Pāriet uz galveno saturu
Latviešu— Izvēlēties valodu
Izvēlne

Pieejamās Python bibliotēkas

Nodarbība 13 no 16 Atjaunota 2026. gada 30. jūlijs Programmētājs
Šajā lapā
  1. Smilškastes Python vide
  2. Pamata bibliotēkas
  3. Ko tu vari pieprasīt
  4. Ko tu nevari darīt
  5. Galvenās atziņas

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 install nav 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