Школа179

Просмотр кода страницы matplotlib страница

==matplotlib==

Основным материалом будет следующий ресурс: http://nbviewer.jupyter.org/github/whitehorn/Scientific_graphics_in_python/tree/master/


===Задача 1===
Глобальная задача: увидеть, что в питоне для умножения больших чисел используется алгоритм Карацубы, а также получить практически его асимптотику.
Должен получиться график в духе такого:

file:/py_vs_gmp_2.png



===Задача 2===
((https://goo.gl/q0GTLk Ирисы Фишера))
from sklearn import datasets
# После этой команды будет загружен словарь  (выполнить один раз)
iris = datasets.load_iris()

# Сохраняем данные на компьютер (выполнить один раз)
# data, target, feature_names, target_names = iris['data'], iris['target'], iris['feature_names'], iris['target_names']
# with open(r'M:\np_basic\iris.dump', 'wb') as f:
#     pickle.dump((data, target, feature_names, target_names), f)

# Загрузка данных из сохранённого дампа
with open(r'M:\np_basic\iris.dump', 'rb') as f:
    (data, target, feature_names, target_names) = pickle.load(f)


file:/iris_dataset_scatterplot.svg.png





===Задача 3===
====Титаник====

Данные:
file:/titanic_train.csv

##import numpy as np##
##import pandas as pd##
##titanic_df = pd.read_csv("titanic_train.csv")##
### Вектор ответов##
##y_train = titanic_df['Survived'].as_matrix()##
### Удаляем ненужные столбцы##
##titanic_df.drop(['PassengerId','Name','Ticket','Survived'], axis=1, inplace=True)##
### Данные##
##columns = titanic_df.columns##
##x_train = titanic_df.as_matrix()##

Описание столбцов:

  * PassengerId — идентификатор пассажира
  * Survival — поле в котором указано спасся человек (1) или нет (0)
  * Pclass — содержит социально-экономический статус:
    * высокий
    * средний
    * низкий
  * Name — имя пассажира
  * Sex — пол пассажира
  * Age — возраст
  * SibSp — содержит информацию о количестве родственников 2-го порядка (муж, жена, братья, сетры)
  * Parch — содержит информацию о количестве родственников на борту 1-го порядка (мать, отец, дети)
  * Ticket — номер билета
  * Fare — цена билета
  * Cabin — каюта
  * Embarked — порт посадки
    * C — Cherbourg
    * Q — Queenstown
    * S — Southampton

file:/__results___7_2.png
file:/__results___7_3.png
file:/__results___9_2.png

Для ((https://www.kaggle.com/c/titanic/data kaggle)):
file:/titanic_test.csv

##test_df = pd.read_csv("train.csv")##
### Сохраняем ID пассажиров##
##PassengerIds = test_df['PassengerId'].as_matrix()##
### Удаляем ненужные столбцы##
##test_df.drop(['PassengerId','Name','Ticket','Survived'], axis=1, inplace=True)##
### Делаем предсказание##
##y_pred = np.zeros_like(PassengerIds)##
### Генерим ответ##
##submission = pd.DataFrame({"PassengerId": PassengerIds, "Survived": y_pred})##
##submission.to_csv('titanic_submission.csv', index=False)##