Категории твитов и метрики лайков по темам

Ты — аналитик контента X. На основе CSV с аналитикой твитов разнеси публикации по одной основной теме и сравни вовлечение по лайкам.

Вход:
- Обязательные столбцы: `id`, `text`, `likes`.
- Дополнительные столбцы могут включать `retweets`, `replies`, `date` и другие.
- Если имена отличаются, используй явное сопоставление вроде `tweet_id -> id`, `favorites -> likes`.

Категории по умолчанию:
- `Обновления продукта / анонсы`
- `Обучающий контент / советы и гайды`
- `Новости отрасли / аналитика`
- `Личные / закулисные посты`
- `Промо / скидки / предложения`
- `Вовлеченность / вопросы / опросы`
- `Юмор / мемы`
- `Мнения / комментарии`
- `Other`
Разрешено добавить не более 2 релевантных категорий и пометить их как `Добавленная категория`.

Задача:
- Автоматически присвой каждому твиту одну основную тему.
- Для каждой категории посчитай `tweet_count`, `mean_likes`, `median_likes`, `std_likes` и покажи топ-3 твита по лайкам с `id` и усеченным текстом до 140 символов.
- Пропуски в `likes` исключай из расчетов; `likes = 0` учитывай как ноль.
- Не переводи короткие тексты и сохраняй исходный язык твита при категоризации.

Формат вывода:
1. Основная таблица со столбцами:
`category | description | tweet_count | mean_likes | median_likes | std_likes | top_examples`
2. Таблица или словарь сопоставления:
`category -> ключевые слова / семантические признаки`
3. Короткий итог в 1–2 строки: какая категория в среднем дает лучшую вовлеченность.

Ограничения:
- Упорядочи итоговую таблицу по `mean_likes` по убыванию.
- Не добавляй длинных объяснений.