Initial commit

.dockerignore

@@ -0,0 +1,9 @@
+.venv
+__pycache__
+*.pyc
+.git
+.gitignore
+artifacts_inference/*.joblib
+mlruns/
+.venv/
+Old/Data/machinelizard_v7.xlsx

.gitignore

@@ -0,0 +1,17 @@
+# Python-generated files
+__pycache__/
+*.py[oc]
+build/
+dist/
+wheels/
+*.egg-info
+
+# Virtual environments
+.venv
+Old
+mlrunsartifacts_inference/*.joblib
+*.joblib
+.venv/
+Old/
+mlruns/
+Data/machinelizard_v7.xlsx

.python-version

@@ -0,0 +1 @@
+3.9

Data/performance_dataset.csv

@@ -0,0 +1,2172 @@
+sprint,endurance,bite,distance_capacity,jump_distance,jump_vel,jump_accel,jump_power,angle,ecomorph
+-1,215.83,-1,-1,-1,-1,-1,-1,-1,1
+-1,347.29,-1,-1,-1,-1,-1,-1,-1,1
+-1,383.89,-1,-1,-1,-1,-1,-1,-1,1
+-1,293.37,-1,-1,-1,-1,-1,-1,-1,1
+-1,438.52,-1,-1,-1,-1,-1,-1,-1,1
+-1,260.91,-1,-1,-1,-1,-1,-1,-1,1
+-1,296.84,-1,-1,-1,-1,-1,-1,-1,1
+-1,125.25,-1,-1,-1,-1,-1,-1,-1,1
+-1,173.52,-1,-1,-1,-1,-1,-1,-1,1
+-1,282.03,-1,-1,-1,-1,-1,-1,-1,1
+-1,162,-1,-1,-1,-1,-1,-1,-1,1
+-1,255.57,-1,-1,-1,-1,-1,-1,-1,1
+-1,263.98,-1,-1,-1,-1,-1,-1,-1,1
+-1,423.61,-1,-1,-1,-1,-1,-1,-1,1
+-1,210.1,-1,-1,-1,-1,-1,-1,-1,1
+-1,164.37,-1,-1,-1,-1,-1,-1,-1,1
+-1,117.09,-1,-1,-1,-1,-1,-1,-1,1
+-1,274.93,-1,-1,-1,-1,-1,-1,-1,1
+-1,322.93,-1,-1,-1,-1,-1,-1,-1,1
+-1,326.7,-1,-1,-1,-1,-1,-1,-1,1
+-1,387.97,-1,-1,-1,-1,-1,-1,-1,1
+-1,304.4,-1,-1,-1,-1,-1,-1,-1,1
+-1,108.92,-1,-1,-1,-1,-1,-1,-1,1
+-1,299.77,-1,-1,-1,-1,-1,-1,-1,1
+-1,122.21,-1,-1,-1,-1,-1,-1,-1,1
+-1,366.5,-1,-1,-1,-1,-1,-1,-1,1
+-1,404.73,-1,-1,-1,-1,-1,-1,-1,1
+0.346,-1,5.55,-1,-1,-1,-1,-1,-1,1
+0.374,-1,6.99,-1,-1,-1,-1,-1,-1,1
+0.258,-1,5.96,-1,-1,-1,-1,-1,-1,1
+0.277,-1,6.43,-1,-1,-1,-1,-1,-1,1
+0.21,-1,5.11,-1,-1,-1,-1,-1,-1,1
+0.243,-1,6.14,-1,-1,-1,-1,-1,-1,1
+0.244,-1,5.94,-1,-1,-1,-1,-1,-1,1
+0.364,-1,7.06,-1,-1,-1,-1,-1,-1,1
+0.278,-1,6.75,-1,-1,-1,-1,-1,-1,1
+0.237,-1,5.74,-1,-1,-1,-1,-1,-1,1
+0.413,-1,4.48,-1,-1,-1,-1,-1,-1,1
+0.432,-1,4.31,-1,-1,-1,-1,-1,-1,1
+0.262,-1,4.91,-1,-1,-1,-1,-1,-1,1
+0.319,-1,6,-1,-1,-1,-1,-1,-1,1
+0.239,-1,5.36,-1,-1,-1,-1,-1,-1,1
+0.334,-1,5.9,-1,-1,-1,-1,-1,-1,1
+-1,-1,-1,-1,-1,-1,-1,-1,-1,1
+0.318,-1,5.9,-1,-1,-1,-1,-1,-1,1
+0.351,-1,7.36,-1,-1,-1,-1,-1,-1,1
+0.426,-1,4.45,-1,-1,-1,-1,-1,-1,1
+0.244,-1,5.25,-1,-1,-1,-1,-1,-1,1
+0.303,-1,5.9,-1,-1,-1,-1,-1,-1,1
+0.238,-1,3.76,-1,-1,-1,-1,-1,-1,1
+0.274,-1,5.85,-1,-1,-1,-1,-1,-1,1
+-1,-1,-1,-1,-1,-1,-1,-1,-1,1
+0.293,-1,5.83,-1,-1,-1,-1,-1,-1,1
+0.305,-1,5.86,-1,-1,-1,-1,-1,-1,1
+0.263,-1,4.69,-1,-1,-1,-1,-1,-1,1
+0.287,-1,4.23,-1,-1,-1,-1,-1,-1,1
+0.27,-1,8.36,-1,-1,-1,-1,-1,-1,1
+0.304,-1,5.61,-1,-1,-1,-1,-1,-1,1
+0.234,-1,2.58,-1,-1,-1,-1,-1,-1,1
+0.294,-1,4.45,-1,-1,-1,-1,-1,-1,1
+0.287,-1,4.85,-1,-1,-1,-1,-1,-1,1
+0.25,-1,7.14,-1,-1,-1,-1,-1,-1,1
+0.244,-1,6.4,-1,-1,-1,-1,-1,-1,1
+0.21,-1,6.4,-1,-1,-1,-1,-1,-1,1
+0.256,-1,4.39,-1,-1,-1,-1,-1,-1,1
+0.339,-1,6.01,-1,-1,-1,-1,-1,-1,1
+0.266,-1,5.89,-1,-1,-1,-1,-1,-1,1
+0.507,-1,4.54,-1,-1,-1,-1,-1,-1,1
+0.25,-1,5.56,-1,-1,-1,-1,-1,-1,1
+0.309,-1,5.75,-1,-1,-1,-1,-1,-1,1
+0.262,-1,5.25,-1,-1,-1,-1,-1,-1,1
+0.458,-1,3.81,-1,-1,-1,-1,-1,-1,1
+0.276,-1,4.81,-1,-1,-1,-1,-1,-1,1
+0.225,-1,4.95,-1,-1,-1,-1,-1,-1,1
+0.326,-1,3.9,-1,-1,-1,-1,-1,-1,1
+0.335,-1,3.46,-1,-1,-1,-1,-1,-1,1
+0.319,-1,3.35,-1,-1,-1,-1,-1,-1,1
+0.279,-1,3.76,-1,-1,-1,-1,-1,-1,1
+0.261,-1,5.9,-1,-1,-1,-1,-1,-1,1
+0.225,-1,3.96,-1,-1,-1,-1,-1,-1,1
+0.273,-1,7,-1,-1,-1,-1,-1,-1,1
