Максим Припадчев

df['updated'] = pd.to_datetime(df['updated'],errors='coerce' )
df['created'] = pd.to_datetime(df['created'],errors='coerce' )
df['resolved'] = pd.to_datetime(df['resolved'],errors='coerce')

Это сработает, единственное, в этих колонках кое где есть значения которые он не может распарсить, c этим ничего сделать нельзя посредством pandas. Если они нужны то это отдельно писать парсер для них и изучать каждый кейс. Поэтому для этих кейсов я добавил параметр errors='coerce' там где он не может распарсить он добавил nat. Ну и манипуляции с датами сами я так понял что проблема привести в нужный формат что бы весь мощный функционал pandas был доступен.

a1.append(a.copy())
И увидите как вы ожидаете, а происходит так потому что вы добавляете ссылку на лист, а нужно добавлять копию, объекта.

import requests
import browser_cookie3
import json
cookies = browser_cookie3.chrome()
dict_cookies = requests.utils.dict_from_cookiejar(cookies)
with open("cookies.json", "w") as f:
    json.dump(dict_cookies, f)

for row in soup.find_all('p')[0].text.split('/n'):
    print(row)

import pandas as pd
#создаю такую же таблицу как у тебя
df = pd.DataFrame({
    'Дата':['23-01-01','23-01-01','24-01-01','24-01-01'],
    'Часы':['10:00','11:00','10:00','11:00'],
    'Процент':[10.2,11.2,22.2,42.2],
    'Опрошенных':[20,27,40,12]
})
#само решение
reshaped_df = df.pivot(index=['Дата'],columns='Часы',values=['Процент','Опрошенных'])\
    .swaplevel(axis=1).T.reset_index()\
    .pivot(index='Часы',columns='level_1')
reshaped_df.columns.names = ['Дата',None]
print(reshaped_df)

Ну в общем вот сделал такую же таблицу как у тебя в желаемом результате, решение работает, но конечно возможно наверное чуть по короче, задачка то переформатировать именно вот таким замудренным образом (не могу представить зачем с ней же неудобно работать) отнюдь не самая простая. Но сделал.

Да у тебя порядок [процент, опрошенных, процент, опрошенных] а у меня [опрошенных, процент, опрошенных, процент] на данные сами числа естественно полностью совпадают. Если это играет какую-то роль то столбцовые мульти-индексы сам подправишь. А в остальном полная копия твоей таблицы.

Вот то что вы ищете с учетом экспорта в excel при чем на всякий случай несколькими способами.
www.geeksforgeeks.org/python-plotting-scatter-char...

Вы имеете ввиду сколько перестановок возможно без замены то есть если я использовал например 8 то все я не могу использовать 8 снова. Логика следующая у вас есть 4 позиции _,_,_,_ на первую вы можете сколько вариантов подставить вы имеете на выбор 5, 6, 7, 8 то есть 4. Вы имеете 4,_,_,_. Теперь выбираете из 3 чисел. 4,3,_,_ и по той же логике получаете 4*3*2*1.

Сначала собираете все датафреймы в отдельный лист, затем конкатенируете и все. По вашему коду должно быть как то так. Протестировать то код я не могу возможно где то опечатки. Собираете фреймы в лист в цикле, а затем за пределами цикла конкатенируете в общий фрейм и вне цикла записываете в файл.

import io
import pandas as pd


excel_file = io.BytesIO()
excel_file.name = "table_excel.xlsx"
all_frames = []
for history in ads:
    item_title = history.get("item_title")
    item_price = history.get("item_price")
    current_df = pd.DataFrame(
        {
            "Имя": [item_title],
            "Цена": [item_price],
        }
    )
    all_frames.append(currend_df)
final_df = pd.concat(all_frames, ignore_index=True)

final_df.to_excel(excel_file, encoding="utf-8", index=False)

