用途：执行科学计算类 Python 代码，用于计算、数据分析、模拟以及结果验证。常见场景包括运行统计分析、数值计算、数据处理、蒙特卡洛模拟和核验已有结论。
主要能力：资料给出五类模式。一是统计分析，使用 numpy 与 scipy.stats 计算均值、标准差、Welch t 检验与 Cohen's d 效应量；二是数值计算，使用 scipy.integrate.quad 做积分、scipy.optimize.fsolve 解方程；三是数据处理，使用 pandas 读取 CSV、去空值、派生列并分组聚合；四是蒙特卡洛模拟，用 numpy 随机数估计圆周率；五是验证，根据原始数据计算均值与 95% 置信区间，并与声称值比对输出 PASS/FAIL。常用导入包括 numpy、pandas、scipy 的 stats/optimize/integrate/signal、matplotlib（Agg 后端）、json、csv、sys 以及 collections。
使用方式：在沙箱中直接运行 Python 代码，数据需内联提供或放在磁盘上。资料建议设置随机种子、报告库版本以保证可复现；使用 np.float64 与 np.log1p 提升数值稳定性；优先向量化 NumPy 而非 Python 循环；计算前校验输入的形状、类型与范围；按有效数字报告结果，避免过度精度；使用参数检验前检查假设；多重比较时应用 Bonferroni 或 FDR 校正。错误处理可捕获 ValueError、np.linalg.LinAlgError 与 MemoryError。
限制：沙箱无网络访问，数据必须内联或落盘；无持久状态，每次执行相互独立；存在内存限制，大数据需分块处理；存在时间限制，长模拟需减少迭代次数。资料未提供安装命令、收费方式与平台支持信息。