+0.352,-1,6.84,-1,-1,-1,-1,-1,-1,1
+0.311,-1,4.55,-1,-1,-1,-1,-1,-1,1
+0.272,-1,4.88,-1,-1,-1,-1,-1,-1,1
+0.225,-1,5.35,-1,-1,-1,-1,-1,-1,1
+0.196,-1,3.25,-1,-1,-1,-1,-1,-1,1
+0.294,-1,4.99,-1,-1,-1,-1,-1,-1,1
+0.378,-1,5.83,-1,-1,-1,-1,-1,-1,1
+0.316,-1,4.59,-1,-1,-1,-1,-1,-1,1
+0.278,-1,8.68,-1,-1,-1,-1,-1,-1,1
+0.309,-1,4.79,-1,-1,-1,-1,-1,-1,1
+0.311,-1,6.65,-1,-1,-1,-1,-1,-1,1
+0.413,-1,7.38,-1,-1,-1,-1,-1,-1,1
+0.259,-1,3.69,-1,-1,-1,-1,-1,-1,1
+0.157,-1,5.64,-1,-1,-1,-1,-1,-1,1
+0.296,-1,3.56,-1,-1,-1,-1,-1,-1,1
+0.263,-1,5.63,-1,-1,-1,-1,-1,-1,1
+1.78571365,-1,14.48057,22,-1,-1,-1,-1,-1,-1
+2.08333328,-1,15.6078,12.8,-1,-1,-1,-1,-1,-1
+1.92307693,-1,24.5456,15,-1,-1,-1,-1,-1,-1
+1.92307693,-1,23.6785,15.4,-1,-1,-1,-1,-1,-1
+1.25000046,-1,24.6123,19.6,-1,-1,-1,-1,-1,-1
+1.92307693,-1,24.7457,25.8,-1,-1,-1,-1,-1,-1
+1.78571442,-1,24.4122,18.2,-1,-1,-1,-1,-1,-1
+1.47058762,-1,22.5446,16.6,-1,-1,-1,-1,-1,-1
+1.56250031,-1,26.3465,18.2,-1,-1,-1,-1,-1,-1
+2.08333435,-1,27.2803,26.8,-1,-1,-1,-1,-1,-1
+2.08333328,-1,26.68,16,-1,-1,-1,-1,-1,-1
+1.66667084,-1,30.2151,23.4,-1,-1,-1,-1,-1,-1
+1.92307693,-1,29.5481,17.2,-1,-1,-1,-1,-1,-1
+2.77777679,-1,31.4157,11,-1,-1,-1,-1,-1,-1
+1.92307693,-1,28.7477,14.6,-1,-1,-1,-1,-1,-1
+2.08333328,-1,28.9478,23,-1,-1,-1,-1,-1,-1
+1.78571365,-1,18.6093,11.8,-1,-1,-1,-1,-1,-1
+1.78571442,-1,22.9448,18.4,-1,-1,-1,-1,-1,-1
+1.92307693,-1,24.4122,15.4,-1,-1,-1,-1,-1,-1
+1.78571442,-1,25.0792,13.6,-1,-1,-1,-1,-1,-1
+2.27272705,-1,24.679,15.2,-1,-1,-1,-1,-1,-1
+1.92307693,-1,25.6128,20.4,-1,-1,-1,-1,-1,-1
+2.08333328,-1,15.477,-1,-1,-1,-1,-1,-1,-1
+3.12500061,-1,22.713,-1,-1,-1,-1,-1,-1,-1
+2.27272949,-1,32.361,-1,-1,-1,-1,-1,-1,-1
+1.92307693,-1,30.083,-1,-1,-1,-1,-1,-1,-1
+2.08333435,-1,37.52,-1,-1,-1,-1,-1,-1,-1
+2.27272705,-1,39.731,-1,-1,-1,-1,-1,-1,-1
+2.27272705,-1,31.423,-1,-1,-1,-1,-1,-1,-1
+2.49999985,-1,39.798,-1,-1,-1,-1,-1,-1,-1
+1.78571442,-1,11.323,-1,-1,-1,-1,-1,-1,-1
+2.08333328,-1,27.403,-1,-1,-1,-1,-1,-1,-1
+1.78571442,-1,30.016,-1,-1,-1,-1,-1,-1,-1
+1.00000015,-1,41.071,-1,-1,-1,-1,-1,-1,-1
+2.27272949,-1,-1,-1,-1,-1,-1,-1,-1,-1
+2.50000092,-1,18.009,14.8,-1,-1,-1,-1,-1,-1
+1.92307617,-1,27.2136,-1,-1,-1,-1,-1,-1,-1
+2.49999939,-1,43.6885,9.494,-1,-1,-1,-1,-1,-1
+2.49999939,-1,14.29381,13.162,-1,-1,-1,-1,-1,-1
+3.12499847,-1,10.57195,-1,-1,-1,-1,-1,-1,-1
+2.50000244,-1,-1,-1,-1,-1,-1,-1,-1,-1
+2.49999939,-1,22.6113,-1,-1,-1,-1,-1,-1,-1
+1.47058762,-1,18.4092,-1,-1,-1,-1,-1,-1,-1
+2.50000244,-1,-1,-1,-1,-1,-1,-1,-1,-1
+2.50000092,-1,9.338,-1,-1,-1,-1,-1,-1,-1
+2.27272705,-1,41.8876,-1,-1,-1,-1,-1,-1,-1
+2.27272949,-1,47.6905,-1,-1,-1,-1,-1,-1,-1
+2.50000244,-1,-1,-1,-1,-1,-1,-1,-1,-1
+0.52083279,-1,-1,-1,-1,-1,-1,-1,-1,-1
+4.16666656,-1,27.347,-1,-1,-1,-1,-1,-1,-1
+2.77777771,-1,22.2778,-1,-1,-1,-1,-1,-1,-1
+4.16666656,-1,25.8796,-1,-1,-1,-1,-1,-1,-1
+2.50000015,-1,27.8806,-1,-1,-1,-1,-1,-1,-1
+4.16666656,-1,23.5451,-1,-1,-1,-1,-1,-1,-1
+3.57142883,-1,21.344,-1,-1,-1,-1,-1,-1,-1
+2.77777771,-1,7.5371,-1,-1,-1,-1,-1,-1,-1
+3.57142853,-1,12.42621,-1,-1,-1,-1,-1,-1,-1
+2.77777863,-1,13.6735,-1,-1,-1,-1,-1,-1,-1
+3.12500061,-1,14.8741,-1,-1,-1,-1,-1,-1,-1
+3.57142883,-1,13.46673,-1,-1,-1,-1,-1,-1,-1
+2.77777863,-1,13.4067,-1,-1,-1,-1,-1,-1,-1
+2.77777679,-1,12.05936,-1,-1,-1,-1,-1,-1,-1
+2.77777863,-1,14.8741,-1,-1,-1,-1,-1,-1,-1
+2.50000015,-1,12.66633,-1,-1,-1,-1,-1,-1,-1
