U235U235

mat_A,_=np.mgrid[0:100:5, 0:100:5]

Еще вариант без for:

b=np.array([256*256,256,1], dtype=np.uint32) # or [1, 256, 256*256] BGR<->RGB
result=image@b

Для этого Python не нужен. Просто верстаете визитку-бейджик в программе верстке Scribus, устанавливайте дополнение https://berteh.github.io/ScribusGenerator/
Затем делаете слияние при печати с нужным Excel файлом с данными.
Все.
https://www.youtube.com/watch/kMsRn38TOiQ

Можно так: arr[bool_mask]=42
Старайтесь не использовать циклы for, если работаете с массивами.

В документации по этому поводу ясно сказано, что аргумент функции - набор (set) символов, которые будут удалены в конце исходной строки.

Что мешает предварительно кропнуть картинку, так, чтобы числа с точками не попали в облать распознавания? Создаем сами себе трудности, а потом героически их преодолеваем. :-)

Еще можно разбить изображение на блоки, такого же размера как у фона, посчитать у каждого блока дисперсию, блоки у которых дисперсия низкая - это скорее всего не круги, а где высокая - круги.

Попробуйте понизить версию Python, 3.11 еще не все пакеты поддерживает.

Используйте pywinauto.mouse.press для зажатия и pywinauto.mouse.release для отпускания кнопки мыши.

Попробуйте так:

hour = int(input())
minute = int(input())
waiting = int(input())
time_mitutes=hour*60+minute+waiting
h,m=divmod(time_mitutes%1440, 60)
print(f'{h:02d}:{m:02d}')

python test.py &
python test.py >out.txt &

f'{55565434555:,d}'.replace(',','.')

Для начала хорошо бы определиться с признаками объектов, по которым их кластеризировать, а это можете сделать только вы, исходя из контекста задачи. Попробуйте использовать статистические моменты, топологические признаки, площадь, периметр, коэффициент формы, направление главных осей.

Если у вас уже скелет есть, то, самое простое, это взять среднее по окрестности 3x3, а дальше порогом выделять разветления или конечные точки.