German Jet

Гугл: https://www.google.ru/webhp?sourceid=chrome-instan...
2 верхних ссылки оттуда:
stackoverflow.com/questions/21882298/django-upload...
stackoverflow.com/questions/13704320/django-upload...

Про request.FILES: https://docs.djangoproject.com/en/1.7/ref/request-...

Подозреваю, что вам необходимо использовать requests.Session()

url = 'https://...'
login = 'login'
password = 'password'
s = requests.Session()
r = s.get(url, auth=(login, password))

Раз вы взялись использовать какую-то библиотеку, начните с чтения документации к этой библиотеке, обычно там есть ответы на большинство ваших вопросов.
Тут например

Еще, зачастую, чтение чужого кода помогает понять как правильно (или неочень) пользоваться тем или иным инструментом. Скрипт авторизующийся в вконтакте и качающий музыку пишет, пожалуй, каждый начинающий питонщик. Найти несложно.
Немало также статей по парсингу сайтов с помощью python. В них непременно будет urllib или requests. Например тут.
Вообщем, ищите и обрящете =)
Вот и в результате послал в гугл, мда. =)

upd. Раз вы самообучаетесь для себя, попробуйте порешать задачи тут: checkio.org. Полезнее всего будет не просто решать задачи, а смотреть как ту же задачу решили другие, много нового для себя откроете и цели в виде решения очередной задачи всегда будут иметься (ачивки, если вы искушенный задрот, тоже самоцель). В примерах оставленными другими есть как хорошо документированные, так и безумные решения завернутые в одну строку.

ИМХО, тут есть несколько аспектов:
1. Как написал brainick , математический бэкграунд и английский в data science практически обязателен.
Причин этому несколько: отсутствие хорошей литературы на русском языке (как по теории, так и по программированию), обилие английских терминов (lift/top/cross-validation и прочие), значение которых в переводной литературе порой объяснятся весьма туманно.
2. Если говорить о конкретной литературе, которую стоит почитать, я бы выделил несколько уровней:
Уровень 0
1. Бизнес-аналитика - Паклин, Орешков (самое базовое и обзорное введение)
2. Статистика/Тервер ( по мне, хороши книги Айвазяна/Мхитаряна)
3. SQL - в обязательном порядке. Мне в свое время помогла книга "SQL для простых смертных"
4. Изучаем Python - М. Лутц (наиболее полная книга по языку, все что нужно для data science здесь точно есть)
5. Программируем коллективный разум (к слову сказать, вот в этой книге отличный перевод)
Уровень 1
1. Математические основы машинного обучения и прогнозирования - Вьюгин (книга сложная, без подготовки по учебникам НМУ на тему анализа и линейной алгебры лучше не подходить)
2. Python for Data Analysis (pandas во всей красе, тут нечего добавить)
3. Примеры и статьи по построению моделей в sklearn - на хабре в последнее время часто мелькают статьи на эту тему, там все достаточно хорошо расписано.
Уровень 2
1. Hadoop и иже с ним ("Hadoop в действии", "Programming Pig")
2. Apache Spark - достаточно почитать описание Python API.
Тут есть еще один момент - не стоит слишком привязываться к одному языку и фреймворку.
Одна из неприятных проблем python+pandas+sklearn заключается в том, что эта связка слабо масштабируется - при 2-3-4 гб данных становится сложно разместить их в оперативной памяти. Я знаю про chunk-reading+partial_fit, но точность таких моделей оставляет желать лучшего.
С другой стороны, если обрабатывать эти данные в pyspark, то теряется все удобство pandas.DataFrame и так далее. Отрасль data science быстро развивается и обрастает новыми технологиями, так что нужно все время держать руку на пульсе.
UPD: в spark 1.3 появились DataFrame.

Очень часто питон используется в качестве небольших скриптов в кроне под Линукс.

Рекомендую ознакомиться с базовыми основами работы в Линукс консоли (bash), и принципами файловой системы в Линукс (права доступа, маски). Да и командная строка в Windows тоже нужна. Пусть не powershell, но там тоже поддерживаются и перенаправления и все такое.

Обязательно основы SQL - питон, как и любой другой язык, активно сотрудничает с базами данных, поэтому знать как получить данные по запросу из SQL, или через JSON - нужны. А чтобы создать даже простой запрос - основы SQL.

Система контроля версий. В основном питоноиды предпочитают git.

4. Если хочешь заняться веб разработкой, желательно знать HTML, CSS, JavaScript. Основы HTML, CSS можно выучить за пару дней, а дальше уже по желанию, это желательное, но не обязательное. Я знаю программистов у которых очень плохо с версткой, хотя какие-то основые они конечно знают.
Что касается Джанги, если речь о веб разработке, то да конечно учи Джангу, она самая востребованная.
Еще желательно знать git, если будет время изучи, хотя для джуниора думаю можно это уже в процессе работы выучить. И еще тебе понадобиться знать реляционную базу данных MySQL или Postgres.

6. Сделай практическую задачу напиши свой сайт, блог, интернет магазин, форум, мини аналог твитера, инстаграмма или чего угодно. Постарайся приблизить задачу к практике, желательно чтобы самому было интересно.

Для начала: https://www.python.org/dev/peps/pep-0020/
Один из пунктов там "явное лучше неявного".

Views в django на то и придуманы чтобы передавать данные и делать это явно, но то, как это сделать всецело зависит от Вас. Вы правы, нет смысла во всех вьюхах городить огород с передачей одних и тех же данных, тем более, если они общие для большинства шаблонов, но ни custom context processor, ни тем более custom template tag Вас не выручат так, как может одна простая конструкция:

где-нибудь в utils.py

def base_context(request):
    return Context({
        'user': request.user,
        '...': '...',
    })

Где-нибудь в views.py:

def view(request):
    context = base_context(request)
    context['this view specific data'] = 'happy coding'
    return render_to_response('template.html', context)

Таким образом Вы:
1. Не захламляете общий request flow и сохраняете контроль над контекстом любой вьюхи. Context processors будут вызваны для любого рендера, тогда как такой подход позволит Вам всегда иметь минимум необходимых данных под рукой и полный контроль над всеми вьюхами.

2. Передаете в контекст шаблонизатора только, что действительно должно в него попасть. Больше того, в отдельных вьюхах Вы даже можете переопределить базовые параметры, что не так удобно делать с context processors. (но лучше см. п.3)

3. Можете расширить абстракцию как угодно, и создать хоть 2, хоть 3, хоть больше базовых контекстов под всевозожные ситуации (зависит от архитектуры).

да есть kevindias.com/writing/django-class-based-views-mul...

1. Используй набор классов позволяющий на основе моделей быстро создавать админские интерфейсы таблицы, формы. Модели должны иметь описание полей,связи, валидацию, можно начать с этого CRUD Model или по серьезней phpactiverecord
2. Можно посмотреть в сторону готовых интерфейсов админки для CI - Bonfire
3. Создавай и используй модули повторно, они же функциональные блоки страницы: меню, слайдер, список новостей, описание товара и т.д. Это ускорит разработку в дальнейшем.

Как выше сказал FanatPHP и я с ним не могу не согласиться, нужно качать "программистские" скиллы.
Все остальное - исключительно под задачу. Бекенд чего вы хотите писать? Для сайта? приложение? может корпоративный сервис? Хотите много SQL? или вам подавай клевую ORM?

Ну это все нытье, а в общем и по делу - учите Java. Отличный язык для изучения, заодно бэкенд :).

Но если хочется рок-н-ролла, после фронт-енда, то имхо - Node.JS , если конечно фронт-енд это не "подключить jQuery", а что-то типа AngularJS