+2.50000092,-1,10.2051,-1,-1,-1,-1,-1,-1,-1
+1.92307526,-1,64.0987,23.162,-1,-1,-1,-1,-1,-1
+1.47058838,-1,17.8756,19.826,-1,-1,-1,-1,-1,-1
+1.66666687,-1,16.5416,15.826,-1,-1,-1,-1,-1,-1
+1.78571442,-1,26.6133,14.166,-1,-1,-1,-1,-1,-1
+1.25000046,-1,11.6725,14.83,-1,-1,-1,-1,-1,-1
+1.78571594,-1,18.009,20.664,-1,-1,-1,-1,-1,-1
+0.89285645,-1,16.5416,10.332,-1,-1,-1,-1,-1,-1
+1.47058853,-1,17.342,8.996,-1,-1,-1,-1,-1,-1
+1.78571442,-1,29.9483,8.664,-1,-1,-1,-1,-1,-1
+1.78571289,-1,9.6048,18.664,-1,-1,-1,-1,-1,-1
+3.57143188,-1,100.717,18.166,-1,-1,-1,-1,-1,-1
+2.49999649,-1,109.2546,11.494,-1,-1,-1,-1,-1,-1
+1.38888931,-1,33.0165,37.4,-1,-1,-1,-1,-1,-1
+1.78571442,-1,64.2321,29.6,-1,-1,-1,-1,-1,-1
+-1,-1,27.9473,12.4,-1,-1,-1,-1,-1,-1
+1.92307526,-1,57.362,14.6,-1,-1,-1,-1,-1,-1
+1.92307693,-1,14.74737,17.8,-1,-1,-1,-1,-1,-1
+1.47058762,-1,-1,-1,-1,-1,-1,-1,-1,-1
+2.77777863,-1,-1,-1,-1,-1,-1,-1,-1,-1
+2.77778046,-1,-1,-1,-1,-1,-1,-1,-1,-1
+3.12500061,-1,-1,-1,-1,-1,-1,-1,-1,-1
+2.08333115,-1,-1,-1,-1,-1,-1,-1,-1,-1
+1.56250031,-1,-1,-1,-1,-1,-1,-1,-1,-1
+2.27272949,-1,-1,-1,-1,-1,-1,-1,-1,-1
+3.57143188,-1,-1,-1,-1,-1,-1,-1,-1,-1
+3.12500305,-1,-1,-1,-1,-1,-1,-1,-1,-1
+2.50000244,-1,-1,-1,-1,-1,-1,-1,-1,-1
+2.50000244,-1,-1,-1,-1,-1,-1,-1,-1,-1
+2.77777679,-1,-1,-1,-1,-1,-1,-1,-1,-1
+3.57142578,-1,-1,-1,-1,-1,-1,-1,-1,-1
+0.71428589,-1,-1,-1,-1,-1,-1,-1,-1,-1
+3.57142578,-1,-1,-1,-1,-1,-1,-1,-1,-1
+2.49999939,-1,-1,-1,-1,-1,-1,-1,-1,-1
+4.99999878,-1,-1,-1,-1,-1,-1,-1,-1,-1
+1.92307693,-1,-1,-1,-1,-1,-1,-1,-1,-1
+2.27272949,-1,-1,-1,-1,-1,-1,-1,-1,-1
+1.92307877,-1,-1,-1,-1,-1,-1,-1,-1,-1
+0.25,-1,2,-1,-1,-1,-1,-1,-1,2
+0.4,-1,1.76,-1,-1,-1,-1,-1,-1,2
+0.5,-1,2.14,-1,-1,-1,-1,-1,-1,2
+0.3,-1,1.6,-1,-1,-1,-1,-1,-1,2
+0.5,-1,1.76,-1,-1,-1,-1,-1,-1,2
+0.5,-1,1.08,-1,-1,-1,-1,-1,-1,2
+0.5,-1,2.31,-1,-1,-1,-1,-1,-1,2
+0.4,-1,3.76,-1,-1,-1,-1,-1,-1,2
+0.2,-1,1.83,-1,-1,-1,-1,-1,-1,2
+0.2,-1,4.58,-1,-1,-1,-1,-1,-1,2
+0.5,-1,3.03,-1,-1,-1,-1,-1,-1,2
+0.2,-1,1.76,-1,-1,-1,-1,-1,-1,2
+0.4,-1,1.76,-1,-1,-1,-1,-1,-1,2
+0.25,-1,1.81,-1,-1,-1,-1,-1,-1,2
+0.5,-1,4.88,-1,-1,-1,-1,-1,-1,2
+0.3,-1,4.58,-1,-1,-1,-1,-1,-1,2
+0.2,-1,5.29,-1,-1,-1,-1,-1,-1,2
+0.4,-1,2.6,-1,-1,-1,-1,-1,-1,2
+0.5,-1,2.01,-1,-1,-1,-1,-1,-1,2
+0.5,-1,4.59,-1,-1,-1,-1,-1,-1,2
+0.25,-1,2.14,-1,-1,-1,-1,-1,-1,2
+0.25,-1,2.56,-1,-1,-1,-1,-1,-1,2
+0.2,-1,4.7,-1,-1,-1,-1,-1,-1,2
+0.6,-1,4.49,-1,-1,-1,-1,-1,-1,2
+0.3,-1,2.09,-1,-1,-1,-1,-1,-1,2
+0.25,-1,1.56,-1,-1,-1,-1,-1,-1,2
+0.4,-1,1.43,-1,-1,-1,-1,-1,-1,2
+0.3,-1,3.2,-1,-1,-1,-1,-1,-1,2
+0.1,-1,1.46,-1,-1,-1,-1,-1,-1,2
+0.125,-1,2,-1,-1,-1,-1,-1,-1,2
+0.25,-1,3.44,-1,-1,-1,-1,-1,-1,2
+0.35,-1,2.15,-1,-1,-1,-1,-1,-1,2
+0.25,-1,1.53,-1,-1,-1,-1,-1,-1,2
+0.3,-1,1.3,-1,-1,-1,-1,-1,-1,2
+0.166666667,-1,0.96,-1,-1,-1,-1,-1,-1,2
+0.25,-1,1.93,-1,-1,-1,-1,-1,-1,2
+0.5,-1,1.75,-1,-1,-1,-1,-1,-1,2
+0.2,-1,1.5,-1,-1,-1,-1,-1,-1,2
+0.25,-1,1.03,-1,-1,-1,-1,-1,-1,2
+0.2,-1,1.44,-1,-1,-1,-1,-1,-1,2
+0.25,-1,1.29,-1,-1,-1,-1,-1,-1,2
+0.3,-1,1.55,-1,-1,-1,-1,-1,-1,2
+0.2,-1,1.01,-1,-1,-1,-1,-1,-1,2
+0.3,-1,1.5,-1,-1,-1,-1,-1,-1,2
+0.1,-1,5.33,-1,-1,-1,-1,-1,-1,2
+0.3,-1,2.1,-1,-1,-1,-1,-1,-1,2
+0.35,-1,1.96,-1,-1,-1,-1,-1,-1,2
+0.35,-1,1.75,-1,-1,-1,-1,-1,-1,2
+0.3,-1,1.53,-1,-1,-1,-1,-1,-1,2
+0.3,-1,1.58,-1,-1,-1,-1,-1,-1,2
+0.4,-1,2.36,-1,-1,-1,-1,-1,-1,2
+0.3,-1,1.75,-1,-1,-1,-1,-1,-1,2
+0.4,-1,1.83,-1,-1,-1,-1,-1,-1,2
+0.3,-1,1.86,-1,-1,-1,-1,-1,-1,2
