Ir para o conteúdo principal
Português— Escolher um idioma
Menu

Bibliotecas Python Disponíveis

Aula 13 de 16 Atualizada a 30 de julho de 2026 Programador
Nesta página
  1. O Ambiente Sandbox Python
  2. Bibliotecas Principais
  3. O Que Pode Pedir
  4. O Que Não Pode Fazer
  5. Pontos-chave

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 install não 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