Дмитрий

>>> import random
>>> def foo(number):
...     first = random.randint(0, number)
...     second = number - first
...     return first, second
... 
>>> foo(123)
(39, 84)

https://numpy.org/doc/1.18/reference/generated/num...

Лучше сделать так:

for i in range(200):
    driver.execute_script("var evt = document.createEvent('MouseEvents');evt.initEvent('wheel', true, true);evt.deltaY = -100000;document.querySelector('.yamb-conversation__content').dispatchEvent(evt);")
    time.sleep(2)
    html2 = driver.page_source
    soup2 = BeautifulSoup(html2, 'lxml')

В твоём варианте ты выполняешь прокрутку, считываешь содержимое страницы, а только затем делаешь паузу. Зачем?
В моём же варианте, ты сначала выполняешь прокрутку, делаешь паузу (в это время контент успевает загрузиться) и уже только потом считываешь содержимое страницы.

И ссылка для общего развития: https://selenium-python.readthedocs.io/waits.html

lxml

df = pd.DataFrame([{'name': '"name1"', 'status': '"ok"'}, {'name': '"name2"', 'status': '"ok"'}])
>>> df
      name status
0  "name1"   "ok"
1  "name2"   "ok"

1.

>>> for col in df.columns.values:
...     df[col] = df[col].str.strip('"')
... 
>>> df
    name status
0  name1     ok
1  name2     ok

2.

>>> df[df.columns] = df.apply(lambda x: x.str.strip('"'))
>>> df
    name status
0  name1     ok
1  name2     ok

from pprint import pprint
import pandas as pd

dic = [
  {'name': 'Pavel', 'id': '233082', 'pos': ['85742', '95380', '40979']},
  {'name': 'Oleg', 'id': '233082', 'pos': ['81052', '8316', '3062']},
  {'name': 'Oleg', 'id': '233082', 'pos': ['41052', '5318', '2304']},
  {'name': 'Oleg', 'id': '233082', 'pos': ['21050', '1317', '9305.']},
  {'name': 'Nikolay', 'id': '233082', 'pos': ['25781', '94116', '20264']},
]

df = pd.DataFrame(dic)
# print(df)
#       name      id                    pos
# 0    Pavel  233082  [85742, 95380, 40979]
# 1     Oleg  233082    [81052, 8316, 3062]
# 2     Oleg  233082    [41052, 5318, 2304]
# 3     Oleg  233082   [21050, 1317, 9305.]
# 4  Nikolay  233082  [25781, 94116, 20264]

foo = {'pos': lambda rows: [x for x in rows] if len(rows) > 1 else rows, 'name': 'first', 'id': 'first'}

df = df.groupby('name').aggregate(foo).to_dict(orient='record')

# pprint(df)
# [{'id': '233082', 'name': 'Nikolay', 'pos': ['25781', '94116', '20264']},
#  {'id': '233082',
#   'name': 'Oleg',
#   'pos': [['81052', '8316', '3062'],
#           ['41052', '5318', '2304'],
#           ['21050', '1317', '9305.']]},
#  {'id': '233082', 'name': 'Pavel', 'pos': ['85742', '95380', '40979']}]

>>> df = pd.DataFrame([{'name': 'example', 'email': 'example@example.com'}, {'name': 'example2', 'email': 'example2@example.com'}])
>>> df
       name                 email
0   example   example@example.com
1  example2  example2@example.com
>>> for _, row in df.iterrows():
...     row['email']
... 
'example@example.com'
'example2@example.com'

1.

>>> import pandas as pd
>>> df = pd.read_csv('sample.csv')
>>> df
   id                        images
0   0   https://image.png?width=640
1   1  https://image2.png?width=640
2   2  https://image3.png?width=640
>>> df['images'] = df['images'].str.split('?').str[0]
>>> df
   id              images
0   0   https://image.png
1   1  https://image2.png
2   2  https://image3.png

2.

import csv
>>> with open('sample.csv', 'r') as f:
...     rows = list(csv.DictReader(f))
... 
>>> rows
[OrderedDict([('id', '0'), ('images', 'https://image.png?width=640')]), OrderedDict([('id', '1'), ('images', 'https://image2.png?width=640')]), OrderedDict([('id', '2'), ('images', 'https://image3.png?width=640')])]
>>> rows = [{k: v.split('?')[0] if k=='images' else v for k, v in row.items()} for row in rows]
>>> rows
[{'id': '0', 'images': 'https://image.png'}, {'id': '1', 'images': 'https://image2.png'}, {'id': '2', 'images': 'https://image3.png'}]

2017-2018 Алгоритмы и структуры данных на Python 3...

Кластерный анализ
K-mean

Знаешь, я всегда думал, что человек с таким опытом программирования должен без проблем читать и понимать тексты на английском языке.

import requests
from requests.auth import HTTPBasicAuth
import base64
import json
    
    
def run():
    account_id = 'f802238b-58****ab51-2989606f4745'
    key = base64.b64encode(bytes('3_0KgI4JvUDQNLcluZYnzA4YCad'))
    auth = HTTPBasicAuth(account_id, key)

    url = 'https://smartcat.ai/api/integration/v1/project/create'
   
    with open("project.json","r") as f:
        project = json.load(f)
   
   
    headers = {'Content-Type': 'application/json'}

    response = requests.post(url, data=project, headers=headers, auth=auth)

    print(response)
run()

Для Data Science никакого программирования ненадо - только основы, а вот тервер, мат статистика итд нужны на хорошем уровне.