+0.3,-1,1.48,-1,-1,-1,-1,-1,-1,2
+0.4,-1,1.29,-1,-1,-1,-1,-1,-1,2
+0.35,-1,2.01,-1,-1,-1,-1,-1,-1,2
+0.4,-1,1.91,-1,-1,-1,-1,-1,-1,2
+0.3,-1,4.08,-1,-1,-1,-1,-1,-1,2
+0.4,-1,1.34,-1,-1,-1,-1,-1,-1,2
+0.4,-1,1.29,-1,-1,-1,-1,-1,-1,2
+0.4,-1,1.56,-1,-1,-1,-1,-1,-1,2
+0.6,-1,2.49,-1,-1,-1,-1,-1,-1,2
+0.5,-1,2.51,-1,-1,-1,-1,-1,-1,2
+0.3,-1,1.06,-1,-1,-1,-1,-1,-1,1
+0.3,-1,0.88,-1,-1,-1,-1,-1,-1,1
+0.3,-1,0.7,-1,-1,-1,-1,-1,-1,1
+0.25,-1,0.71,-1,-1,-1,-1,-1,-1,1
+0.25,-1,2.59,-1,-1,-1,-1,-1,-1,1
+0.3,-1,1.89,-1,-1,-1,-1,-1,-1,1
+0.6,-1,1.09,-1,-1,-1,-1,-1,-1,1
+0.3,-1,2.06,-1,-1,-1,-1,-1,-1,1
+0.6,-1,0.61,-1,-1,-1,-1,-1,-1,1
+0.25,-1,1.15,-1,-1,-1,-1,-1,-1,1
+0.4,-1,1.73,-1,-1,-1,-1,-1,-1,1
+0.25,-1,0.9,-1,-1,-1,-1,-1,-1,1
+0.166666667,-1,3.25,-1,-1,-1,-1,-1,-1,1
+0.3,-1,0.88,-1,-1,-1,-1,-1,-1,1
+0.25,-1,2.37,-1,-1,-1,-1,-1,-1,1
+0.3,-1,1.04,-1,-1,-1,-1,-1,-1,1
+0.3,-1,1.03,-1,-1,-1,-1,-1,-1,1
+0.25,-1,1.36,-1,-1,-1,-1,-1,-1,1
+0.3,-1,0.6,-1,-1,-1,-1,-1,-1,1
+0.6,-1,0.89,-1,-1,-1,-1,-1,-1,1
+0.3,-1,2.76,-1,-1,-1,-1,-1,-1,1
+0.5,-1,0.71,-1,-1,-1,-1,-1,-1,1
+0.4,-1,0.86,-1,-1,-1,-1,-1,-1,1
+0.3,-1,0.93,-1,-1,-1,-1,-1,-1,1
+0.3,-1,0.69,-1,-1,-1,-1,-1,-1,1
+0.3,-1,0.59,-1,-1,-1,-1,-1,-1,1
+0.3,-1,0.83,-1,-1,-1,-1,-1,-1,1
+0.25,-1,0.93,-1,-1,-1,-1,-1,-1,1
+0.25,-1,1.44,-1,-1,-1,-1,-1,-1,1
+0.3,-1,1.01,-1,-1,-1,-1,-1,-1,1
+0.5,-1,1.94,-1,-1,-1,-1,-1,-1,1
+0.6,-1,0.81,-1,-1,-1,-1,-1,-1,1
+0.4,-1,0.75,-1,-1,-1,-1,-1,-1,1
+0.5,-1,0.7,-1,-1,-1,-1,-1,-1,1
+0.25,-1,1.38,-1,-1,-1,-1,-1,-1,1
+0.6,-1,1.05,-1,-1,-1,-1,-1,-1,1
+0.25,-1,1.14,-1,-1,-1,-1,-1,-1,1
+0.25,-1,2.88,-1,-1,-1,-1,-1,-1,1
+0.3,-1,1.28,-1,-1,-1,-1,-1,-1,1
+0.133333333,-1,2.88,-1,-1,-1,-1,-1,-1,1
+0.5,-1,2.49,-1,-1,-1,-1,-1,-1,1
+0.5,-1,1.24,-1,-1,-1,-1,-1,-1,1
+0.2,-1,2.45,-1,-1,-1,-1,-1,-1,1
+0.25,-1,0.79,-1,-1,-1,-1,-1,-1,1
+0.3,-1,0.85,-1,-1,-1,-1,-1,-1,1
+0.25,-1,1.05,-1,-1,-1,-1,-1,-1,1
+0.3,-1,1.43,-1,-1,-1,-1,-1,-1,1
+0.3,-1,1.53,-1,-1,-1,-1,-1,-1,1
+0.5,-1,1.74,-1,-1,-1,-1,-1,-1,1
+0.4,-1,1.61,-1,-1,-1,-1,-1,-1,1
+0.4,-1,2.8,-1,-1,-1,-1,-1,-1,1
+0.3,-1,1.25,-1,-1,-1,-1,-1,-1,1
+0.133333333,-1,0.88,-1,-1,-1,-1,-1,-1,1
+0.5,-1,2.91,-1,-1,-1,-1,-1,-1,1
+0.6,-1,1.68,-1,-1,-1,-1,-1,-1,1
+0.3,-1,3.01,-1,-1,-1,-1,-1,-1,1
+0.3,-1,1.74,-1,-1,-1,-1,-1,-1,1
+0.25,-1,1.2,-1,-1,-1,-1,-1,-1,1
+0.346,-1,5.55,-1,-1,-1,-1,-1,-1,1
+0.374,-1,6.99,-1,-1,-1,-1,-1,-1,1
+0.258,-1,5.96,-1,-1,-1,-1,-1,-1,1
+0.277,-1,6.43,-1,-1,-1,-1,-1,-1,1
+0.21,-1,5.11,-1,-1,-1,-1,-1,-1,1
+0.243,-1,6.14,-1,-1,-1,-1,-1,-1,1
+0.244,-1,5.94,-1,-1,-1,-1,-1,-1,1
+0.364,-1,7.06,-1,-1,-1,-1,-1,-1,1
+0.278,-1,6.75,-1,-1,-1,-1,-1,-1,1
+0.237,-1,5.74,-1,-1,-1,-1,-1,-1,1
+0.413,-1,4.48,-1,-1,-1,-1,-1,-1,1
+0.432,-1,4.31,-1,-1,-1,-1,-1,-1,1
+0.262,-1,4.91,-1,-1,-1,-1,-1,-1,1
+0.319,-1,6,-1,-1,-1,-1,-1,-1,1
+0.239,-1,5.36,-1,-1,-1,-1,-1,-1,1
+0.334,-1,5.9,-1,-1,-1,-1,-1,-1,1
+0.318,-1,5.9,-1,-1,-1,-1,-1,-1,1
+0.351,-1,7.36,-1,-1,-1,-1,-1,-1,1
+0.426,-1,4.45,-1,-1,-1,-1,-1,-1,1
+0.244,-1,5.25,-1,-1,-1,-1,-1,-1,1
+0.303,-1,5.9,-1,-1,-1,-1,-1,-1,1
+0.238,-1,3.76,-1,-1,-1,-1,-1,-1,1
+0.274,-1,5.85,-1,-1,-1,-1,-1,-1,1
+0.293,-1,5.83,-1,-1,-1,-1,-1,-1,1
+0.305,-1,5.86,-1,-1,-1,-1,-1,-1,1
+0.263,-1,4.69,-1,-1,-1,-1,-1,-1,1
+0.287,-1,4.23,-1,-1,-1,-1,-1,-1,1
+0.27,-1,8.36,-1,-1,-1,-1,-1,-1,1
+0.304,-1,5.61,-1,-1,-1,-1,-1,-1,1
+0.234,-1,2.58,-1,-1,-1,-1,-1,-1,1
+0.294,-1,4.45,-1,-1,-1,-1,-1,-1,1
+0.287,-1,4.85,-1,-1,-1,-1,-1,-1,1
