==matplotlib==
Основным материалом будет следующий ресурс:
http://nbviewer.jupyter.org/github/whitehorn/Scientific_graphics_in_py
thon/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','Tick
et','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&
apos;,'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)##

Для kaggle:

((https://goo.gl/q0GTLk Титаник))
import numpy as np
import pandas as pd
titanic_df = pd.read_csv("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()

((https://goo.gl/4wZCWD картинка))