Preskok na glavno vsebino
Slovenščina— Izberite jezik
Meni

Razpoložljive knjižnice Python

Lekcija 13 od 16 Posodobljeno 30. julij 2026 Razvijalec
Na tej strani
  1. Peskovnik Python za izvajanje kode
  2. Osnovne knjižnice
  3. Kaj lahko zahtevaš
  4. Česa ne moreš storiti
  5. Ključne ugotovitve

Peskovnik Python za izvajanje kode

Peskovnik Python za izvajanje kode ni zgolj osnovno okolje. Vključuje nabor vnaprej nameščenih znanstvenih knjižnic in knjižnic za analizo podatkov. Poznavanje teh knjižnic je ključno za popolno izkoriščanje zmogljivosti izvajanja kode in razumevanje tega, kaj lahko – in česa ne – zahtevaš od modela.

Osnovne knjižnice

NumPy – Numerično računanje

NumPy je temeljna knjižnica za numerično računanje v Pythonu. V peskovniku omogoča:

  • Operacije z večdimenzionalnimi polji
  • Linearno algebro (matrike, vektorji, dekompozicije)
  • Generiranje naključnih števil
  • Fourierjeve transformacije
  • Napredne matematične funkcije
# Model lahko zapiše in izvede tovrstno kodo
import numpy as np

# Generiraj naključno matriko in izračunaj lastne vrednosti
matrix = np.random.randn(5, 5)
eigenvalues = np.linalg.eigvals(matrix)

Pandas – Manipulacija s podatki

Pandas je standardna knjižnica za manipulacijo s tabelarnimi podatki:

  • Ustvarjanje in preoblikovanje podatkovnih okvirjev (DataFrame)
  • Čiščenje in priprava podatkov
  • Agregacije in grupiranje
  • Opisna statistika
  • Pivotne tabele in operacije združevanja
import pandas as pd

# Analiza strukturiranih podatkov
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 – Vizualizacija

Matplotlib ti omogoča ustvarjanje grafov in vizualizacij:

  • Črtni, stolpčni in krožni diagrami
  • Histogrami in porazdelitve
  • Grafi z več osmi
  • Napredno prilagajanje (barve, legende, opombe)

Model lahko generira grafe, vendar je njihov prikaz odvisen od tega, kako odgovor obdelaš v svoji aplikaciji.

SciPy – Znanstveno računanje

SciPy razširja NumPy z naprednimi znanstvenimi funkcijami:

  • Optimizacija in minimizacija funkcij
  • Interpolacija in numerična integracija
  • Obdelava signalov
  • Napredna statistika (preizkušanje hipotez, porazdelitve)
  • Reševanje diferencialnih enačb

Kaj lahko zahtevaš

S temi knjižnicami lahko model izvaja širok spekter nalog:

Matematični izračuni

  • Reševanje enačb in sistemov enačb
  • Matrični izračuni in linearna algebra
  • Opisna in inferenčna statistika
  • Kombinatorična analiza in verjetnosti

Analiza podatkov

  • Čiščenje in preoblikovanje podatkovnih nizov
  • Agregacije in statistika po skupinah
  • Zaznavanje anomalij in osamelcev
  • Korelacije in regresije

Finančno modeliranje

  • Izračun donosnosti in tveganja (Sharpe, Sortino)
  • Optimizacija portfelja
  • Modeli vrednotenja
  • Monte Carlo simulacije

Znanstveno računanje

  • Reševanje diferencialnih enačb
  • Fizikalne simulacije
  • Analiza časovnih vrst
  • Obdelava eksperimentalnih podatkov

Česa ne moreš storiti

Peskovnik ne omogoča:

  • Nameščanja novih knjižnic (pip install ni na voljo)
  • Uporabe knjižnic za strojno učenje (ni scikit-learn, TensorFlow, PyTorch)
  • Dostopa do zunanjih API-jev ali omrežja
  • Branja datotek z tvojega lokalnega sistema

Če tvoj primer uporabe zahteva knjižnice, ki v peskovniku niso na voljo, boš moral generirano kodo zagnati v svojem okolju Python.

Ključne ugotovitve

  • Peskovnik vključuje NumPy, Pandas, Matplotlib, SciPy in druge pogoste pakete
  • Te knjižnice pokrivajo numerično računanje, analizo podatkov, vizualizacijo in znanstveno računanje
  • Namestitev dodatnih knjižnic ni mogoča
  • Knjižnice za strojno učenje (scikit-learn, TensorFlow) niso na voljo
  • Model samodejno izkoristi pravo knjižnico za zahtevano nalogo