+0.25,-1,7.14,-1,-1,-1,-1,-1,-1,1
+0.244,-1,6.4,-1,-1,-1,-1,-1,-1,1
+0.21,-1,6.4,-1,-1,-1,-1,-1,-1,1
+0.256,-1,4.39,-1,-1,-1,-1,-1,-1,1
+0.339,-1,6.01,-1,-1,-1,-1,-1,-1,1
+0.266,-1,5.89,-1,-1,-1,-1,-1,-1,1
+0.507,-1,4.54,-1,-1,-1,-1,-1,-1,1
+0.25,-1,5.56,-1,-1,-1,-1,-1,-1,1
+0.309,-1,5.75,-1,-1,-1,-1,-1,-1,1
+0.262,-1,5.25,-1,-1,-1,-1,-1,-1,1
+0.458,-1,3.81,-1,-1,-1,-1,-1,-1,1
+0.276,-1,4.81,-1,-1,-1,-1,-1,-1,1
+0.225,-1,4.95,-1,-1,-1,-1,-1,-1,1
+0.326,-1,3.9,-1,-1,-1,-1,-1,-1,1
+0.335,-1,3.46,-1,-1,-1,-1,-1,-1,1
+0.319,-1,3.35,-1,-1,-1,-1,-1,-1,1
+0.279,-1,3.76,-1,-1,-1,-1,-1,-1,1
+0.261,-1,5.9,-1,-1,-1,-1,-1,-1,1
+0.225,-1,3.96,-1,-1,-1,-1,-1,-1,1
+0.273,-1,7,-1,-1,-1,-1,-1,-1,1
+0.352,-1,6.84,-1,-1,-1,-1,-1,-1,1
+0.311,-1,4.55,-1,-1,-1,-1,-1,-1,1
+0.272,-1,4.88,-1,-1,-1,-1,-1,-1,1
+0.225,-1,5.35,-1,-1,-1,-1,-1,-1,1
+0.196,-1,3.25,-1,-1,-1,-1,-1,-1,1
+0.294,-1,4.99,-1,-1,-1,-1,-1,-1,1
+0.378,-1,5.83,-1,-1,-1,-1,-1,-1,1
+0.316,-1,4.59,-1,-1,-1,-1,-1,-1,1
+0.278,-1,8.68,-1,-1,-1,-1,-1,-1,1
+0.309,-1,4.79,-1,-1,-1,-1,-1,-1,1
+0.311,-1,6.65,-1,-1,-1,-1,-1,-1,1
+0.413,-1,7.38,-1,-1,-1,-1,-1,-1,1
+0.259,-1,3.69,-1,-1,-1,-1,-1,-1,1
+0.157,-1,5.64,-1,-1,-1,-1,-1,-1,1
+0.296,-1,3.56,-1,-1,-1,-1,-1,-1,1
+0.263,-1,5.63,-1,-1,-1,-1,-1,-1,1
+-1,-1,-1,-1,0.359,1.791,40.188,47.784,32.8,2
+-1,-1,-1,-1,0.383,1.963,44.861,57.943,27,2
+-1,-1,-1,-1,0.266,1.447,32.009,31.305,47.07,2
+-1,-1,-1,-1,0.292,1.441,26.277,24.885,35.2,2
+-1,-1,-1,-1,0.372,1.773,37.531,44.171,36.46,2
+-1,-1,-1,-1,0.429,1.994,43.281,58.565,31.64,1
+-1,-1,-1,-1,0.447,1.937,31.88,46.724,36.74,1
+-1,-1,-1,-1,0.32,1.605,34.914,36.73,43.21,1
+-1,-1,-1,-1,0.373,1.77,32.751,39.627,35.11,1
+-1,-1,-1,-1,0.511,2.086,50.131,69.416,41.59,1
+-1,-1,-1,-1,0.312,1.599,30.4,31.956,34.57,3
+-1,-1,-1,-1,0.279,1.528,32.52,34.951,37.86,3
+-1,-1,-1,-1,0.275,1.515,31.313,32.742,34.82,3
+-1,-1,-1,-1,0.256,1.473,30.479,30.881,34.27,3
+-1,-1,-1,-1,0.219,1.443,33.7,32.302,27.08,3
+-1,-1,-1,-1,0.405,1.77,17.703,20.302,31.69,4
+-1,-1,-1,-1,0.533,2.119,21.824,36.113,31.93,4
+-1,-1,-1,-1,0.283,1.685,20.94,26.248,20.8,4
+-1,-1,-1,-1,0.352,1.54,13.085,15.543,42.72,4
+-1,-1,-1,-1,0.433,1.803,20.178,25.462,39.32,4
+-1,-1,-1,-1,0.248,1.406,20.441,20.514,33.38,4
+-1,-1,-1,-1,0.232,1.425,25.875,27.058,28.76,4
+-1,-1,-1,-1,0.542,2.301,30.567,44.776,25.9,4
+-1,-1,-1,-1,0.234,1.512,24.311,21.072,21.9,4
+-1,-1,-1,-1,0.441,1.963,44.296,57.826,36.17,2
+-1,-1,-1,-1,0.437,1.975,45.457,58.927,33.95,2
+-1,-1,-1,-1,0.39,1.826,44.965,54.561,38.4,2
+-1,-1,-1,-1,0.671,2.343,35.256,56.873,45.72,4
+-1,-1,-1,-1,0.714,2.465,39.693,63.674,37.88,4
+-1,-1,-1,-1,0.329,1.687,22.946,28.46,29.83,4
+-1,-1,-1,-1,0.615,2.228,32.868,47.111,41.5,4
+-1,-1,-1,-1,0.459,1.943,29.636,39.35,36.21,4
+-1,-1,-1,-1,0.498,2.005,29.811,41.49,40.06,4
+-1,-1,-1,-1,0.541,2.168,38.957,58.091,35.53,4
+-1,-1,-1,-1,0.438,1.997,43.341,59.089,32.5,2
+-1,-1,-1,-1,0.46,1.956,44.072,56.935,42.58,2
+-1,-1,-1,-1,0.494,2.025,42.142,57.869,42.42,2
+-1,-1,-1,-1,0.323,1.618,32.896,35.557,39.07,2
+-1,-1,-1,-1,0.566,2.188,49.982,73.069,44.98,1
+-1,-1,-1,-1,0.481,2.091,40.673,61.364,31.62,1
+-1,-1,-1,-1,0.296,1.662,32.967,35.431,27.75,1
+-1,-1,-1,-1,0.33,1.652,40.059,44.664,42.37,1
+-1,-1,-1,-1,0.254,1.573,32.998,34.471,26.2,1
+-1,-1,-1,-1,0.362,1.722,39.87,44.793,45.91,1
+-1,-1,-1,-1,0.229,1.431,30.123,29.819,30.34,1
+-1,-1,-1,-1,0.521,2.062,35.561,53.7,47.37,1
