### fill the gaps below and send the script back
import pandas as pd
import numpy as np

d = {'url':'https://www.numbeo.com/quality-of-life/rankings_by_country.jsp',
     'name': 'rankings_by_country',
     'load_func': lambda URL: pd.read_html(URL)[1]}

df = d['load_func'](d['url'])

# заполняем пробелы: добавляем рейтинг
df['Rank']=np.arange(len(df))[::1]+1

# охраняем скрипт в виде html
df_html = df.to_html()

# выводим
print(df)
print(df_html)

### find top 5 countries by Quality of Life Index, excluding Luxembourg, Denmark, Switzerland
top_5_quality_of_life = df.loc[~df['Country'].isin(['Luxembourg', 'Denmark', 'Switzerland'])].Country.to_list()[:5]
print(top_5_quality_of_life)

### calculate average Quality of Life Index in Europe*
# загружаем справочник по странам и континентам
f = {'url':'https://www.artlebedev.ru/country-list/xml/',
     'name': 'rankings_by_country',
     'load_func': lambda URL: pd.read_xml(URL)}

# формируем список стран и континентов
country_list = f['load_func'](f['url'])[['english','location']].rename(
                    columns={'english':'Country','location':'Continent'})

# объединяем таблицы
df_full = pd.merge(
          df, country_list, how='left')

# смотрим пропуски
print(df_full.loc[df_full.Continent.isna()])

# обрабатываем пропуски
df_full.loc[(df_full['Country'].isin(['Bosnia And Herzegovina', 'North Macedonia', 'Russia'])) &
            (df_full['Continent'].isna()), 'Continent'] = 'Европа'

# calculate average Quality of Life Index in Europe*
avg_quality_of_life_europe = df_full.loc[df_full['Continent'] == 'Европа']['Quality of Life Index'].mean()
print(avg_quality_of_life_europe)

### calculate average Quality of Life Index in Africa*
avg_quality_of_life_africa = df_full.loc[df_full['Continent'] == 'Африка']['Quality of Life Index'].mean()
print(avg_quality_of_life_africa)

### try to split countries into segments using approach you prefer

## cегментируем данные по суммарному индексу уровня жизни и
## добавляем новый категориальный признак: Quality of Life

# создаем список колонок
list_columns = df.columns[2:]
# создаем новую клонку: суммарный индекс
df['Sum_idx']= df[list_columns].sum(axis=1)

# выводим статистики нового признака
print(df.Sum_idx.describe())

# разбиваем данные на три сегмента по суммарному индексу
df['Quality of Life'] = pd.cut(df['Sum_idx'], 3,
                              labels=['low', 'average', 'high'])

# выводим таблицу, сортируя данные по новому признаку
print(df.sort_values(by='Sum_idx', ascending=False))

# считаем средние значения суммарного признака по новым сегментам
print(df.groupby('Quality of Life', observed=True)['Sum_idx'].mean())

# считаем количество стран по сегментам
print(df['Quality of Life'].value_counts())