dmshar

Уже отвечал вам:

plt.scatter(x, y,
c = label,
norm = plt.Normalize(vmin=min(label), vmax=max(label)+1),
cmap = "nipy_spectral")

Да сколько угодно:
py-algorithm.blogspot.com/2011/04/blog-post_09.html
А вам что, от количества реализаций платят?

Ну, например так (4000 мне набивать, конечно, лень - пусть будет 10)

st = 'ывалбыамиобмашщмкфултмафвлдфвав'
for i in range(0, len(st), 10):
    print(st[i:i+10] )

Результат:

ывалбыамио
бмашщмкфул
тмафвлдфва
в

Вам поможет библиотека psutil
- кроссплатформенная библиотека для получения информации о запущенных процессах и использовании системы (процессор, память, диски, сеть, датчики) в Python. Помимо мониторинга, используется также для профилирования, ограничения ресурсов процесса и управления запущенными процессами.
Только вот если сами не можете нагуглить ответ на столь элементарный вопрос - браться за такие задачи вам рановато.

Смотрите функции библиотеки ptrace. - возможности контроля стороннего процесса.

Если у вас данные во второй файл не поступают динимачечски, то разумнее его отсортировать один раз по ip и так хранить. Возможно - сразу-же и отсортировать. А в случае необходимости - просто извлекать нужные записи из уже отсортированного файла.
Это можно сделать в Python "в ручную", но проще - через pandas. Т.е. читаете файл в DataFrame, группируете (group by), сортируете и получившийся DataFrame сбрасываете на диск. Далее - по мере необходимости - работаете с уже отсортированным файлом (или DataFrame - в зависимости от того, что за задача).

Если же у вас данные поступают динамически, причем динамически изменяется и первый и второй файл (т.е. второй файл просто постоянно накапливает новую информацию, а первый - это по сути запрос пользователя на поиск конкретных ip вовтором файле) - то ничего другого, как последовательного просмотр второго файла для каждого вновь заданного ip придумать сложно.

Массивы в Numpy реализованы почти так-же как и в С++ . Главное отличие - это всегда непрерывный в оперативной памяти участок однотипных данных. За счет этих двух фундаментальных свойств и соответственно - отсутствия соответствующих проверок и преобразований, операции над элементами массивов Numpy выполняются ощутимо быстрее, чем над списками, особенно при больших объемах хранимой информации. Недостатком массивов в Numpy есть неэффективное использования оперативной памяти в случаях, если реальных элементов массиве меньше, чем задекларированный размер массива.
Списки реализованы в виде несколько модифицированной ссылочной структуры С++. Точнее - память там выделяется блоками, доступ не прямо к элементу, а через систему ссылок и пр. Кроме того, списки это разнотипные элементы, более того - это возможно еще и списки списков или списки других составных типов данных. В общем, что-бы выполнить простую операцию, интерпретатору необходимо выполнить достаточно много проверок и переходов.
В последних версиях реализация списков сильно оптимизирована. Тем не менее, операции с его элементами остаются более медленными, чем над элементами массивов Numpy.
Наличие "множества полезных и удобных функций" - это уже производное от базовых отличий.

И что, вы выберете эти разделы и кинетесь именно их учить?
Ну вот вам ответили в соседнем ответе. И что? Только вот что-бы выучить ту же теорию оптимизации надо знать и классическую вышку, и линейную алгебру и много чего еще чего.
Математика - эта такая наука, которая не терпит растягивания на кусочки. Уж точно - на уровне школьной программы или программы инженерного универа.

Google Class.
В меру бесплатен, весь описанный функционал - на лицо (и даже больше).
Осваивается вами за 30 минут, учащимися за 15. И ничего качать не надо - ни вам, ни классу.
Рекомендую.
Единственное, чего нет - видеоконференции и расшаривание своего экрана. Но вам оно и ни к чему.