DataSource
import networkx as nx
import numpy as np
class DataSource(object):
def __init__(self,filename,n):
self.filename = filename
self.n = n
self.G ={}
def getGraph(self):
self.G = nx.Graph()
H = nx.path_graph(self.n) # add 10 new nodes
self.G.add_nodes_from(H)
with open(self.filename) as f:
for line in f.readlines():
temp_list = line.split()
self.G.add_edge(int(temp_list[0]) - 1, int(temp_list[1]) - 1)
return self.G
import networkx as nx
import numpy as np
filename = r"F:\PyCharm\PyCharmProjects\machine-learning\sns_datasets\karate\karate_edges.txt"
n = 34
# 初值邻接矩阵
adjacencyMatrix = np.zeros((n, n))
# 亲密度矩阵
intimacy = np.zeros((n, n))
# 结点影响力矩阵
KI = np.zeros(n)
with open(filename) as f:
for line in f.readlines():
temp_list = line.split()
adjacencyMatrix[int(temp_list[0]) - 1][int(temp_list[1]) - 1] = 1
adjacencyMatrix[int(temp_list[1]) - 1][int(temp_list[0]) - 1] = 1
if __name__ == '__main__':
print(adjacencyMatrix)
for i in range(len(adjacencyMatrix)):
for j in range(len(adjacencyMatrix[0])):
print(adjacencyMatrix[i][j], end=' ')
print()
# 定义一个数组,用来保存每个结点的邻居数
neighborsNum = np.zeros(n)
# 计算每个结点的邻居数
for i in range(len(adjacencyMatrix)):
size = 0
for j in range(len(adjacencyMatrix[0])):
if(adjacencyMatrix[i][j] == 1):
size = size + 1
neighborsNum[i] = size
print("打印每个结点的邻居数")
for i in range(len(neighborsNum)):
print(neighborsNum[i])
# 计算每个结点与邻居结点的交集数量,用以计算初始化亲密度矩阵
for i in range(len(adjacencyMatrix)):
for j in range(len(adjacencyMatrix[0])):
# 如果找到了邻居,那么就对比当前结点所在的行与邻居结点所在的行有多少交集
commonNodes = 0
if(adjacencyMatrix[i][j] == 1):
for k in range(len(adjacencyMatrix[0])):
if((adjacencyMatrix[i][k] == 1) and (adjacencyMatrix[i][k] == adjacencyMatrix[j][k])):
commonNodes = commonNodes + 1
# 求得共同邻居数之后,根据公式计算亲密度
intimacy[i][j] = 1 + ((commonNodes)/(neighborsNum[i]+neighborsNum[j]-commonNodes-1))
print("共同邻居数与亲密度为", i, j, commonNodes, intimacy[i][j],end=' ')
print()
# 计算结点的影响力
for i in range(len(adjacencyMatrix)):
# 定义间接影响力变量
indirect = 0
for j in range(len(adjacencyMatrix[0])):
if(adjacencyMatrix[i][j] == 1):
indirect = indirect + intimacy[i][j]*neighborsNum[j]
KI[i] = neighborsNum[i] + indirect
print(i,"影响力的值为",KI[i])
KI.sort()
print(KI)
import networkx as nx
import numpy as np
filename = r"F:\PyCharm\PyCharmProjects\machine-learning\sns_datasets\USAir.txt"
n = 334
# 初值邻接矩阵
adjacencyMatrix = np.zeros((n, n))
# 亲密度矩阵
intimacy = np.zeros((n, n))
# 结点影响力矩阵
KI = np.zeros(n)
with open(filename) as f:
for line in f.readlines():
temp_list = line.split()
adjacencyMatrix[int(temp_list[0]) - 1][int(temp_list[1]) - 1] = 1
adjacencyMatrix[int(temp_list[1]) - 1][int(temp_list[0]) - 1] = 1
if __name__ == '__main__':
print(adjacencyMatrix)
for i in range(len(adjacencyMatrix)):
for j in range(len(adjacencyMatrix[0])):
print(adjacencyMatrix[i][j], end=' ')
print()
# 定义一个数组,用来保存每个结点的邻居数
neighborsNum = np.zeros(n)
# 计算每个结点的邻居数
for i in range(len(adjacencyMatrix)):
size = 0
for j in range(len(adjacencyMatrix[0])):
if(adjacencyMatrix[i][j] == 1):
size = size + 1
neighborsNum[i] = size
print("打印每个结点的邻居数")
for i in range(len(neighborsNum)):
print(neighborsNum[i])
# 计算每个结点与邻居结点的交集数量,用以计算初始化亲密度矩阵
for i in range(len(adjacencyMatrix)):
for j in range(len(adjacencyMatrix[0])):
commonNodes = 0;
# 如果找到了邻居,那么就对比当前结点所在的行与邻居结点所在的行有多少交集
if(adjacencyMatrix[i][j] == 1):
for k in range(len(adjacencyMatrix[0])):
if((adjacencyMatrix[i][k] == 1) and (adjacencyMatrix[i][k] == adjacencyMatrix[j][k])):
commonNodes = commonNodes + 1
# 求得共同邻居数之后,根据公式计算亲密度
intimacy[i][j] = 1 + ((commonNodes)/(neighborsNum[i]+neighborsNum[j]-commonNodes-1))
print("共同邻居数与亲密度为", i, j, commonNodes, intimacy[i][j],end=' ')
print()
# 计算结点的影响力
for i in range(len(adjacencyMatrix)):
# 定义间接影响力变量
indirect = 0;
for j in range(len(adjacencyMatrix[0])):
if(adjacencyMatrix[i][j] == 1):
indirect = indirect + intimacy[i][j]*neighborsNum[j]
KI[i] = neighborsNum[i] + indirect
print(i,"结点的影响力",KI[i])
import networkx as nx
import numpy as np
filename = r"F:\PyCharm\PyCharmProjects\machine-learning\sns_datasets\USAir.txt"
class KI(object):
def __init__(self, G, n):
self.G = G # 图
self.n = n
s = (n,n)
self.intimacy = np.zeros(s) # 亲密度矩阵
self.ki = {} # 影响力集合
# 计算亲密度矩阵
def calIntimacy(self):
# 计算每个结点与邻居结点的交集数量,用以计算初始化亲密度矩阵
for u in range(len(self.G)):
for v in list(self.G.neighbors(u)):
# 如果找到了邻居,那么就对比当前结点所在的行与邻居结点所在的行有多少交集
a = list(self.G.neighbors(u))
b = list(self.G.neighbors(v))
tmp = [val for val in a if val in b]
commonNodes = len(tmp)
self.intimacy[u][v] = 1 + ((commonNodes)/(self.G.degree(u)+self.G.degree(v)-commonNodes-1))
# print("共同邻居数与亲密度为", u, v, commonNodes, self.intimacy[u][v], end=' ')
# print()
# 计算结点的影响力
def calKI(self):
# 先计算亲密度矩阵
self.calIntimacy()
for u in range(len(self.G)):
# 定义间接影响力变量
indirect = 0
for v in list(self.G.neighbors(u)):
indirect = indirect + self.intimacy[u][v] * self.G.degree(v)
self.ki[u] = self.G.degree(u) + indirect
# print(u, "结点的影响力", self.ki[u])
return self.ki
if __name__ == '__main__':
import DataSource
G = DataSource.DataSource(filename, 332).getGraph()
print(sorted(KI(G, 332).calKI().items(), key=lambda x: x[1], reverse=True))
import random
import networkx as nx
import numpy as np
import pandas as pd
