Bibliotecas Python Disponíveis
Nesta página
O Ambiente Sandbox Python
A sandbox Python de Execução de Código não é um ambiente Python básico. Inclui um conjunto de bibliotecas pré-instaladas para análise de dados e computação científica. Conhecer estas bibliotecas é essencial para aproveitar plenamente as capacidades de Execução de Código e compreender o que pode — e o que não pode — pedir ao modelo para fazer.
Bibliotecas Principais
NumPy — Computação Numérica
A NumPy é a biblioteca fundamental para computação numérica em Python. Na sandbox, permite:
- Operações com matrizes multidimensionais
- Álgebra linear (matrizes, vetores, decomposições)
- Geração de números aleatórios
- Transformadas de Fourier
- Funções matemáticas avançadas
# O modelo pode escrever e executar este tipo de código
import numpy as np
# Gerar uma matriz aleatória e calcular os seus valores próprios
matrix = np.random.randn(5, 5)
eigenvalues = np.linalg.eigvals(matrix)
Pandas — Manipulação de Dados
A Pandas é a biblioteca padrão para manipulação de dados tabulares:
- Criação e transformação de DataFrames
- Limpeza e preparação de dados
- Agregações e agrupamentos
- Estatísticas descritivas
- Tabelas dinâmicas e operações de junção
import pandas as pd
# Analisar dados estruturados
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 — Visualização
A Matplotlib permite criar gráficos e visualizações:
- Gráficos de linhas, barras e setores
- Histogramas e distribuições
- Gráficos com múltiplos eixos
- Personalização avançada (cores, legendas, anotações)
O modelo pode gerar gráficos, mas a sua exibição depende de como gere a resposta na sua aplicação.
SciPy — Computação Científica
A SciPy estende a NumPy com funcionalidades científicas avançadas:
- Otimização e minimização de funções
- Interpolação e integração numérica
- Processamento de sinal
- Estatística avançada (testes de hipóteses, distribuições)
- Resolução de equações diferenciais
O Que Pode Pedir
Com estas bibliotecas, o modelo pode realizar uma vasta gama de tarefas:
Cálculos Matemáticos
- Resolução de equações e sistemas de equações
- Cálculos matriciais e álgebra linear
- Estatística descritiva e inferencial
- Análise combinatória e probabilidades
Análise de Dados
- Limpeza e transformação de conjuntos de dados
- Agregações e estatísticas de grupo
- Deteção de anomalias e valores atípicos
- Correlações e regressões
Modelação Financeira
- Cálculos de retorno e risco (Sharpe, Sortino)
- Otimização de carteiras
- Modelos de avaliação
- Simulações de Monte Carlo
Computação Científica
- Resolução de equações diferenciais
- Simulações físicas
- Análise de séries temporais
- Processamento de dados experimentais
O Que Não Pode Fazer
A sandbox não permite:
- Instalar novas bibliotecas (
pip installnão está disponível) - Utilizar bibliotecas de aprendizagem automática (sem scikit-learn, TensorFlow, PyTorch)
- Aceder a APIs externas ou à rede
- Ler ficheiros do seu sistema local
Se o seu caso de utilização exigir bibliotecas indisponíveis na sandbox, terá de executar o código gerado no seu próprio ambiente Python.
Pontos-chave
- A sandbox inclui NumPy, Pandas, Matplotlib, SciPy e outros pacotes comuns
- Estas bibliotecas cobrem computação numérica, análise de dados, visualização e computação científica
- Não é possível instalar bibliotecas adicionais
- As bibliotecas de ML (scikit-learn, TensorFlow) não estão disponíveis
- O modelo utiliza automaticamente a biblioteca adequada para a tarefa solicitada