+-1,-1,-1,-1,0.365,1.828,40.653,49.783,31.56,1
+-1,-1,-1,-1,0.374,1.895,43.79,55.737,29.76,1
+-1,-1,-1,-1,0.752,2.522,40.845,63.48,40.88,1
+-1,-1,-1,-1,0.445,1.986,44.71,59.263,34.36,1
+-1,-1,-1,-1,0.438,1.932,44.28,57.366,38.09,1
+-1,-1,-1,-1,0.351,1.786,44.997,53.279,32.77,1
+-1,-1,-1,-1,0.419,1.866,41.925,51.958,48.32,1
+-1,-1,-1,-1,0.303,1.681,38.451,42.227,29.73,1
+-1,-1,-1,-1,0.284,1.49,22.212,23.25,55.79,5
+-1,-1,-1,-1,0.17,1.356,32.732,30.064,22.25,5
+-1,-1,-1,-1,0.285,1.491,27.588,28.447,50.07,5
+-1,-1,-1,-1,0.288,1.617,30.814,31.209,29.03,5
+-1,-1,-1,-1,0.286,1.542,35.461,37.697,45.03,5
+-1,-1,-1,-1,0.467,1.858,18.908,21.101,57.14,1
+-1,-1,-1,-1,0.409,1.863,36.987,48.599,36.13,1
+-1,-1,-1,-1,0.329,1.72,43.844,50.397,33.68,1
+-1,-1,-1,-1,0.288,1.562,39.258,40.398,36.64,1
+-1,-1,-1,-1,0.368,1.761,43.156,49.881,51.54,1
+-1,-1,-1,-1,0.417,1.909,48.329,60.608,37.07,1
+-1,-1,-1,-1,0.175,1.417,29.504,28.643,19.41,1
+-1,-1,-1,-1,0.317,1.789,38.979,40.335,66.39,1
+-1,-1,-1,-1,0.157,1.286,31.113,27.205,22.53,1
+-1,-1,-1,-1,0.238,1.549,30.086,33.089,23.87,6
+-1,-1,-1,-1,0.414,1.857,37.986,48.166,39.49,6
+-1,-1,-1,-1,0.298,1.599,32.218,35.574,33.69,6
+-1,-1,-1,-1,0.377,1.776,34.404,41.143,36.64,6
+-1,-1,-1,-1,0.237,1.525,28.929,30.657,25.32,6
+-1,-1,-1,-1,0.346,1.71,33.698,40.231,35.88,6
+-1,-1,-1,-1,0.332,1.748,30.261,29.594,22.6,6
+-1,-1,-1,-1,0.369,1.865,38.726,48.472,29.1,6
+-1,-1,5.0432,-1,-1,-1,-1,-1,-1,6
+-1,-1,7.0144,-1,-1,-1,-1,-1,-1,6
+-1,-1,2.048,-1,-1,-1,-1,-1,-1,6
+-1,-1,2.4512,-1,-1,-1,-1,-1,-1,6
+-1,-1,4.4544,-1,-1,-1,-1,-1,-1,6
+-1,-1,2.5152,-1,-1,-1,-1,-1,-1,6
+-1,-1,5.7152,-1,-1,-1,-1,-1,-1,6
+-1,-1,3.2192,-1,-1,-1,-1,-1,-1,6
+-1,-1,3.8016,-1,-1,-1,-1,-1,-1,6
+-1,-1,2.2592,-1,-1,-1,-1,-1,-1,6
+-1,-1,13.8496,-1,-1,-1,-1,-1,-1,6
+-1,-1,3.2512,-1,-1,-1,-1,-1,-1,6
+-1,-1,3.1296,-1,-1,-1,-1,-1,-1,6
+-1,-1,3.9936,-1,-1,-1,-1,-1,-1,6
+-1,-1,3.1424,-1,-1,-1,-1,-1,-1,6
+-1,-1,6.1504,-1,-1,-1,-1,-1,-1,6
+-1,-1,4.6976,-1,-1,-1,-1,-1,-1,6
+-1,-1,2.0544,-1,-1,-1,-1,-1,-1,6
+-1,-1,5.7472,-1,-1,-1,-1,-1,-1,6
+-1,-1,2.72,-1,-1,-1,-1,-1,-1,6
+-1,-1,6.6112,-1,-1,-1,-1,-1,-1,6
+-1,-1,9.5552,-1,-1,-1,-1,-1,-1,6
+-1,-1,3.4496,-1,-1,-1,-1,-1,-1,6
+-1,-1,2.7584,-1,-1,-1,-1,-1,-1,6
+-1,-1,3.8144,-1,-1,-1,-1,-1,-1,6
+-1,-1,1.6704,-1,-1,-1,-1,-1,-1,6
+-1,-1,5.312,-1,-1,-1,-1,-1,-1,6
+-1,-1,1.7664,-1,-1,-1,-1,-1,-1,6
+-1,-1,3.7824,-1,-1,-1,-1,-1,-1,6
+-1,-1,4.1344,-1,-1,-1,-1,-1,-1,6
+-1,-1,2.048,-1,-1,-1,-1,-1,-1,6
+-1,-1,2.0992,-1,-1,-1,-1,-1,-1,6
+-1,-1,1.504,-1,-1,-1,-1,-1,-1,6
+-1,-1,2.048,-1,-1,-1,-1,-1,-1,6
+-1,-1,5.568,-1,-1,-1,-1,-1,-1,6
+-1,-1,6.496,-1,-1,-1,-1,-1,-1,6
+-1,-1,5.568,-1,-1,-1,-1,-1,-1,6
+-1,-1,4.32,-1,-1,-1,-1,-1,-1,6
+-1,-1,4.06272,-1,-1,-1,-1,-1,-1,6
+-1,-1,1.8432,-1,-1,-1,-1,-1,-1,1
+-1,-1,2.6624,-1,-1,-1,-1,-1,-1,1
+-1,-1,6.24,-1,-1,-1,-1,-1,-1,1
+-1,-1,6.2592,-1,-1,-1,-1,-1,-1,1
+-1,-1,4.6336,-1,-1,-1,-1,-1,-1,1
+-1,-1,2.8352,-1,-1,-1,-1,-1,-1,1
+-1,-1,3.3472,-1,-1,-1,-1,-1,-1,1
+-1,-1,2.048,-1,-1,-1,-1,-1,-1,1
+-1,-1,2.048,-1,-1,-1,-1,-1,-1,1
+-1,-1,8.256,-1,-1,-1,-1,-1,-1,1
+-1,-1,3.6032,-1,-1,-1,-1,-1,-1,1
+-1,-1,4.5952,-1,-1,-1,-1,-1,-1,1
+-1,-1,2.9504,-1,-1,-1,-1,-1,-1,1
+-1,-1,2.3296,-1,-1,-1,-1,-1,-1,1
+-1,-1,5.9392,-1,-1,-1,-1,-1,-1,1
+-1,-1,7.0976,-1,-1,-1,-1,-1,-1,1
+-1,-1,2.1696,-1,-1,-1,-1,-1,-1,1
+-1,-1,4.6912,-1,-1,-1,-1,-1,-1,1
+-1,-1,2.048,-1,-1,-1,-1,-1,-1,1
+-1,-1,5.5296,-1,-1,-1,-1,-1,-1,1