filename = r"F:\PyCharm\PyCharmProjects\machine-learning\sns_datasets\USAir.txt"
class SIR(object):
def __init__(self, beta, gama, s0, i0, r0, G, seed_node_list):
"""
初始化模型参数
:param beta: 感染系数
:param gama: 恢复系数
"""
self.beta = beta
self.gama = gama
self.initalization(s0, i0, r0, G, seed_node_list)
def initalization(self, s0, i0, r0, G, seed_node_list):
"""
初始化易感者、感染者和移除者在总体人数N中的比例
:param s0:
:param i0:
:param r0:
:param G: networkx 生成的图数据G
:param G: list 种子节点列表
:return:
"""
self.s0 = s0
self.i0 = i0
self.r0 = r0
self.G = G
self.seed_node_list = seed_node_list
def sir_model(self, y, beta, gama):
s, i, r = y
ds_dt = - beta * s * i
di_dt = beta * s * i - gama * i
dr_dt = gama * i
return np.array([ds_dt, di_dt, dr_dt])
def calc(self):
influenced_node = []
G = self.G
# i_state_node 被感染者结点
i_state_node = self.seed_node_list[:] # 列表拷贝
# r_state_node 移除感染者结点列表,即恢复者
r_state_node = []
resu = []
# 假设每个节点之间的传染行为是相互独立的
# 对于每个节点来说,传播的初始s/i/r是累计的
s0, i0, r0 = self.s0, self.i0, self.r0
# 只要被感染者结点数大于0
while len(i_state_node) > 0:
# 取出每个节点,进行SIR传播
node = i_state_node.pop()
# 找邻居节点
node_neighbors = G.neighbors(node)
if abs(i0) > pow(10, -6):
resus = self.sir_model([s0, i0, r0], self.beta, self.gama)
# 更新s0/i0/r0
s0 += resus[0]
i0 += resus[1]
r0 += resus[2]
resu.append([s0, i0, r0])
# 依次计算每个邻居节点的度
for u in node_neighbors:
# 判断该节点的状态 S/I/R
# 邻居节点处于以感染状态,先不计算它
# 邻居节点处于以恢复状态,先不计算它
if not (u in i_state_node or u in r_state_node):
# 邻居节点处于S状态
# 计算感染系数
# beta = 1 / G.degree(u)
# 进行SIR模型的计算
# abs求绝对值
if random.random() < self.beta:
# 节点状态变为I
i_state_node.append(u)
influenced_node.append(u)
# # 当前节点node也有一定的几率变为R
# if random.random() < self.gama:
# # 节点状态变为R
# r_state_node.append(node)
# else:
# # 节点保持I状态
# i_state_node.append(node)
for v in i_state_node:
if random.random()<self.gama:
i_state_node.remove(v)
influenced_node.remove(v)
# print("种子节点集合:", self.seed_node_list, ",len=", len(self.seed_node_list))
# print("影响的节点集合为:", [x for x in r_state_node if x not in self.seed_node_list], ",len=", len([x for x in r_state_node if x not in self.seed_node_list]))
return r_state_node,influenced_node
# 调用案例
if __name__ == '__main__':
import DataSource
G = DataSource.DataSource(filename, 332).getGraph()
import KI
# 计算结点重要性程度并排序,排序结果为一元组(结点原下标,重要性权重)
ki = sorted(KI.KI(G, 332).calKI().items(), key=lambda x: x[1], reverse=True)
ki_list =[x[0] for x in ki] # 取出每个ki中的节点下标,或者说是不带权重的结点值
# 保存每个结点的能力值大小
r_state_node, influenced_node = SIR(0.2, 0.05, 1 - (1 / len(G)), 1 / len(G), 0, G, ki_list[100:101]).calc()
print(len(pd.value_counts(r_state_node)))
import numpy as np
import networkx as nx
import random
import matplotlib.pyplot as plt
filename = r"F:\PyCharm\PyCharmProjects\machine-learning\sns_datasets\USAir.txt"
class SIR(object):
def __init__(self, beta, gama, s0, i0, r0, G, seed_node_list):
"""
初始化模型参数
:param beta: 感染系数
:param gama: 恢复系数
"""
self.beta = beta
self.gama = gama
self.initalization(s0, i0, r0, G, seed_node_list)
def initalization(self, s0, i0, r0, G, seed_node_list):
"""
初始化易感者、感染者和移除者在总体人数N中的比例
:param s0:
:param i0:
:param r0:
:param G: networkx 生成的图数据G
:param G: list 种子节点列表
:return:
"""
self.s0 = s0
self.i0 = i0
self.r0 = r0
self.G = G
self.seed_node_list = seed_node_list
def sir_model(self, y, beta, gama):
s, i, r = y
ds_dt = - beta * s * i
di_dt = beta * s * i - gama * i
dr_dt = gama * i
return np.array([ds_dt, di_dt, dr_dt])
def calc(self):
# 自定义
resu = [] # 计算结果
x_ = [] # x坐标轴,存储循环计算次数
x = 0
influenced_node = []
G = self.G
# i_state_node 被感染者结点
i_state_node = self.seed_node_list[:] # 列表拷贝
# r_state_node 移除感染者结点列表,即恢复者
r_state_node = []
count = 0
count_ = []
resu = []
# 假设每个节点之间的传染行为是相互独立的
# 对于每个节点来说,传播的初始s/i/r是累计的
s0, i0, r0 = self.s0, self.i0, self.r0
# 只要被感染者结点数大于0
while len(i_state_node) > 0:
# 取出每个节点,进行SIR传播
node = i_state_node.pop()
# 找邻居节点
node_neighbors = G.neighbors(node)
# 依次计算每个邻居节点的度
for u in node_neighbors:
# 判断该节点的状态 S/I/R
# 邻居节点处于以感染状态,先不计算它
# 邻居节点处于以恢复状态,先不计算它
if not (u in i_state_node or u in r_state_node):
# 邻居节点处于S状态
# 计算感染系数
beta = 1 / G.degree(u)
# 进行SIR模型的计算
# abs求绝对值
if abs(i0) > pow(10, -6) > 0:
count += 1
count_.append(count)
resus = self.sir_model([s0, i0, r0], beta, self.gama)
# 更新s0/i0/r0
s0 += resus[0]
i0 += resus[1]
r0 += resus[2]
resu.append([s0, i0, r0])
# 该节点状态的改变
m = 0
for v in G.neighbors(u):
if v in i_state_node:
m += 1
pro = 1 - pow(1 - beta, m)
if random.random() < pro:
# 节点状态变为I
i_state_node.append(u)
influenced_node.append(u)
# 当前节点node也有一定的几率变为R
if random.random() < self.gama:
# 节点状态变为R
r_state_node.append(node)
else:
# 节点保持I状态
i_state_node.append(node)
# print("种子节点集合:", self.seed_node_list, ",len=", len(self.seed_node_list))
# print("影响的节点集合为:", [x for x in r_state_node if x not in self.seed_node_list], ",len=", len([x for x in r_state_node if x not in self.seed_node_list]))
return r_state_node,influenced_node
# 调用案例
if __name__ == '__main__':
import DataSource
G = DataSource.DataSource(filename, 332).getGraph()
import MCIM
seed = MCIM.MCIM(G, 5).calc()
r_state_node,influenced_node = SIR(None, 0.05, 1 - (5 / len(G)), 5 / len(G), 0, G, seed).calc()
print(r_state_node)
118 201 0.1804
118 258 0.1474
118 182 0.0332
118 152 0.0416
118 162 0.0676
47 118 0.1828
118 144 0.1231
