Bibliothèques Python disponibles

L’environnement Python du sandbox

Le sandbox Python de Code Execution n’est pas un environnement Python nu. Il inclut un ensemble de bibliothèques scientifiques et d’analyse de données préinstallées. Connaître ces bibliothèques est essentiel pour exploiter pleinement les capacités de Code Execution et pour savoir ce que vous pouvez ou ne pouvez pas demander au modèle.

Bibliothèques principales

NumPy — Calcul numérique

NumPy est la bibliothèque fondamentale pour le calcul numérique en Python. Dans le sandbox, elle permet :

• Opérations sur les tableaux multidimensionnels
• Algèbre linéaire (matrices, vecteurs, décompositions)
• Génération de nombres aléatoires
• Transformées de Fourier
• Fonctions mathématiques avancées

# Le modèle peut écrire et exécuter ce type de code
import numpy as np

# Générer une matrice aléatoire et calculer ses valeurs propres
matrix = np.random.randn(5, 5)
eigenvalues = np.linalg.eigvals(matrix)

Pandas — Manipulation de données

Pandas est la bibliothèque de référence pour la manipulation de données tabulaires :

• Création et transformation de DataFrames
• Nettoyage et préparation de données
• Agrégations et regroupements
• Statistiques descriptives
• Pivot tables et opérations de jointure

import pandas as pd

# Analyse de données structurées
df = pd.DataFrame({
    'produit': ['A', 'B', 'C', 'A', 'B'],
    'ventes': [100, 150, 80, 120, 200],
    'mois': ['jan', 'jan', 'jan', 'fev', 'fev']
})
resume = df.groupby('produit')['ventes'].agg(['mean', 'sum', 'count'])

Matplotlib — Visualisation

Matplotlib permet de créer des graphiques et des visualisations :

• Graphiques en ligne, barres, camemberts
• Histogrammes et distributions
• Graphiques à plusieurs axes
• Personnalisation avancée (couleurs, légendes, annotations)

Le modèle peut générer des graphiques, mais leur affichage dépend de la façon dont vous traitez la réponse dans votre application.

SciPy — Calcul scientifique

SciPy étend NumPy avec des fonctionnalités scientifiques avancées :

• Optimisation et minimisation de fonctions
• Interpolation et intégration numérique
• Traitement du signal
• Statistiques avancées (tests d’hypothèses, distributions)
• Résolution d’équations différentielles

Ce que vous pouvez demander

Avec ces bibliothèques, le modèle peut effectuer un large éventail de tâches :

Calculs mathématiques

• Résolution d’équations et systèmes d’équations
• Calcul matriciel et algèbre linéaire
• Statistiques descriptives et inférentielles
• Analyse combinatoire et probabilités

Analyse de données

• Nettoyage et transformation de datasets
• Agrégations et statistiques par groupes
• Détection d’anomalies et valeurs aberrantes
• Corrélations et régressions

Modélisation financière

• Calculs de rendement et de risque (Sharpe, Sortino)
• Optimisation de portefeuille
• Modèles de valorisation
• Simulations Monte Carlo

Calcul scientifique

• Résolution d’équations différentielles
• Simulations physiques
• Analyse de séries temporelles
• Traitement de données expérimentales

Ce que vous ne pouvez pas faire

Le sandbox ne permet pas :

• Installer de nouvelles bibliothèques (pip install n’est pas disponible)
• Utiliser des bibliothèques de machine learning (pas de scikit-learn, TensorFlow, PyTorch)
• Accéder à des APIs externes ou au réseau
• Lire des fichiers depuis votre système local

Si votre cas d’usage nécessite des bibliothèques non disponibles dans le sandbox, vous devrez exécuter le code généré dans votre propre environnement Python.

Points clés à retenir

• Le sandbox inclut NumPy, Pandas, Matplotlib, SciPy et d’autres packages courants
• Ces bibliothèques couvrent le calcul numérique, l’analyse de données, la visualisation et le calcul scientifique
• Aucune installation de bibliothèque supplémentaire n’est possible
• Les bibliothèques de ML (scikit-learn, TensorFlow) ne sont pas disponibles
• Le modèle exploite automatiquement la bonne bibliothèque selon la tâche demandée