Przejdź do głównej treści
Polski— Wybierz język
Menu

Dostępne biblioteki Pythona

Lekcja 13 z 16 Zaktualizowano 30 lipca 2026 Programista
Na tej stronie
  1. Środowisko piaskownicy Pythona
  2. Biblioteki podstawowe
  3. O co możesz poprosić
  4. Czego nie możesz zrobić
  5. Kluczowe wnioski

Środowisko piaskownicy Pythona

Piaskownica Pythona do wykonywania kodu nie jest okrojonym środowiskiem. Zawiera zestaw wstępnie zainstalowanych bibliotek naukowych i do analizy danych. Znajomość tych bibliotek jest kluczowa, aby w pełni wykorzystać możliwości wykonywania kodu i zrozumieć, o co możesz – a o co nie możesz – poprosić model.

Biblioteki podstawowe

NumPy — Obliczenia numeryczne

NumPy to fundamentalna biblioteka do obliczeń numerycznych w Pythonie. W piaskownicy umożliwia:

  • Operacje na tablicach wielowymiarowych
  • Algebrę liniową (macierze, wektory, dekompozycje)
  • Generowanie liczb losowych
  • Transformaty Fouriera
  • Zaawansowane funkcje matematyczne
# Model może napisać i wykonać ten rodzaj kodu
import numpy as np

# Wygeneruj losową macierz i oblicz jej wartości własne
matrix = np.random.randn(5, 5)
eigenvalues = np.linalg.eigvals(matrix)

Pandas — Manipulacja danymi

Pandas to standardowa biblioteka do manipulacji danymi tabelarycznymi:

  • Tworzenie i przekształcanie obiektów DataFrame
  • Czyszczenie i przygotowywanie danych
  • Agregacje i grupowanie
  • Statystyki opisowe
  • Tabele przestawne i operacje łączenia
import pandas as pd

# Analiza danych strukturalnych
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 — Wizualizacja

Matplotlib pozwala tworzyć wykresy i wizualizacje:

  • Wykresy liniowe, słupkowe i kołowe
  • Histogramy i rozkłady
  • Wykresy z wieloma osiami
  • Zaawansowane dostosowania (kolory, legendy, adnotacje)

Model może generować wykresy, ale ich wyświetlanie zależy od tego, jak obsłużysz odpowiedź w swojej aplikacji.

SciPy — Obliczenia naukowe

SciPy rozszerza NumPy o zaawansowane funkcje naukowe:

  • Optymalizacja i minimalizacja funkcji
  • Interpolacja i całkowanie numeryczne
  • Przetwarzanie sygnałów
  • Zaawansowana statystyka (testy hipotez, rozkłady)
  • Rozwiązywanie równań różniczkowych

O co możesz poprosić

Dzięki tym bibliotekom model może wykonywać szeroki zakres zadań:

Obliczenia matematyczne

  • Rozwiązywanie równań i układów równań
  • Obliczenia macierzowe i algebra liniowa
  • Statystyki opisowe i wnioskowanie statystyczne
  • Analiza kombinatoryczna i prawdopodobieństwo

Analiza danych

  • Czyszczenie i przekształcanie zbiorów danych
  • Agregacje i statystyki grupowe
  • Wykrywanie anomalii i wartości odstających
  • Korelacje i regresje

Modelowanie finansowe

  • Obliczenia stopy zwrotu i ryzyka (Sharpe, Sortino)
  • Optymalizacja portfela
  • Modele wyceny
  • Symulacje Monte Carlo

Obliczenia naukowe

  • Rozwiązywanie równań różniczkowych
  • Symulacje fizyczne
  • Analiza szeregów czasowych
  • Przetwarzanie danych eksperymentalnych

Czego nie możesz zrobić

Piaskownica nie pozwala na:

  • Instalowanie nowych bibliotek (pip install jest niedostępne)
  • Używanie bibliotek uczenia maszynowego (brak scikit-learn, TensorFlow, PyTorch)
  • Dostęp do zewnętrznych API lub sieci
  • Odczyt plików z Twojego lokalnego systemu

Jeśli Twój przypadek użycia wymaga bibliotek niedostępnych w piaskownicy, będziesz musiał uruchomić wygenerowany kod we własnym środowisku Pythona.

Kluczowe wnioski

  • Piaskownica zawiera NumPy, Pandas, Matplotlib, SciPy i inne powszechne pakiety
  • Biblioteki te obejmują obliczenia numeryczne, analizę danych, wizualizację i obliczenia naukowe
  • Instalacja dodatkowych bibliotek jest niemożliwa
  • Biblioteki ML (scikit-learn, TensorFlow) są niedostępne
  • Model automatycznie wykorzystuje odpowiednią bibliotekę do żądanego zadania