118 263 0.1733
118 301 0.1366
118 221 0.0745
118 321 0.2510
118 203 0.1788
65 118 0.1800
118 306 0.1514
118 297 0.1305
118 253 0.1720
118 183 0.1744
118 307 0.1508
118 169 0.1640
118 216 0.0686
118 212 0.0769
118 274 0.1504
92 118 0.0611
68 118 0.1008
91 118 0.0532
118 125 0.0839
118 189 0.0379
118 305 0.1419
118 202 0.0688
118 222 0.0622
80 118 0.0910
118 273 0.1001
118 250 0.1652
118 126 0.0085
118 204 0.0600
118 127 0.0212
118 186 0.0471
118 148 0.0155
118 129 0.0704
76 118 0.0797
78 118 0.0298
118 163 0.0223
70 118 0.0289
114 118 0.0065
77 118 0.0195
118 261 0.0985
248 261 0.1093
201 261 0.1367
150 261 0.1396
261 311 0.1090
146 261 0.1400
147 261 0.1383
258 261 0.0765
112 261 0.1131
261 313 0.3292
182 261 0.0655
67 261 0.1162
219 261 0.0972
261 299 0.0907
152 261 0.1122
261 293 0.0291
162 261 0.1295
47 261 0.1894
144 261 0.1071
261 263 0.1026
261 301 0.0876
177 261 0.1152
221 261 0.0972
261 310 0.1079
232 261 0.0414
261 321 0.2098
261 296 0.0323
123 261 0.0973
172 261 0.0623
261 292 0.0442
203 261 0.1338
65 261 0.1779
167 261 0.0851
261 306 0.1047
197 261 0.1363
261 297 0.0329
246 261 0.1053
253 261 0.1064
94 261 0.1068
183 261 0.1369
261 307 0.0987
261 276 0.0487
225 261 0.0241
169 261 0.1319
216 261 0.0321
261 284 0.0815
212 261 0.1128
261 274 0.0712
189 261 0.0765
133 261 0.0806
239 261 0.0302
202 261 0.1097
218 261 0.0923
128 261 0.0844
251 261 0.1079
254 261 0.0255
261 275 0.0278
198 261 0.0455
222 261 0.0720
261 308 0.0638
261 273 0.0809
240 261 0.0549
213 261 0.1213
250 261 0.0996
261 286 0.0553
261 271 0.0358
261 281 0.0495
261 267 0.0169
242 261 0.1170
261 309 0.0645
206 261 0.0456
81 261 0.1239
220 261 0.0331
261 290 0.0363
261 266 0.0257
226 261 0.0271
261 270 0.0097
142 261 0.1219
241 261 0.0175
261 278 0.0280
261 279 0.0229
261 291 0.0328
247 261 0.0128
261 304 0.0526
184 261 0.0738
261 280 0.0176
153 261 0.0892
257 261 0.0164
261 269 0.0127
168 261 0.0818
118 255 0.0815
255 261 0.0646
248 255 0.1730
201 255 0.1969
150 255 0.0860
166 255 0.1195
255 311 0.0779
146 255 0.0868
109 255 0.1078
147 255 0.0852
255 258 0.1405
112 255 0.0821
255 313 0.3924
182 255 0.0574
67 255 0.1163
219 255 0.1582
255 299 0.0523
152 255 0.0688
255 293 0.0657
162 255 0.0757
47 255 0.2336
230 255 0.0232
179 255 0.0624
144 255 0.1560
255 263 0.1670
255 301 0.0551
174 255 0.0659
177 255 0.0618
221 255 0.0357
176 255 0.0516
255 310 0.0756
232 255 0.0313
131 255 0.0753
255 321 0.1729
255 296 0.0672
123 255 0.0796
217 255 0.0263
172 255 0.0752
255 292 0.0458
65 255 0.2254
167 255 0.0588
255 306 0.0701
255 297 0.0816
246 255 0.1689
119 255 0.0992
253 255 0.1703
94 255 0.0906
255 288 0.0748
161 255 0.0598
159 255 0.0612
255 307 0.0692
95 255 0.0934
255 276 0.1132
225 255 0.0691
216 255 0.0633
255 284 0.0332
212 255 0.0521
92 255 0.0998
91 255 0.0968
125 255 0.1017
255 256 0.0118
189 255 0.0438
133 255 0.0936
255 305 0.0605
239 255 0.0410
202 255 0.0517
218 255 0.0327
255 260 0.0234
157 255 0.0738
237 255 0.0165
222 255 0.0208
255 322 0.1767
249 255 0.0171
255 273 0.0219
255 298 0.0460
240 255 0.0152
255 287 0.0310
255 283 0.0453
255 286 0.0334
255 271 0.0315
192 255 0.0420
255 281 0.0342
255 300 0.0564
137 255 0.0702
255 267 0.0493
127 255 0.0760
234 255 0.0139
223 255 0.0196
132 255 0.0858
255 295 0.0394
215 255 0.0289
255 272 0.0163
129 255 0.0917
255 265 0.0111
255 266 0.0403
255 289 0.0334
184 255 0.1237
118 248 0.1733
201 248 0.0406
248 311 0.2091
248 258 0.0329
182 248 0.1500
67 248 0.1655
248 299 0.1961
152 248 0.2042
162 248 0.2270
47 248 0.1305
144 248 0.0731
248 263 0.0131
248 301 0.1914
232 248 0.1451
172 248 0.1310
248 292 0.1482
203 248 0.0373
65 248 0.1133
197 248 0.0410
248 253 0.0037
248 316 0.2303
94 248 0.1776
183 248 0.0483
245 248 0.0025
169 248 0.0536
248 274 0.0418
248 250 0.0097
242 248 0.0087
214 248 0.0308
248 331 0.5326
244 248 0.0048
168 248 0.0800
182 201 0.1634
144 201 0.0609
201 203 0.0033
197 201 0.0011
201 253 0.0441
183 201 0.0110
178 201 0.0171
185 201 0.0088
201 236 0.0278
118 150 0.0730
150 248 0.2360
150 201 0.2491
150 311 0.1456
146 150 0.0014
150 258 0.2065
150 182 0.0863
67 150 0.1069
150 219 0.2151
150 299 0.1227
150 152 0.0328
150 162 0.0104
47 150 0.2555
144 150 0.1945
150 263 0.2335
150 301 0.1289
150 221 0.0522
150 321 0.2158
150 292 0.1318
150 306 0.1371
150 212 0.0379
92 150 0.0264
91 150 0.0309
150 202 0.0349
150 322 0.2178
150 324 0.2193
118 166 0.0890
166 261 0.0770
166 248 0.0886
166 201 0.0914
150 166 0.1586
166 311 0.1832
146 166 0.1583
147 166 0.1567
166 258 0.0706
112 166 0.1121
166 313 0.3226
166 182 0.0746
67 166 0.0770
166 219 0.0631
166 299 0.1618
152 166 0.1258
166 293 0.1055
162 166 0.1510
47 166 0.1150
144 166 0.0374
166 263 0.0919
166 301 0.1603
166 177 0.1399
166 232 0.0883
166 296 0.1085
123 166 0.0894
166 172 0.0520
166 292 0.1196
166 203 0.0898
65 166 0.1059
166 167 0.0947
166 197 0.0905
166 297 0.1032
166 246 0.0847
166 253 0.0881
94 166 0.0917
166 183 0.0857
166 276 0.0766
166 225 0.0560
166 169 0.0758
166 216 0.0572
166 274 0.0794
133 166 0.0481
45 166 0.0988
128 166 0.0596
166 251 0.0883
166 198 0.0431
90 166 0.0855
166 213 0.0808
166 250 0.0821
130 166 0.0749
166 242 0.0917
75 166 0.1021
140 166 0.0426
82 166 0.0551
