TASK #1(23_03_24)

import pandas as pd

data = pd.read_csv('/datasets/visits.csv', sep='\t')
#print(data.head())

data['date_time'] = pd.to_datetime(data['date_time'], format='%Y%m%dT%H%M%S')
#print(data.head())

data['local_time'] = data['date_time'] + pd.Timedelta(hours=3)
print(data.head())

data['date_hour'] = data['local_time'].dt.round('1H')
print(data.head())
.
Причиной коротких заездов может быть то, что водители нечаянно заезжают на АЗС, которые не работают по ночам. Если это действительно так, то вы увидите связь между короткими заездами и временем прибытия. Чтобы проверить эту гипотезу, измените тип столбца date_time на более удобный тип для даты.
Методом pd.to_datetime() переведите значения столбца date_time в таблице data в объекты datetime. В параметре format= укажите строку, соответствующую текущему формату date_time, с помощью специальных обозначений.
Выведите на экран первые пять строк data, чтобы проверить, что получилось.
Напомним, что в датафрейме записано время UTC. Московское рассчитывают как UTC + 3 часа.
Создайте столбец data['local_time'] и сохраните в нём сдвинутое на 3 часа время из столбца data['date_time']. Напечатайте первые 5 строк таблицы data.
Данные, связанные со временем, лучше округлять до той величины, которой будет достаточно для детального анализа. Чтобы проанализировать взаимосвязь между временем прибытия на АЗС и продолжительностью заезда, точность до минут и секунд не нужна. Округлите время до часов.
Выполните следующие шаги:
Создайте новый столбец date_hour и передайте ему значения столбца local_time, округлённые до часов.
Выведите первые пять строк data, чтобы проверить результаты.