Beschikbare Python-bibliotheken
Op deze pagina
De Python-sandboxomgeving
De Python-sandbox voor code-uitvoering is geen kale Python-omgeving. Deze bevat een reeks vooraf geïnstalleerde bibliotheken voor wetenschappelijke berekeningen en data-analyse. Het is essentieel om deze bibliotheken te kennen om de mogelijkheden van Code Execution volledig te benutten en te begrijpen wat u het model wel en niet kunt vragen.
Kernbibliotheken
NumPy — Numerieke berekeningen
NumPy is de fundamentele bibliotheek voor numerieke berekeningen in Python. In de sandbox maakt dit het volgende mogelijk:
- Bewerkingen met multidimensionale arrays
- Lineaire algebra (matrices, vectoren, decomposities)
- Generatie van willekeurige getallen
- Fourier-transformaties
- Geavanceerde wiskundige functies
# Het model kan dit soort code schrijven en uitvoeren
import numpy as np
# Genereer een willekeurige matrix en bereken de eigenwaarden
matrix = np.random.randn(5, 5)
eigenvalues = np.linalg.eigvals(matrix)
Pandas — Datamanipulatie
Pandas is de standaardbibliotheek voor manipulatie van tabeldata:
- Maken en transformeren van DataFrames
- Schoonmaken en voorbereiden van data
- Aggregaties en groeperingen
- Beschrijvende statistieken
- Draaitabellen en join-bewerkingen
import pandas as pd
# Analyseer gestructureerde data
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 — Visualisatie
Met Matplotlib kunt u grafieken en visualisaties maken:
- Lijn-, staaf- en cirkeldiagrammen
- Histogrammen en verdelingen
- Grafieken met meerdere assen
- Geavanceerde aanpassingen (kleuren, legenda’s, annotaties)
Het model kan grafieken genereren, maar de weergave ervan hangt af van hoe u het antwoord in uw applicatie verwerkt.
SciPy — Wetenschappelijke berekeningen
SciPy breidt NumPy uit met geavanceerde wetenschappelijke functies:
- Optimalisatie en functieminimalisatie
- Interpolatie en numerieke integratie
- Signaalverwerking
- Geavanceerde statistiek (hypothesetoetsing, verdelingen)
- Oplossen van differentiaalvergelijkingen
Wat u kunt aanvragen
Met deze bibliotheken kan het model een breed scala aan taken uitvoeren:
Wiskundige berekeningen
- Oplossen van vergelijkingen en stelsels van vergelijkingen
- Matrixberekeningen en lineaire algebra
- Beschrijvende en inferentiële statistiek
- Combinatorische analyse en kansen
Data-analyse
- Schoonmaken en transformeren van datasets
- Aggregaties en groepsstatistieken
- Detectie van anomalieën en uitbijters
- Correlaties en regressies
Financiële modellering
- Berekening van rendement en risico (Sharpe, Sortino)
- Portfolio-optimalisatie
- Waarderingsmodellen
- Monte Carlo-simulaties
Wetenschappelijke berekeningen
- Oplossen van differentiaalvergelijkingen
- Fysische simulaties
- Tijdreeksanalyse
- Verwerking van experimentele data
Wat u niet kunt doen
De sandbox staat het volgende niet toe:
- Nieuwe bibliotheken installeren (
pip installis niet beschikbaar) - Machine learning-bibliotheken gebruiken (geen scikit-learn, TensorFlow, PyTorch)
- Externe API’s of het netwerk raadplegen
- Bestanden van uw lokale systeem lezen
Als uw use case bibliotheken vereist die niet in de sandbox beschikbaar zijn, moet u de gegenereerde code in uw eigen Python-omgeving uitvoeren.
Belangrijkste punten
- De sandbox bevat NumPy, Pandas, Matplotlib, SciPy en andere veelgebruikte pakketten
- Deze bibliotheken dekken numerieke berekeningen, data-analyse, visualisatie en wetenschappelijke berekeningen
- Installatie van extra bibliotheken is niet mogelijk
- ML-bibliotheken (scikit-learn, TensorFlow) zijn niet beschikbaar
- Het model maakt automatisch gebruik van de juiste bibliotheek voor de gevraagde taak