166 206 0.0634
148 166 0.0779
51 166 0.0796
81 166 0.0472
166 175 0.0195
50 166 0.0828
106 166 0.0500
41 166 0.0831
142 166 0.0564
166 184 0.0158
153 166 0.0137
166 168 0.0104
118 311 0.1594
201 311 0.2423
182 311 0.1340
67 311 0.1939
152 311 0.1404
162 311 0.1369
47 311 0.2976
263 311 0.1993
301 311 0.0237
221 311 0.0966
311 321 0.1011
292 311 0.0647
203 311 0.2392
306 311 0.0086
94 311 0.1684
311 322 0.1057
287 311 0.0486
311 324 0.1021
118 146 0.0724
146 311 0.1468
146 182 0.0862
67 146 0.1061
146 299 0.1238
146 152 0.0325
146 301 0.1300
146 221 0.0531
146 232 0.0987
123 146 0.0714
146 172 0.1071
146 292 0.1326
146 306 0.1383
119 146 0.0126
94 146 0.0745
146 307 0.1418
146 212 0.0390
92 146 0.0250
91 146 0.0296
146 189 0.0654
146 202 0.0358
80 146 0.0329
146 168 0.1686
109 118 0.0862
109 261 0.1605
109 248 0.2545
109 201 0.2655
109 150 0.0218
109 166 0.1744
109 311 0.1652
109 146 0.0211
109 147 0.0227
109 258 0.2256
109 112 0.0629
109 182 0.1045
67 109 0.1156
109 219 0.2328
109 299 0.1431
109 152 0.0503
109 293 0.1714
109 162 0.0321
47 109 0.2658
109 230 0.0851
109 179 0.0455
109 144 0.2092
109 301 0.1495
109 174 0.0420
109 177 0.0464
109 221 0.0736
109 176 0.0765
109 310 0.1625
109 232 0.1193
109 131 0.0560
109 321 0.2300
109 203 0.2638
109 167 0.0819
109 306 0.1568
94 109 0.0863
109 161 0.0713
109 159 0.0647
109 307 0.1608
95 109 0.0398
109 212 0.0586
92 109 0.0270
91 109 0.0348
109 202 0.0565
80 109 0.0128
109 273 0.1108
118 147 0.0711
147 248 0.2344
147 201 0.2472
147 150 0.0020
147 311 0.1457
146 147 0.0017
147 258 0.2049
147 182 0.0845
67 147 0.1050
147 219 0.2134
147 299 0.1226
147 152 0.0310
147 293 0.1487
47 147 0.2535
147 301 0.1288
147 177 0.0237
147 221 0.0517
147 310 0.1430
147 232 0.0970
147 321 0.2166
123 147 0.0700
147 172 0.1055
147 292 0.1310
147 167 0.0625
147 306 0.1372
94 147 0.0733
147 307 0.1406
147 284 0.1047
147 212 0.0378
92 147 0.0251
91 147 0.0293
125 147 0.0171
147 305 0.1340
147 202 0.0344
147 218 0.0528
99 147 0.0616
147 322 0.2187
80 147 0.0344
143 147 0.0055
147 273 0.0893
96 147 0.0255
147 300 0.1247
147 153 0.1684
147 324 0.2201
201 258 0.0662
182 258 0.1214
152 258 0.1754
47 258 0.1437
144 258 0.0702
258 263 0.0271
203 258 0.0629
258 297 0.0784
253 258 0.0299
183 258 0.0701
169 258 0.0701
216 258 0.0862
258 274 0.0137
250 258 0.0232
258 264 0.0151
112 118 0.0233
112 248 0.1952
112 201 0.2035
112 150 0.0510
112 311 0.1577
112 146 0.0502
112 147 0.0490
112 258 0.1684
112 182 0.0487
67 112 0.0563
112 219 0.1723
112 299 0.1321
112 152 0.0229
112 293 0.1319
112 162 0.0470
47 112 0.2046
112 144 0.1464
112 263 0.1947
112 301 0.1362
112 177 0.0434
112 221 0.0649
112 310 0.1552
112 232 0.0764
112 296 0.1346
112 123 0.0228
112 172 0.0643
112 292 0.1220
112 203 0.2019
65 112 0.2025
112 167 0.0282
112 306 0.1493
112 253 0.1938
94 112 0.0242
112 307 0.1500
112 212 0.0626
92 112 0.0379
91 112 0.0302
112 125 0.0609
112 189 0.0405
112 305 0.1417
112 202 0.0545
99 112 0.0128
112 157 0.0387
90 112 0.0317
112 126 0.0159
112 136 0.0503
112 137 0.0151
71 112 0.0326
100 112 0.0083
84 112 0.0131
70 112 0.0267
118 313 0.4076
248 313 0.2347
201 313 0.2389
258 313 0.2609
182 313 0.3823
67 313 0.3992
219 313 0.2595
47 313 0.3086
263 313 0.2344
246 313 0.2387
313 316 0.0086
312 313 0.0096
313 329 0.3011
313 318 0.0179
313 319 0.0212
313 314 0.0045
313 331 0.3468
313 317 0.0071
313 326 0.0736
313 315 0.0072
182 301 0.1105
182 216 0.0373
182 274 0.1225
92 182 0.0837
182 222 0.0429
106 182 0.0465
160 182 0.0122
182 196 0.0133
67 118 0.0388
67 201 0.1639
67 258 0.1454
67 182 0.0604
67 152 0.0783
67 162 0.1033
47 67 0.1502
67 144 0.1033
67 263 0.1685
67 301 0.1705
67 292 0.1431
67 203 0.1630
65 67 0.1498
67 197 0.1629
67 246 0.1617
67 253 0.1651
67 183 0.1562
67 307 0.1847
67 274 0.1518
67 189 0.0745
67 133 0.0368
67 76 0.0508
67 78 0.0100
43 67 0.0364
118 219 0.1498
219 248 0.0263
201 219 0.0395
219 258 0.0299
182 219 0.1288
67 219 0.1399
219 299 0.1873
152 219 0.1828
162 219 0.2065
47 219 0.1144
144 219 0.0477
219 263 0.0336
219 301 0.1834
219 232 0.1286
123 219 0.1499
172 219 0.1085
203 219 0.0366
65 219 0.0984
197 219 0.0392
219 297 0.1056
219 246 0.0230
219 253 0.0268
94 219 0.1535
183 219 0.0412
169 219 0.0402
219 274 0.0436
133 219 0.1101
219 250 0.0227
118 299 0.1337
201 299 0.2268
299 311 0.0257
258 299 0.1635
182 299 0.1088
67 299 0.1685
152 299 0.1153
162 299 0.1136
144 299 0.1958
299 301 0.0076
221 299 0.0722
232 299 0.0771
299 321 0.1232
123 299 0.1317
292 299 0.0480
299 306 0.0178
94 299 0.1427
299 307 0.0182
92 299 0.1427
125 299 0.1366
299 305 0.0118
299 322 0.1274
273 299 0.0353
287 299 0.0244
286 299 0.0357
152 201 0.2163
152 182 0.0542
47 152 0.2244
152 263 0.2023
152 301 0.1202
152 221 0.0447
152 297 0.1400
152 183 0.2114
152 307 0.1335
92 152 0.0326
91 152 0.0283
125 152 0.0463
152 189 0.0357
152 305 0.1257
152 202 0.0321
152 222 0.0486
80 152 0.0588
126 152 0.0331
127 152 0.0210
152 215 0.0400
129 152 0.0327
152 156 0.0277
118 293 0.1207
248 293 0.1233
201 293 0.1558
293 311 0.0865
146 293 0.1503
258 293 0.0911
182 293 0.0876
67 293 0.1428
219 293 0.1165
293 299 0.0730
152 293 0.1265
162 293 0.1393
47 293 0.2160
144 293 0.1335
263 293 0.1143
