenerētais kods savā Python vidē.
Galvenās atziņas
- Smilškaste ietver NumPy, Pandas, Matplotlib, SciPy un citas bieži lietotas pakotnes
- Šīs bibliotēkas aptver skaitļošanas aprēķinus, datu analīzi, vizualizāciju un zinātniskos aprēķinus
- Papildu bibliotēku instalēšana nav iespējama
- Mašīnmācīšanās bibliotēkas (scikit-learn, TensorFlow) nav pieejamas
- Modelis automātiski izmanto pareizo bibliotēku pieprasītajam uzdevumam