Andrey Dugin

from itertools import groupby
from operator import itemgetter

data = [
    {'group': 'style', 'name': 'Классика'},
    {'group': 'style', 'name': 'Модерн'},
    {'group': 'type', 'name': '2-х комнатная квартира'}
]

ig = itemgetter('group')

result = [list(group) for key, group in groupby(sorted(data, key=ig), ig)]

from collections import defaultdict

data = [
    {'group': 'style', 'name': 'Классика'},
    {'group': 'style', 'name': 'Модерн'},
    {'group': 'type', 'name': '2-х комнатная квартира'}
]

result = defaultdict(list)

for item in data:
    result[item['group']].append(item)

result = list(result.values())

У вас размер батча должен быть (64, 1024, 1024, 3), а первый входной слой, соответственно, Input(shape=(1024, 1024, 3)). Причём тут 3145728, вы разве Conv2D не к двумерному изображению применяете? Почему у вас изображения в виде одномерного массива? Вот вам именно об этой ошибке и пишут, потому что Conv2D работает на массивах с 3 измерениями (height, width, channels). Покажите модель вашей нейросети.

cv2.copyMakeBorder(), также можно воспользоваться numpy.pad()

Очевидно, comp.find() ничего не находит и возвращает None, у которого нет метода .get_text() - нужна проверка:

search_result = comp.find(...)
if search_result is not None:
    comp_list.append({'title': search_result.get_text(strip=True)})

Универсальный подход, который годится для любых типов ключей:

from itertools import dropwhile

key = '5'
state = {1: 'a', 'abc': 'b', 3.14:'c', None: 'v', '5': 'b', '6': 'n', '7': 'm'}

new_state = dict(dropwhile(lambda item: item[0] != key, state.items()))

Или так:

for k in state.copy():
    if k != key:
        del state[k]
    else:
        break

OpenCV SimpleBlobDetector - именно то, что вам нужно. Можно и площадь, и даже степень круглости задать.

Проще всего использовать masked array:

import cv2
import numpy as np
from PIL import Image

img = cv2.imread('words.png', cv2.IMREAD_GRAYSCALE)

mask = img.min(axis=0) == 255.0
masked = np.ma.array(img[0, :], mask=mask)
slices = np.ma.notmasked_contiguous(masked)

pieces = [img[:, s] for s in slices]

Чтобы слова не разбивались на части, сильнее заблюрьте изображение перед получением маски.

P.S. Для масштабирования достаточно передать коэффициенты по осям fx и fy:

scaled = cv2.resize(img, None, fx=2.5, fy=2.5, interpolation=cv2.INTER_AREA)

Это не предсказания, а график движения цены на пост-маркете после окончания американской сессии.

В get() добавить return, и тогда:
result = list(map(get, my_list)
Не называйте переменную list, т.к. это переопределяет встроенный тип list!

df.rolling(6).mean().shift(-5)

df.groupby(['client_id', 'phone_number']).count().reset_index()