293 301 0.0681
293 296 0.0032
172 293 0.0891
292 293 0.0259
203 293 0.1527
65 293 0.2037
167 293 0.1038
293 306 0.0838
293 297 0.0165
246 293 0.1198
253 293 0.1200
183 293 0.1575
293 307 0.0766
225 293 0.0530
216 293 0.0595
284 293 0.0698
274 293 0.0820
133 293 0.1082
293 305 0.0696
286 293 0.0419
281 293 0.0368
293 309 0.0393
290 293 0.0172
142 293 0.1469
162 201 0.2410
147 162 0.0095
162 258 0.1971
162 182 0.0777
152 162 0.0261
144 162 0.1873
162 301 0.1196
162 221 0.0423
162 321 0.2101
162 307 0.1317
92 162 0.0312
91 162 0.0334
125 162 0.0263
162 305 0.1249
162 202 0.0250
80 162 0.0440
162 273 0.0800
47 201 0.0938
47 182 0.1826
47 144 0.0825
47 203 0.0963
47 253 0.1334
47 183 0.0836
47 56 0.0122
47 74 0.0310
47 86 0.0555
118 230 0.0737
230 261 0.0849
230 248 0.1911
201 230 0.2122
150 230 0.0634
166 230 0.1295
230 311 0.0901
146 230 0.0642
147 230 0.0627
230 258 0.1591
112 230 0.0680
182 230 0.0586
67 230 0.1115
219 230 0.1744
230 299 0.0648
152 230 0.0505
230 293 0.0887
162 230 0.0532
47 230 0.2408
179 230 0.0401
230 263 0.1860
230 301 0.0697
177 230 0.0398
221 230 0.0127
176 230 0.0412
230 310 0.0875
230 232 0.0460
230 321 0.1774
172 230 0.0802
230 292 0.0688
167 230 0.0509
230 306 0.0816
230 297 0.1044
94 230 0.0819
161 230 0.0478
159 230 0.0468
230 307 0.0830
230 284 0.0453
212 230 0.0290
92 230 0.0793
91 230 0.0773
125 230 0.0789
189 230 0.0374
230 305 0.0751
230 239 0.0576
202 230 0.0287
218 230 0.0099
157 230 0.0521
230 237 0.0071
222 230 0.0165
143 230 0.0666
230 273 0.0295
230 298 0.0577
230 240 0.0301
230 287 0.0491
230 286 0.0553
230 281 0.0569
230 300 0.0680
204 230 0.0208
230 252 0.0179
186 230 0.0304
230 295 0.0532
215 230 0.0141
230 272 0.0393
230 235 0.0108
230 243 0.0179
230 238 0.0174
227 230 0.0170
118 179 0.0628
179 261 0.1167
150 179 0.0238
179 311 0.1259
146 179 0.0244
147 179 0.0229
112 179 0.0454
179 182 0.0678
67 179 0.1005
179 299 0.1019
152 179 0.0225
179 293 0.1260
162 179 0.0134
179 301 0.1077
179 221 0.0299
179 310 0.1232
179 232 0.0753
123 179 0.0613
172 179 0.0901
179 292 0.1082
167 179 0.0478
179 306 0.1173
94 179 0.0677
179 307 0.1201
92 179 0.0409
91 179 0.0408
125 179 0.0396
179 189 0.0448
179 218 0.0302
144 182 0.1118
144 253 0.0742
144 183 0.0529
144 216 0.0929
144 274 0.0830
86 144 0.0286
104 144 0.0206
201 263 0.0536
182 263 0.1482
47 263 0.1429
144 263 0.0813
203 263 0.0504
253 263 0.0097
183 263 0.0613
250 263 0.0109
118 174 0.0632
174 261 0.1198
174 248 0.2183
174 201 0.2332
150 174 0.0203
166 174 0.1438
174 311 0.1291
146 174 0.0209
147 174 0.0193
174 258 0.1882
112 174 0.0448
174 182 0.0698
67 174 0.1004
174 219 0.1982
174 299 0.1053
152 174 0.0221
174 293 0.1294
162 174 0.0099
174 230 0.0436
174 301 0.1111
174 221 0.0333
174 176 0.0407
174 310 0.1264
131 174 0.0340
174 321 0.2054
172 174 0.0919
174 292 0.1117
167 174 0.0493
174 306 0.1206
161 174 0.0390
159 174 0.0327
174 307 0.1234
174 284 0.0867
174 212 0.0219
92 174 0.0377
91 174 0.0380
125 174 0.0362
174 305 0.1164
174 202 0.0162
174 218 0.0338
143 174 0.0239
174 273 0.0712
174 204 0.0243
89 174 0.0386
118 177 0.0606
177 248 0.2139
177 201 0.2290
150 177 0.0247
177 311 0.1264
146 177 0.0253
177 258 0.1837
177 182 0.0657
67 177 0.0983
177 299 0.1023
152 177 0.0204
177 293 0.1250
162 177 0.0144
47 177 0.2424
177 179 0.0022
144 177 0.1767
177 263 0.2108
177 301 0.1079
174 177 0.0046
177 321 0.2044
177 292 0.1075
177 212 0.0206
91 177 0.0399
125 177 0.0406
177 202 0.0137
157 177 0.0125
80 177 0.0579
177 273 0.0678
96 177 0.0489
177 204 0.0200
141 177 0.0183
182 221 0.0650
221 301 0.0779
221 321 0.1789
221 307 0.0905
92 221 0.0704
91 221 0.0694
221 305 0.0832
202 221 0.0173
221 322 0.1818
221 273 0.0379
129 221 0.0589
118 176 0.0325
176 261 0.0862
176 248 0.1786
176 201 0.1925
150 176 0.0574
166 176 0.1032
176 311 0.1285
146 176 0.0574
147 176 0.0558
176 258 0.1493
112 176 0.0310
176 182 0.0291
67 176 0.0708
176 219 0.1579
176 299 0.1028
152 176 0.0265
162 176 0.0486
47 176 0.2078
176 179 0.0388
144 176 0.1401
176 263 0.1762
176 301 0.1064
176 221 0.0426
176 310 0.1261
176 232 0.0468
176 296 0.1048
172 176 0.0513
176 292 0.0911
65 176 0.2031
167 176 0.0105
176 306 0.1204
94 176 0.0408
176 307 0.1204
176 284 0.0831
176 212 0.0478
92 176 0.0584
91 176 0.0527
176 189 0.0100
176 305 0.1118
176 239 0.0564
176 202 0.0402
176 218 0.0371
99 176 0.0370
176 222 0.0311
80 176 0.0853
176 271 0.0701
176 192 0.0096
126 176 0.0268
137 176 0.0187
118 310 0.1570
150 310 0.1429
310 311 0.0027
146 310 0.1441
182 310 0.1319
67 310 0.1917
299 310 0.0234
152 310 0.1378
293 310 0.0860
162 310 0.1342
301 310 0.0219
177 310 0.1238
221 310 0.0940
232 310 0.0994
123 310 0.1551
292 310 0.0637
167 310 0.1341
306 310 0.0059
94 310 0.1661
307 310 0.0094
143 310 0.1452
302 310 0.0218
118 232 0.0670
201 232 0.1667
232 311 0.1013
232 258 0.1133
182 232 0.0355
67 232 0.0954
152 232 0.0719
162 232 0.0881
47 232 0.2028
232 301 0.0775
232 292 0.0483
232 297 0.0681
94 232 0.0762
232 307 0.0915
225 232 0.0389
216 232 0.0320
189 232 0.0369
133 232 0.0669
222 232 0.0314
232 285 0.0470
118 131 0.0313
131 261 0.1123
131 248 0.1993
131 201 0.2095
131 150 0.0418
131 166 0.1183
131 311 0.1494
131 146 0.0412
131 147 0.0398