+-1,-1,4.6784,-1,-1,-1,-1,-1,-1,1
+-1,-1,6.7392,-1,-1,-1,-1,-1,-1,1
+-1,-1,5.6,-1,-1,-1,-1,-1,-1,1
+-1,-1,4.5056,-1,-1,-1,-1,-1,-1,1
+-1,-1,4.2752,-1,-1,-1,-1,-1,-1,1
+-1,-1,5.44,-1,-1,-1,-1,-1,-1,1
+-1,-1,4.8512,-1,-1,-1,-1,-1,-1,1
+-1,-1,5.6832,-1,-1,-1,-1,-1,-1,1
+-1,-1,8.8,-1,-1,-1,-1,-1,-1,1
+-1,-1,6.88,-1,-1,-1,-1,-1,-1,1
+-1,-1,4.9216,-1,-1,-1,-1,-1,-1,1
+-1,-1,4.8512,-1,-1,-1,-1,-1,-1,1
+-1,-1,4.2432,-1,-1,-1,-1,-1,-1,1
+-1,-1,3.1872,-1,-1,-1,-1,-1,-1,1
+-1,-1,4.5952,-1,-1,-1,-1,-1,-1,1
+-1,-1,3.8464,-1,-1,-1,-1,-1,-1,1
+-1,-1,6.144,-1,-1,-1,-1,-1,-1,1
+-1,-1,5.088,-1,-1,-1,-1,-1,-1,1
+-1,-1,1.92,-1,-1,-1,-1,-1,-1,1
+-1,-1,5.4464,-1,-1,-1,-1,-1,-1,1
+-1,-1,-1,-1,-1,-1,-1,-1,-1,1
+-1,-1,4.3584,-1,-1,-1,-1,-1,-1,1
+-1,-1,6.144,-1,-1,-1,-1,-1,-1,1
+-1,-1,-1,-1,-1,-1,-1,-1,-1,1
+-1,-1,5.3824,-1,-1,-1,-1,-1,-1,1
+-1,-1,6.3232,-1,-1,-1,-1,-1,-1,1
+-1,-1,3.8592,-1,-1,-1,-1,-1,-1,1
+-1,-1,3.2936,-1,-1,-1,-1,-1,-1,2
+-1,-1,5.1152,-1,-1,-1,-1,-1,-1,2
+-1,-1,14.6832,-1,-1,-1,-1,-1,-1,2
+-1,-1,26.6432,-1,-1,-1,-1,-1,-1,2
+-1,-1,6.532,-1,-1,-1,-1,-1,-1,2
+-1,-1,2.2425,-1,-1,-1,-1,-1,-1,2
+-1,-1,4.394,-1,-1,-1,-1,-1,-1,2
+-1,-1,2.9445,-1,-1,-1,-1,-1,-1,2
+-1,-1,2.5675,-1,-1,-1,-1,-1,-1,2
+-1,-1,5.8825,-1,-1,-1,-1,-1,-1,2
+-1,-1,5.447,-1,-1,-1,-1,-1,-1,2
+-1,-1,2.444,-1,-1,-1,-1,-1,-1,2
+-1,-1,4.5825,-1,-1,-1,-1,-1,-1,2
+-1,-1,4.0625,-1,-1,-1,-1,-1,-1,2
+-1,-1,4.6475,-1,-1,-1,-1,-1,-1,2
+-1,-1,1.3715,-1,-1,-1,-1,-1,-1,2
+-1,-1,4.6345,-1,-1,-1,-1,-1,-1,2
+-1,-1,3.965,-1,-1,-1,-1,-1,-1,2
+-1,-1,2.8925,-1,-1,-1,-1,-1,-1,2
+-1,-1,3.1525,-1,-1,-1,-1,-1,-1,2
+-1,-1,2.6845,-1,-1,-1,-1,-1,-1,2
+-1,-1,4.615,-1,-1,-1,-1,-1,-1,2
+-1,-1,6.1425,-1,-1,-1,-1,-1,-1,2
+-1,-1,4.3615,-1,-1,-1,-1,-1,-1,2
+-1,-1,5.6745,-1,-1,-1,-1,-1,-1,2
+-1,-1,3.432,-1,-1,-1,-1,-1,-1,2
+-1,-1,2.5935,-1,-1,-1,-1,-1,-1,2
+-1,-1,4.862,-1,-1,-1,-1,-1,-1,2
+-1,-1,5.9345,-1,-1,-1,-1,-1,-1,2
+-1,-1,3.081,-1,-1,-1,-1,-1,-1,2
+-1,-1,2.782,-1,-1,-1,-1,-1,-1,2
+-1,-1,-1,-1,-1,-1,-1,-1,-1,2
+-1,-1,4.4525,-1,-1,-1,-1,-1,-1,2
+-1,-1,4.5045,-1,-1,-1,-1,-1,-1,2
+-1,-1,4.875,-1,-1,-1,-1,-1,-1,2
+-1,-1,4.381,-1,-1,-1,-1,-1,-1,2
+-1,-1,4.16,-1,-1,-1,-1,-1,-1,2
+-1,-1,3.822,-1,-1,-1,-1,-1,-1,2
+-1,-1,5.2065,-1,-1,-1,-1,-1,-1,2
+-1,-1,5.161,-1,-1,-1,-1,-1,-1,2
+-1,-1,3.3735,-1,-1,-1,-1,-1,-1,2
+-1,-1,2.9965,-1,-1,-1,-1,-1,-1,2
+-1,-1,1.4365,-1,-1,-1,-1,-1,-1,2
+-1,-1,1.5795,-1,-1,-1,-1,-1,-1,2
+-1,-1,2.6325,-1,-1,-1,-1,-1,-1,2
+-1,-1,4.68,-1,-1,-1,-1,-1,-1,2
+-1,-1,3.575,-1,-1,-1,-1,-1,-1,2
+-1,-1,3.0225,-1,-1,-1,-1,-1,-1,2
+-1,-1,1.7875,-1,-1,-1,-1,-1,-1,2
+-1,-1,5.031,-1,-1,-1,-1,-1,-1,2
+-1,-1,1.599,-1,-1,-1,-1,-1,-1,2
+-1,-1,3.224,-1,-1,-1,-1,-1,-1,2
+-1,-1,4.2185,-1,-1,-1,-1,-1,-1,2
+-1,-1,3.2435,-1,-1,-1,-1,-1,-1,2
+-1,-1,3.692,-1,-1,-1,-1,-1,-1,2
+-1,-1,2.1,-1,-1,-1,-1,-1,-1,2
+-1,-1,3.2,-1,-1,-1,-1,-1,-1,2
+-1,-1,4.017,-1,-1,-1,-1,-1,-1,1
+-1,-1,3.172,-1,-1,-1,-1,-1,-1,1
+-1,-1,9.3535,-1,-1,-1,-1,-1,-1,1
+-1,-1,9.6135,-1,-1,-1,-1,-1,-1,1
+-1,-1,4.2445,-1,-1,-1,-1,-1,-1,1
+-1,-1,6.9875,-1,-1,-1,-1,-1,-1,1
+-1,-1,6.695,-1,-1,-1,-1,-1,-1,1
+-1,-1,3.8415,-1,-1,-1,-1,-1,-1,1
+-1,-1,7.449,-1,-1,-1,-1,-1,-1,1
+-1,-1,6.799,-1,-1,-1,-1,-1,-1,1
+-1,-1,7.202,-1,-1,-1,-1,-1,-1,1
+-1,-1,6.5715,-1,-1,-1,-1,-1,-1,1
+-1,-1,8.6645,-1,-1,-1,-1,-1,-1,1
+-1,-1,5.1285,-1,-1,-1,-1,-1,-1,1
+-1,-1,5.044,-1,-1,-1,-1,-1,-1,1
+-1,-1,-1,-1,-1,-1,-1,-1,-1,1
+-1,-1,2.6065,-1,-1,-1,-1,-1,-1,1
