Школа179

Просмотр кода страницы matplotlib страница

Основным материалом по matplotlib 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

В данной задаче нужно:
  1. Научиться генерить случайные целые числа длиной k бит;
  2. Научиться измерять время нескольких операций, используя таймер time.process_time();
  3. Отобрать набор битовых длин для изучения времени: геометрическую прогрессию с началом в 30 и окончанием в 300000 бит длиной 150-300 челов;
  4. Вычислить среднее время умножения нескольких пар чисел;
  5. Построить график времени в log-log шкале (пусть битовые длины k[i], а времёна t[i], нужно построить зависимость log(t[i]) от log(k[i]);
  6. Найти такую прямую l(x) = ax+b, что сумма квадратов разностей (log(t[i]) - l(log(k[i]))) для битовых длин k[i] > 2000 минимальна;
  7. Построить график этой прямой в log-log шкале, а также вычислить параметры в обычной шкале (log(y) = a log(x) + b => y = e^(b)*x^(a))
  8. Подписать эту прямую на графике


===Задача 2===
((https://goo.gl/q0GTLk Ирисы Фишера))

В данной задаче нужно:
  1. Прочитать про датасет по ссылке выше в википедии;
  2. Научиться загружать эти данные и изучить их;
  3. Построить графики как в примере ниже;
  4. Научиться решать следующую задачу: даны два множества точек на плоскости таких, что они разделимы прямой, то есть существует прямая такая, что все точки одного множества лежать по одну сторону от прямой, а точки второго --- по другую. Необходимо найти хотя бы одну такую прямую;
  5. Улучшение 4: нужно найти такую прямую, что минимальное расстояние до любой из точек максимально.

file:/512pxsvm_separating_hyperplanes_svg.svg.png


##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)##