131 258 0.1715
112 131 0.0108
131 182 0.0502
67 131 0.0667
131 219 0.1771
131 299 0.1240
131 152 0.0121
131 293 0.1290
131 162 0.0368
47 131 0.2139
131 230 0.0594
131 179 0.0346
131 301 0.1284
131 177 0.0325
131 221 0.0552
131 176 0.0267
131 310 0.1469
123 131 0.0302
131 172 0.0685
131 292 0.1172
131 167 0.0278
131 306 0.1410
94 131 0.0341
131 307 0.1421
125 131 0.0532
131 189 0.0367
131 305 0.1339
131 153 0.1295
182 321 0.2303
301 321 0.1240
321 322 0.0054
321 325 0.0094
118 296 0.1237
150 296 0.1517
296 311 0.0848
258 296 0.0926
182 296 0.0905
67 296 0.1460
232 296 0.0582
123 296 0.1222
292 296 0.0258
296 297 0.0162
225 296 0.0562
216 296 0.0627
275 296 0.0415
296 308 0.0349
123 182 0.0319
67 123 0.0406
123 152 0.0403
47 123 0.1841
123 301 0.1347
123 307 0.1489
123 273 0.0981
123 163 0.0210
123 302 0.1351
118 217 0.0562
217 261 0.0611
217 248 0.1628
201 217 0.1823
166 217 0.0991
217 311 0.1039
146 217 0.0790
109 217 0.0997
147 217 0.0773
217 258 0.1315
112 217 0.0606
182 217 0.0313
67 217 0.0900
217 219 0.1450
217 299 0.0784
152 217 0.0531
217 293 0.0734
162 217 0.0684
217 230 0.0305
179 217 0.0556
217 263 0.1586
217 301 0.0807
174 217 0.0587
217 221 0.0403
176 217 0.0297
217 310 0.1017
217 232 0.0197
131 217 0.0562
217 321 0.1991
217 296 0.0758
123 217 0.0544
172 217 0.0509
217 292 0.0614
167 217 0.0344
217 306 0.0963
217 297 0.0870
94 217 0.0655
159 217 0.0417
217 307 0.0950
217 284 0.0595
212 217 0.0539
189 217 0.0202
217 239 0.0312
202 217 0.0495
217 218 0.0344
217 222 0.0140
217 240 0.0142
217 283 0.0580
217 286 0.0541
217 271 0.0404
192 217 0.0211
126 217 0.0533
217 281 0.0525
118 172 0.0431
172 201 0.1417
172 258 0.1044
172 182 0.0228
67 172 0.0540
172 299 0.1243
152 172 0.0747
162 172 0.0994
47 172 0.1606
144 172 0.0890
172 263 0.1305
172 232 0.0472
123 172 0.0427
94 172 0.0492
172 225 0.0401
172 216 0.0302
133 172 0.0201
142 172 0.1083
118 292 0.1151
201 292 0.1790
182 292 0.0837
152 292 0.1126
162 292 0.1215
144 292 0.1512
292 301 0.0439
292 297 0.0420
182 203 0.1613
144 203 0.0603
203 253 0.0408
183 203 0.0129
203 251 0.0390
65 201 0.0761
65 258 0.1280
47 65 0.0178
65 144 0.0709
65 263 0.1259
65 203 0.0787
65 253 0.1163
65 183 0.0660
65 169 0.0600
59 65 0.0189
56 65 0.0141
65 74 0.0147
54 65 0.0301
65 66 0.0068
262 293 0.0285
262 296 0.0316
262 292 0.0433
262 297 0.0327
262 276 0.0495
225 262 0.0246
216 262 0.0324
239 262 0.0297
254 262 0.0265
262 275 0.0286
118 167 0.0231
167 248 0.1726
167 201 0.1848
150 167 0.0643
167 311 0.1365
146 167 0.0641
167 258 0.1441
167 182 0.0227
67 167 0.0607
167 219 0.1510
167 299 0.1108
152 167 0.0318
162 167 0.0563
167 301 0.1138
167 232 0.0484
123 167 0.0211
167 172 0.0431
167 292 0.0951
167 307 0.1280
167 189 0.0150
167 302 0.1143
182 306 0.1266
152 306 0.1319
162 306 0.1284
301 306 0.0175
221 306 0.0880
306 307 0.0086
118 197 0.1795
197 258 0.0662
47 197 0.0929
144 197 0.0599
197 263 0.0541
65 197 0.0752
197 246 0.0422
197 253 0.0445
183 197 0.0099
169 197 0.0211
197 250 0.0472
182 297 0.0973
144 297 0.1276
118 246 0.1691
201 246 0.0419
246 258 0.0290
182 246 0.1458
47 246 0.1301
144 246 0.0704
246 263 0.0128
203 246 0.0386
65 246 0.1131
246 253 0.0039
183 246 0.0489
169 246 0.0532
246 250 0.0059
118 233 0.1161
233 261 0.0529
233 255 0.1138
233 248 0.0609
201 233 0.0839
166 233 0.0461
233 258 0.0315
182 233 0.0901
67 233 0.1163
219 233 0.0446
152 233 0.1441
233 293 0.0750
144 233 0.0613
233 263 0.0581
176 233 0.1182
233 296 0.0773
233 262 0.0539
233 276 0.0309
233 274 0.0355
233 254 0.0277
233 275 0.0372
229 233 0.0251
142 233 0.0724
118 119 0.0775
119 261 0.1511
119 150 0.0136
119 311 0.1590
109 119 0.0095
119 147 0.0141
112 119 0.0544
119 182 0.0950
67 119 0.1082
119 299 0.1363
119 152 0.0408
119 162 0.0236
119 230 0.0768
119 179 0.0368
119 301 0.1425
119 174 0.0333
119 177 0.0375
119 221 0.0657
119 176 0.0670
119 310 0.1563
119 131 0.0470
119 321 0.2271
119 217 0.0904
119 306 0.1505
95 119 0.0323
92 119 0.0207
91 119 0.0278
182 253 0.1483
245 253 0.0056
201 316 0.2359
47 316 0.3074
314 316 0.0042
94 118 0.0093
94 201 0.1827
94 258 0.1528
94 182 0.0420
67 94 0.0327
94 152 0.0456
94 162 0.0709
47 94 0.1804
94 263 0.1782
94 301 0.1457
90 94 0.0075
77 94 0.0104
118 288 0.1222
261 288 0.0250
166 288 0.0977
258 288 0.0788
152 288 0.1319
288 293 0.0124
162 288 0.1465
230 288 0.0974
232 288 0.0600
288 296 0.0138
203 288 0.1407
262 288 0.0248
288 297 0.0083
276 288 0.0465
254 288 0.0384
275 288 0.0278
288 308 0.0389
118 161 0.0273
161 261 0.0936
161 248 0.1832
146 161 0.0533
147 161 0.0517
112 161 0.0225
161 182 0.0332
67 161 0.0661
161 299 0.1106
152 161 0.0211
161 162 0.0457
161 179 0.0378
161 301 0.1143
161 167 0.0108
161 189 0.0183
99 161 0.0293
126 161 0.0203
137 161 0.0114
100 161 0.0276
161 191 0.0245
93 161 0.0294
183 253 0.0516
118 159 0.0317
159 261 0.0990
159 248 0.1898
150 159 0.0468
159 166 0.1120
146 159 0.0466
147 159 0.0450
159 258 0.1610
112 159 0.0213
159 182 0.0398
67 159 0.0703
159 219 0.1685
159 299 0.1108
152 159 0.0144
159 293 0.1148
159 162 0.0390
159 179 0.0317
159 301 0.1149
159 176 0.0128
123 159 0.0300
159 167 0.0175
94 159 0.0380
159 161 0.0068
307 311 0.0103
182 307 0.1246
301 307 0.0142
305 307 0.0092
