Роман

[x - y for x, y in zip(b, a)]

Приоритет операций нужно учитывать, видимо:
1 in (1, 2, 3) == True
даст False, поскольку сначала выполнится (1, 2, 3) == True, что вернёт False, и затем получится проверка 1 in False, что есть False.
А вот так правильно:
(1 in (1, 2, 3)) == True
даст True.
А вот так ещё правильнее:

if 1 in (1, 2, 3):
    pass

Хотя бы потому, что следующий код не валидный:
def f(x):

а вот такой уже сойдёт

def f(x):
    pass

Да, конечно может. Определите методы __iter__ и __getitem__. Первый для возможности использовать в цикле типа for i in a, второй для доступа a[i]. Там же рядом есть описание метода __setitem__ и ещё много чего интересного.

Вы можете задать цвета сами, как написано в документации:

pie(x, explode=None, labels=None,
    colors=('b', 'g', 'r', 'c', 'm', 'y', 'k', 'w'),
    autopct=None, pctdistance=0.6, shadow=False,
    labeldistance=1.1, startangle=None, radius=None,
    counterclock=True, wedgeprops=None, textprops=None)

Определите свой массив colors цветов для частей диаграммы

Какой версии у вас OpenCV установлен?
Такого метода нет в OpenCV 3.0 и в версии 2.x тоже по моему не было такого метода. Попробуйте как здесь описывают.
Странно, что у вас модуль называется cv, а не cv2.

По определению: нужно доказать что приращение функции в этой точке может быть представлено как сумма значения функции в этой точке, плюс линейная часть относительно приращения независимой переменной, плюс бесконечно малая. В виде формулы на вики: ссылка

Возможно, как-то так

class Vector:
  def __init__(self, *args):
    self.data = args
      
  def __str__(self):
      return "({})".format(",".join(str(e) for e in self.data))

Как по мне, выглядит корректно. А элементы вектора везде обозначаются как v[n]? Или есть v_n, а есть v[n]? Кстати, то что вы хотите сказать этой записью называется функцией Хэвисайда, и в вашем случае может быть записано v[n] = H(n/2 - 2) (ну или вместо H может быть другое общеупотребимое обозначение этой функции).

Насколько я понимаю, плохо – это когда разница между минимумом и максимумом очень большая, хорошо – когда эта разница маленькая (по крайней мере на конце графика). Также имеет значение гладкость.

Я вижу здесь два варианта решения:

1. Описательный.
Вы сами формулируете критерии "хорошести", и находите способ её измерения. То есть нужна функция L: "множество функций" -> [0, 1], и если L(f) = 1, то график f хороший, если L(f) = 0, то график f плохой.

2. Машинное обучение.
Здесь вам всё равно нужно описать какие-то критерии функции, и для каждой функции соорудить вектор-признак. Например, вектор-признак может содержать информацию (значение максимума; значение минимума; разность между макс и мин; какой-то показатель гладкости (может быть вычислить производную в каждой точке, и смотреть чтобы производная менялась не сильно); площадь подграфика и т.п.).
Затем, собираете выборку графиков, для них получаете выборку векторов-признаков, и дальше можете использовать алгоритмы классификации: логистическая регрессия, нейронные сети, SVM и т.п. Успех данного подхода зависит от того, насколько хорошо придуманный вами вектор-признак будет описывать ваши же критерии.
Результатом будет та же функция L: "множество функций" -> [0, 1], только, возможно, вы не сможете осмыслить её работу (не будет словестного критерия, как в п.1), но она также будет выдавать на выход является функция хорошей или плохой.

Не знаю, для всего ли есть биндинги для Python, но в целом вот: docs.opencv.org/modules/contrib/doc/facerec/facere...