где у вас print(a) вставьте вот этот код, вы выводите на печать длину массива, а нужно суммировать длины строк каждого элемента массива.
print(sum(len(i) for i in a))

Потому что точка (1/e, f(1/e)), это критическая точка. Критическая точкой называется точки где функция либо не дифференцируема, либо производная функции равна нулю.
Соответственно наша функция, y = x^x, ее производная будет x^x*(ln(x) + 1). далее приравниваем производную к нулю x^x*(ln(x) + 1) = 0 и решаем для x. Решением данного уравнения будет 1/e Подставляем 1/e в исходное функцию и получаем это вы уже нашли округленно 0.692. (1/e,0.692) - Критическая точка. А в критических точках функция меняет свое направление, то есть если до этого шла на убавление проходя через критическую точку она пойдет на возрастание и наоборот.
И так ответ Потому что (1/e, f(1/e)) Является критической точкой.
Также далее посредством тестов можно найти является ли критическая точка локальным минимумом или максимум в нашем случае глобальным потому что она одна. В данном случае тест легко покажет что это точка глобальный минимум. А минимум слева убывает проходит через критическую точку и начинает возрастать.
ДОПОЛНЕНИЕ К ответу.

Выходит, что до 1/e функция убывает, а после - возрастает. Откуда берется такая связь?

Здесь дело в том что данная критическая точка как указал выше является минимумом в контексте вашего вопроса даже не важно глобальным или локальным. Что бы критическая точка называлась минимум производная функции должна быть отрицательной слева от критической точки и положительной справа от критической точки если подставим в производную (ее я привел в самом начале) число не много меньшее чем критическая точка то мы получим отрицательное значение (что значит функция убывает) а если не много большее то положительное значит (функция возрастает). Поскольку функция убывает слева от критической точки и возрастает после нее это и есть определение минимума. Мы сейчас математическим методом нашли минимум. То есть ваша функция убывает до критической точки и возрастает после нее. Потому что точка является минимумом (в данном случае глобальным). Так будет не много точнее.

id_key = list(parsed_app_json.keys())[0]
print(parsed_app_json[id_key]['data']['name'])

В id_key будет всегда попадать первый ключ, соответственно вы сможете обращаться к ключу name независимо от значения первого ключа.

Да возможно.
session = requests.Session()

Первое что бы получить mean по группам для этого в pandas есть мощный инструмент groupby
например в вашем случае
means = data.groupby('Социальный класс').mean()
Это даст вам датафрейм где вы на группе запустили аггрегирующуюю функцию (можно не одну)
теперь к ответу на вопрос все решается в одну строчку

data["Возраст"] = data.groupby("Социальный класс").transform(lambda x: x.fillna(x.mean()))

все этот код решит ваш вопрос, для его лучшего понимания (очень рекомендую) разберитесь как следует с groupby это очень частая проблема.

Ну код ваш совсем не рабочий, первое отступы (у вас 8 должно быть 4), второе new_pole вы должны объявить до цикла, до присваивания в цикле дело не дойдет когда new_pole[i_col][i_row] python выдаст ошибку уже вот здесь что не знает что такое new_pole.
Теперь ответ на ваш вопрос, Когда вы делаете что то типа

list1 = [1,2,3]
new_list = list1

вы не создаете два объекта вы создаете две ссылки на один и и тот же объект [1,2,3]. И скажем если вы сделаете
list1.append(4) У вас будут изменения и в new_list. Потому что объект всего один а ссылки на него две.
Что бы избежать это нужно использовать deepcopy
Вот ваш код но в рабочей версии.

from copy import deepcopy
pole = [['x', 'x', 'x', '.'], ['.', '.', '.', '.'], ['x', '.', 'x', 'x'], ['x', '.', '.', '.']]
new_pole = deepcopy(pole)
for i_row in range(len(pole)):
    for i_col in range(len(pole[i_row])):
        new_pole[i_col][i_row] = pole[i_row][i_col]
print(pole)
print(new_pole)