95 118 0.0476
95 150 0.0335
95 146 0.0323
95 147 0.0317
95 112 0.0245
67 95 0.0760
95 299 0.1392
95 152 0.0246
95 162 0.0343
95 230 0.0747
95 179 0.0399
95 174 0.0375
95 177 0.0387
95 221 0.0675
95 176 0.0479
95 131 0.0216
92 95 0.0135
91 95 0.0057
245 261 0.1093
201 245 0.0385
166 245 0.0869
245 258 0.0331
219 245 0.0243
47 245 0.1281
144 245 0.0708
245 263 0.0152
203 245 0.0353
65 245 0.1109
197 245 0.0389
245 246 0.0041
183 245 0.0461
213 245 0.0255
242 245 0.0078
118 276 0.1353
248 276 0.0645
201 276 0.0986
258 276 0.0327
219 276 0.0606
276 293 0.0588
263 276 0.0557
276 296 0.0601
276 297 0.0458
254 276 0.0292
275 276 0.0213
8 118 0.3655
8 248 0.3059
8 201 0.2654
8 112 0.3847
8 313 0.3829
8 67 0.3284
8 47 0.1926
8 144 0.2746
8 65 0.2040
8 26 0.0830
4 8 0.0365
8 13 0.0604
8 23 0.0478
3 8 0.0843
2 8 0.0866
5 8 0.0849
8 36 0.1093
8 16 0.0239
6 8 0.0683
8 35 0.0863
8 28 0.1099
8 30 0.0596
118 225 0.0800
225 258 0.0757
182 225 0.0489
144 225 0.0895
216 225 0.0116
142 225 0.1062
169 201 0.0222
47 169 0.0770
144 169 0.0416
169 263 0.0659
169 203 0.0232
169 183 0.0120
142 216 0.1105
118 284 0.1142
284 311 0.0455
146 284 0.1060
182 284 0.0904
284 299 0.0198
152 284 0.0958
162 284 0.0954
221 284 0.0535
284 306 0.0373
273 284 0.0158
284 286 0.0280
284 300 0.0235
182 212 0.0743
152 212 0.0400
162 212 0.0289
212 221 0.0164
131 212 0.0519
202 212 0.0082
229 274 0.0555
312 316 0.0180
68 109 0.0259
68 147 0.0478
68 125 0.0323
68 80 0.0134
68 96 0.0223
91 92 0.0080
125 221 0.0673
101 118 0.0722
101 255 0.1024
101 146 0.0189
101 112 0.0489
101 152 0.0392
101 162 0.0285
101 230 0.0807
101 179 0.0407
101 174 0.0372
101 221 0.0704
101 176 0.0657
95 101 0.0252
80 101 0.0198
101 129 0.0120
327 329 0.0163
329 330 0.0784
328 329 0.0070
118 256 0.0806
256 261 0.0528
182 256 0.0529
256 299 0.0563
152 256 0.0741
230 256 0.0335
176 256 0.0535
232 256 0.0218
256 296 0.0574
217 256 0.0245
256 292 0.0385
189 256 0.0444
240 256 0.0103
256 271 0.0208
256 267 0.0377
256 272 0.0122
182 189 0.0241
118 133 0.0412
133 258 0.1113
133 182 0.0373
133 152 0.0802
133 144 0.0821
133 140 0.0062
261 305 0.0905
305 311 0.0192
146 305 0.1353
182 305 0.1155
301 305 0.0055
248 318 0.2349
201 318 0.2421
316 318 0.0113
312 318 0.0272
182 239 0.0396
232 239 0.0118
216 239 0.0234
206 239 0.0247
202 204 0.0136
118 218 0.0693
146 218 0.0543
218 299 0.0735
152 218 0.0420
162 218 0.0433
177 218 0.0300
218 221 0.0062
204 218 0.0118
45 118 0.1602
45 201 0.0986
45 67 0.1266
45 47 0.0244
45 144 0.0712
45 65 0.0323
45 50 0.0187
45 46 0.0314
45 55 0.0299
45 58 0.0122
45 54 0.0086
118 128 0.0296
128 258 0.1214
128 182 0.0315
67 128 0.0321
128 152 0.0691
128 133 0.0116
128 142 0.1129
99 118 0.0149
67 99 0.0435
99 152 0.0354
99 167 0.0305
94 99 0.0121
201 251 0.0423
251 258 0.0314
197 251 0.0427
242 251 0.0104
118 260 0.0955
146 260 0.0815
147 260 0.0802
230 260 0.0226
179 260 0.0589
177 260 0.0592
221 260 0.0291
260 284 0.0245
260 273 0.0095
316 319 0.0133
318 319 0.0051
83 118 0.1450
83 248 0.0927
83 201 0.0649
83 166 0.0681
47 83 0.0483
83 144 0.0343
65 83 0.0378
45 83 0.0393
59 83 0.0297
83 85 0.0211
58 83 0.0271
83 86 0.0098
83 104 0.0136
54 83 0.0307
83 97 0.0195
118 157 0.0592
152 157 0.0178
157 221 0.0426
141 157 0.0083
118 181 0.0907
181 261 0.0687
166 181 0.0094
181 258 0.0634
181 182 0.0730
181 219 0.0593
144 181 0.0416
181 188 0.0050
146 237 0.0704
162 237 0.0593
221 237 0.0197
118 198 0.0637
198 258 0.0845
182 198 0.0375
198 219 0.0915
152 198 0.0917
198 232 0.0453
172 198 0.0209
198 216 0.0159
198 206 0.0210
142 198 0.0983
322 325 0.0061
118 143 0.0762
143 311 0.1479
143 299 0.1253
143 152 0.0364
143 162 0.0140
143 221 0.0552
143 306 0.1394
92 143 0.0269
143 170 0.0148
118 249 0.0842
147 249 0.0736
162 249 0.0641
230 249 0.0122
221 249 0.0219
218 249 0.0215
249 260 0.0113
90 118 0.0133
90 182 0.0422
67 90 0.0258
90 152 0.0528
73 90 0.0115
293 308 0.0378
297 308 0.0319
273 322 0.1556
147 298 0.1155
298 299 0.0072
221 298 0.0650
284 298 0.0130
298 300 0.0105
327 332 0.0013
118 240 0.0703
177 240 0.0627
232 240 0.0169
261 303 0.0490
293 303 0.0238
296 303 0.0212
213 248 0.0279
201 213 0.0157
144 213 0.0549
213 263 0.0407
197 213 0.0156
213 246 0.0282
213 253 0.0311
183 213 0.0208
169 213 0.0260
199 213 0.0103
205 213 0.0064
200 213 0.0093
287 301 0.0250
118 229 0.0955
229 261 0.0325
229 262 0.0335
229 254 0.0148
142 229 0.0895
201 250 0.0470
182 250 0.1413
144 250 0.0704
203 250 0.0436
250 274 0.0327
261 283 0.0375
283 293 0.0220
232 283 0.0435
271 283 0.0177
281 283 0.0149
267 283 0.0228
286 301 0.0337
118 149 0.0648
149 255 0.0811
112 149 0.0430
149 152 0.0244
149 230 0.0590
149 221 0.0487
149 157 0.0080
72 118 0.0788
72 146 0.0355
72 147 0.0365
72 152 0.0523
72 162 0.0452
72 177 0.0572
72 96 0.0171
271 281 0.0180
267 271 0.0191
118 120 0.0194
120 166 0.0700
120 258 0.1312
120 182 0.0307
67 120 0.0297
120 130 0.0073
106 120 0.0243
118 192 0.0412
182 192 0.0301
152 192 0.0323
189 192 0.0059
192 222 0.0215
192 204 0.0246
126 182 0.0349
281 286 0.0058
266 281 0.0261
105 182 0.0512
105 123 0.0248
105 167 0.0306
96 118 0.0844
96 152 0.0505
96 162 0.0351
109 170 0.0332
112 170 0.0519
152 170 0.0305
131 170 0.0415
125 170 0.0270
