Hoppa till huvudinnehåll
Svenska— Välj ett språk
Meny

Tillgängliga Python-bibliotek

Lektion 13 av 16 Uppdaterad 30 juli 2026 Utvecklare
På denna sida
  1. Python-sandlådemiljön
  2. Kärnbibliotek
  3. Vad du kan begära
  4. Vad du inte kan göra
  5. Viktiga punkter

Python-sandlådemiljön

Python-sandlådan för kodexekvering är ingen skalbar Python-miljö. Den innehåller en uppsättning förinstallerade bibliotek för vetenskapliga beräkningar och dataanalys. Att känna till dessa bibliotek är avgörande för att fullt ut kunna utnyttja funktionerna för kodexekvering och förstå vad du kan – och inte kan – be modellen göra.

Kärnbibliotek

NumPy – Numeriska beräkningar

NumPy är grundbiblioteket för numeriska beräkningar i Python. I sandlådan möjliggör det:

  • Operationer på flerdimensionella arrayer
  • Linjär algebra (matriser, vektorer, dekompositioner)
  • Slumptalsgenerering
  • Fouriertransformer
  • Avancerade matematiska funktioner
# Modellen kan skriva och exekvera denna typ av kod
import numpy as np

# Generera en slumpmässig matris och beräkna dess egenvärden
matrix = np.random.randn(5, 5)
eigenvalues = np.linalg.eigvals(matrix)

Pandas – Datahantering

Pandas är standardbiblioteket för hantering av tabulär data:

  • Skapa och transformera DataFrames
  • Rengöra och förbereda data
  • Aggregeringar och gruppering
  • Deskriptiv statistik
  • Pivot-tabeller och join-operationer
import pandas as pd

# Analysera strukturerad 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 – Visualisering

Matplotlib låter dig skapa diagram och visualiseringar:

  • Linje-, stapel- och cirkeldiagram
  • Histogram och fördelningar
  • Plotar med flera axlar
  • Avancerad anpassning (färger, legend, annoteringar)

Modellen kan generera diagram, men huruvida de visas beror på hur du hanterar svaret i din applikation.

SciPy – Vetenskapliga beräkningar

SciPy utökar NumPy med avancerade vetenskapliga funktioner:

  • Optimering och funktionsminimering
  • Interpolation och numerisk integration
  • Signalbehandling
  • Avancerad statistik (hypotesprövning, fördelningar)
  • Lösning av differentialekvationer

Vad du kan begära

Med dessa bibliotek kan modellen utföra en lång rad uppgifter:

Matematiska beräkningar

  • Lösa ekvationer och ekvationssystem
  • Matrisberäkningar och linjär algebra
  • Deskriptiv och inferentiell statistik
  • Kombinatorisk analys och sannolikheter

Dataanalys

  • Rengöra och transformera datamängder
  • Aggregeringar och gruppsstatistik
  • Detektering av anomalier och avvikare
  • Korrelationer och regressioner

Finansiell modellering

  • Beräkning av avkastning och risk (Sharpe, Sortino)
  • Portföljoptimering
  • Värderingsmodeller
  • Monte Carlo-simuleringar

Vetenskapliga beräkningar

  • Lösning av differentialekvationer
  • Fysikaliska simuleringar
  • Tidsserieanalys
  • Bearbetning av experimentell data

Vad du inte kan göra

Sandlådan tillåter inte att du:

  • Installerar nya bibliotek (pip install finns inte tillgängligt)
  • Använder bibliotek för maskininlärning (ingen scikit-learn, TensorFlow, PyTorch)
  • Kommer åt externa API:er eller nätverket
  • Läser filer från ditt lokala system

Om ditt användningsfall kräver bibliotek som inte finns i sandlådan måste du köra den genererade koden i din egen Python-miljö.

Viktiga punkter

  • Sandlådan innehåller NumPy, Pandas, Matplotlib, SciPy och andra vanliga paket
  • Dessa bibliotek täcker numeriska beräkningar, dataanalys, visualisering och vetenskapliga beräkningar
  • Det går inte att installera ytterligare bibliotek
  • Bibliotek för maskininlärning (scikit-learn, TensorFlow) är inte tillgängliga
  • Modellen använder automatiskt rätt bibliotek för den begärda uppgiften