300 301 0.0097
221 300 0.0749
300 307 0.0160
118 136 0.0728
67 136 0.1058
136 152 0.0337
134 136 0.0046
118 139 0.0344
139 162 0.0331
139 230 0.0546
139 177 0.0277
139 167 0.0272
139 161 0.0171
137 139 0.0191
135 139 0.0050
118 137 0.0168
137 152 0.0257
126 137 0.0089
127 137 0.0092
267 281 0.0330
118 130 0.0142
130 258 0.1336
130 182 0.0258
130 148 0.0086
201 242 0.0331
224 242 0.0104
26 47 0.1216
26 33 0.0322
26 29 0.0131
26 31 0.0170
22 26 0.0281
230 234 0.0217
4 47 0.2109
4 26 0.0915
2 4 0.0515
1 4 0.0767
75 201 0.0622
47 75 0.0320
65 75 0.0143
75 108 0.0168
74 75 0.0106
75 151 0.0348
75 116 0.0202
75 87 0.0085
71 118 0.0240
67 71 0.0262
71 90 0.0143
57 71 0.0197
71 77 0.0053
62 166 0.0605
62 67 0.0786
62 144 0.0511
45 62 0.0490
50 62 0.0302
62 63 0.0133
46 62 0.0215
40 62 0.0377
55 62 0.0191
61 62 0.0201
150 325 0.2238
311 325 0.1105
147 325 0.2247
299 325 0.1326
221 325 0.1877
273 325 0.1612
100 118 0.0186
100 152 0.0312
100 137 0.0175
223 230 0.0084
152 252 0.0654
162 252 0.0621
221 252 0.0210
111 118 0.0123
111 112 0.0112
67 111 0.0465
111 152 0.0318
111 161 0.0233
71 111 0.0252
100 111 0.0071
132 152 0.0243
132 230 0.0643
132 174 0.0212
118 140 0.0464
140 182 0.0382
82 140 0.0261
106 140 0.0150
201 214 0.0103
82 118 0.0475
82 182 0.0564
67 82 0.0219
82 144 0.0821
82 130 0.0376
76 82 0.0325
152 186 0.0214
186 192 0.0156
84 118 0.0245
118 191 0.0376
182 191 0.0159
152 191 0.0439
167 191 0.0172
255 259 0.0128
230 259 0.0184
249 259 0.0070
259 273 0.0125
182 206 0.0211
148 182 0.0186
118 173 0.1001
173 261 0.0786
173 248 0.0774
166 173 0.0114
51 118 0.0655
51 67 0.0267
51 82 0.0319
272 283 0.0295
266 272 0.0289
218 235 0.0118
118 158 0.0186
158 182 0.0162
152 158 0.0412
158 161 0.0207
148 158 0.0094
158 171 0.0074
113 152 0.0271
113 174 0.0292
73 118 0.0220
73 94 0.0129
71 73 0.0030
69 73 0.0077
73 77 0.0026
162 243 0.0552
221 243 0.0159
117 152 0.0152
76 144 0.0551
47 59 0.0197
59 144 0.0638
45 59 0.0152
54 59 0.0113
93 118 0.0232
93 152 0.0297
93 100 0.0047
108 201 0.0455
65 108 0.0307
78 79 0.0063
110 152 0.0458
110 162 0.0286
152 210 0.0373
81 118 0.1173
81 144 0.0277
81 85 0.0069
50 67 0.1082
50 144 0.0596
224 261 0.1148
201 224 0.0268
183 224 0.0338
182 220 0.0327
190 230 0.0307
177 190 0.0092
190 202 0.0083
53 166 0.0701
53 67 0.0424
53 144 0.0809
53 82 0.0367
41 53 0.0145
63 166 0.0656
63 67 0.0918
63 144 0.0479
45 63 0.0370
50 63 0.0185
46 63 0.0163
55 63 0.0089
33 47 0.0895
29 33 0.0247
32 33 0.0113
52 67 0.0194
69 118 0.0283
69 71 0.0084
57 69 0.0198
85 261 0.1272
85 144 0.0261
85 97 0.0064
163 182 0.0110
261 294 0.0320
46 67 0.0958
46 144 0.0641
46 50 0.0149
46 55 0.0090
115 152 0.0233
103 115 0.0038
106 118 0.0434
82 106 0.0113
103 152 0.0271
39 47 0.0130
39 65 0.0306
39 142 0.0835
6 13 0.0143
7 13 0.0140
13 21 0.0098
13 18 0.0055
13 17 0.0060
12 13 0.0020
13 20 0.0112
13 19 0.0095
10 13 0.0023
9 13 0.0053
13 14 0.0009
13 15 0.0011
266 286 0.0315
266 271 0.0102
266 267 0.0091
182 226 0.0385
220 226 0.0064
79 118 0.0250
67 79 0.0138
208 258 0.0416
152 187 0.0235
44 67 0.0356
41 67 0.0522
201 228 0.0244
228 236 0.0033
261 282 0.0223
47 142 0.0714
142 144 0.0194
65 142 0.0572
45 142 0.0655
76 142 0.0717
121 142 0.0629
321 323 0.0061
98 144 0.0347
76 98 0.0204
8 27 0.0351
56 59 0.0078
40 144 0.0728
40 45 0.0180
40 50 0.0133
40 46 0.0167
40 55 0.0200
74 201 0.0637
42 47 0.0089
138 201 0.0333
138 183 0.0253
124 138 0.0076
151 201 0.0276
65 151 0.0485
66 151 0.0422
261 268 0.0143
118 154 0.0152
154 182 0.0180
154 164 0.0062
154 171 0.0128
193 201 0.0063
102 118 0.0236
102 182 0.0378
102 120 0.0073
102 107 0.0087
316 317 0.0028
314 317 0.0036
88 118 0.0142
29 47 0.1134
55 144 0.0556
50 55 0.0112
184 293 0.1008
231 258 0.0164
118 153 0.0994
153 248 0.0845
67 153 0.0829
153 293 0.1171
153 203 0.0806
3 5 0.0269
118 164 0.0211
164 182 0.0128
8 24 0.0414
23 24 0.0100
118 134 0.0768
261 277 0.0122
47 58 0.0288
58 65 0.0294
58 59 0.0107
56 58 0.0180
54 58 0.0036
180 182 0.0095
269 270 0.0035
57 118 0.0435
57 70 0.0199
47 54 0.0273
107 118 0.0149
47 48 0.0107
48 65 0.0212
48 49 0.0048
327 330 0.0935
45 61 0.0302
50 61 0.0123
61 63 0.0070
40 61 0.0242
55 61 0.0067
182 211 0.0181
182 209 0.0261
206 209 0.0058
327 328 0.0093
97 104 0.0105
118 155 0.0157
1 8 0.1026
1 2 0.0436
199 201 0.0072
122 163 0.0220
16 22 0.0311
118 145 0.0200
145 182 0.0198
130 145 0.0071
145 148 0.0074
65 116 0.0331
108 116 0.0062
74 116 0.0203
116 151 0.0159
66 116 0.0271
47 60 0.0242
60 65 0.0225
59 60 0.0046
56 60 0.0124
58 60 0.0069
54 60 0.0087
60 64 0.0048
49 60 0.0119
29 31 0.0125
31 32 0.0043
321 324 0.0050
65 87 0.0223
66 87 0.0156
194 221 0.0207
165 201 0.0210
130 160 0.0148
182 195 0.0118
155 171 0.0094
6 7 0.0197
7 8 0.0488
8 38 0.1622
36 38 0.0549
37 38 0.0478
25 26 0.0057
35 36 0.0232
28 35 0.0425
150 320 0.2143
311 320 0.0968
147 320 0.2151
320 324 0.0054
182 207 0.0151
195 207 0.0058
64 65 0.0191
59 64 0.0057
118 168 0.0993
168 258 0.0647
144 168 0.0280
201 205 0.0099
47 49 0.0154
49 56 0.0087
8 37 0.1999
8 34 0.0774
124 201 0.0408
17 19 0.0038
17 20 0.0053
19 20 0.0018
30 34 0.0184
10 12 0.0010
9 10 0.0030
9 12 0.0037
11 13 0.0033
10 11 0.0011
9 11 0.0022
315 316 0.0013
315 317 0.0022