+-1,-1,7.735,-1,-1,-1,-1,-1,-1,1
+-1,-1,5.4535,-1,-1,-1,-1,-1,-1,1
+-1,-1,5.5445,-1,-1,-1,-1,-1,-1,1
+-1,-1,8.32,-1,-1,-1,-1,-1,-1,1
+-1,-1,2.47,-1,-1,-1,-1,-1,-1,1
+-1,-1,7.904,-1,-1,-1,-1,-1,-1,1
+-1,-1,4.316,-1,-1,-1,-1,-1,-1,1
+-1,-1,7.956,-1,-1,-1,-1,-1,-1,1
+-1,-1,7.6115,-1,-1,-1,-1,-1,-1,1
+-1,-1,7.4685,-1,-1,-1,-1,-1,-1,1
+-1,-1,6.2985,-1,-1,-1,-1,-1,-1,1
+-1,-1,8.9635,-1,-1,-1,-1,-1,-1,1
+-1,-1,6.617,-1,-1,-1,-1,-1,-1,1
+-1,-1,6.5975,-1,-1,-1,-1,-1,-1,1
+-1,-1,8.0665,-1,-1,-1,-1,-1,-1,1
+-1,-1,5.265,-1,-1,-1,-1,-1,-1,1
+-1,-1,6.24,-1,-1,-1,-1,-1,-1,1
+-1,-1,3.887,-1,-1,-1,-1,-1,-1,1
+-1,-1,4.576,-1,-1,-1,-1,-1,-1,1
+-1,-1,6.24,-1,-1,-1,-1,-1,-1,1
+-1,-1,9.23,-1,-1,-1,-1,-1,-1,1
+-1,-1,2.9575,-1,-1,-1,-1,-1,-1,1
+-1,-1,5.746,-1,-1,-1,-1,-1,-1,1
+-1,-1,8.3915,-1,-1,-1,-1,-1,-1,1
+-1,-1,6.3895,-1,-1,-1,-1,-1,-1,1
+-1,-1,5.9735,-1,-1,-1,-1,-1,-1,1
+-1,-1,7.7025,-1,-1,-1,-1,-1,-1,1
+-1,-1,8.489,-1,-1,-1,-1,-1,-1,1
+-1,-1,9.3275,-1,-1,-1,-1,-1,-1,1
+-1,-1,4.2575,-1,-1,-1,-1,-1,-1,1
+-1,-1,9.555,-1,-1,-1,-1,-1,-1,1
+-1,-1,6.0385,-1,-1,-1,-1,-1,-1,1
+-1,-1,1.456,-1,-1,-1,-1,-1,-1,1
+-1,-1,8.0535,-1,-1,-1,-1,-1,-1,1
+-1,-1,6.136,-1,-1,-1,-1,-1,-1,5
+-1,-1,4.914,-1,-1,-1,-1,-1,-1,5
+-1,-1,4.966,-1,-1,-1,-1,-1,-1,5
+-1,-1,4.81,-1,-1,-1,-1,-1,-1,5
+-1,-1,5.889,-1,-1,-1,-1,-1,-1,5
+-1,-1,6.24,-1,-1,-1,-1,-1,-1,5
+-1,-1,5.694,-1,-1,-1,-1,-1,-1,5
+-1,-1,5.239,-1,-1,-1,-1,-1,-1,5
+-1,-1,5.837,-1,-1,-1,-1,-1,-1,5
+-1,-1,5.0375,-1,-1,-1,-1,-1,-1,5
+-1,-1,4.8295,-1,-1,-1,-1,-1,-1,5
+-1,-1,4.615,-1,-1,-1,-1,-1,-1,5
+-1,-1,1.1375,-1,-1,-1,-1,-1,-1,5
+-1,-1,5.122,-1,-1,-1,-1,-1,-1,5
+-1,-1,5.226,-1,-1,-1,-1,-1,-1,5
+-1,-1,4.5565,-1,-1,-1,-1,-1,-1,5
+-1,-1,2.76,-1,-1,-1,-1,-1,-1,6
+-1,-1,6.7,-1,-1,-1,-1,-1,-1,6
+-1,-1,1.14,-1,-1,-1,-1,-1,-1,6
+-1,-1,2.68,-1,-1,-1,-1,-1,-1,6
+-1,-1,6.6,-1,-1,-1,-1,-1,-1,6
+-1,-1,4.21,-1,-1,-1,-1,-1,-1,6
+-1,-1,0.76,-1,-1,-1,-1,-1,-1,6
+-1,-1,2.39,-1,-1,-1,-1,-1,-1,6
+-1,-1,7.11,-1,-1,-1,-1,-1,-1,6
+-1,-1,1.05,-1,-1,-1,-1,-1,-1,6
+-1,-1,6.83,-1,-1,-1,-1,-1,-1,6
+-1,-1,2.93,-1,-1,-1,-1,-1,-1,6
+-1,-1,2.73,-1,-1,-1,-1,-1,-1,6
+-1,-1,6.25,-1,-1,-1,-1,-1,-1,6
+-1,-1,6.11,-1,-1,-1,-1,-1,-1,6
+-1,-1,2.38,-1,-1,-1,-1,-1,-1,6
+-1,-1,7.1,-1,-1,-1,-1,-1,-1,6
+-1,-1,1.05,-1,-1,-1,-1,-1,-1,6
+-1,-1,5.19,-1,-1,-1,-1,-1,-1,6
+-1,-1,2.88,-1,-1,-1,-1,-1,-1,6
+-1,-1,7.24,-1,-1,-1,-1,-1,-1,6
+-1,-1,2.73,-1,-1,-1,-1,-1,-1,6
+-1,-1,3.98,-1,-1,-1,-1,-1,-1,6
+-1,-1,2.65,-1,-1,-1,-1,-1,-1,6
+-1,-1,5.86,-1,-1,-1,-1,-1,-1,6
+-1,-1,1.2,-1,-1,-1,-1,-1,-1,6
+-1,-1,7.24,-1,-1,-1,-1,-1,-1,6
+-1,-1,6.25,-1,-1,-1,-1,-1,-1,6
+-1,-1,7.66,-1,-1,-1,-1,-1,-1,6
+-1,-1,5.48,-1,-1,-1,-1,-1,-1,6
+-1,-1,6.7,-1,-1,-1,-1,-1,-1,6
+-1,-1,1.93,-1,-1,-1,-1,-1,-1,6
+-1,-1,8.55,-1,-1,-1,-1,-1,-1,6
+-1,-1,2.54,-1,-1,-1,-1,-1,-1,6
+-1,-1,2.51,-1,-1,-1,-1,-1,-1,2
+-1,-1,1.4,-1,-1,-1,-1,-1,-1,2
+-1,-1,4.8,-1,-1,-1,-1,-1,-1,2
+-1,-1,2.06,-1,-1,-1,-1,-1,-1,2
+-1,-1,5.06,-1,-1,-1,-1,-1,-1,2
+-1,-1,3.71,-1,-1,-1,-1,-1,-1,2
+-1,-1,5.34,-1,-1,-1,-1,-1,-1,2
+-1,-1,3.01,-1,-1,-1,-1,-1,-1,2
+-1,-1,2.88,-1,-1,-1,-1,-1,-1,2
+-1,-1,6.14,-1,-1,-1,-1,-1,-1,2
+-1,-1,2.88,-1,-1,-1,-1,-1,-1,2
+-1,-1,4.2,-1,-1,-1,-1,-1,-1,2
+-1,-1,8.69,-1,-1,-1,-1,-1,-1,2
+-1,-1,3.01,-1,-1,-1,-1,-1,-1,2
+-1,-1,7.3,-1,-1,-1,-1,-1,-1,2
+-1,-1,4.3,-1,-1,-1,-1,-1,-1,2
+-1,-1,2.78,-1,-1,-1,-1,-1,-1,2
+-1,-1,5.23,-1,-1,-1,-1,-1,-1,2
+-1,-1,5.23,-1,-1,-1,-1,-1,-1,2
+-1,-1,3.79,-1,-1,-1,-1,-1,-1,2
+-1,-1,8.44,-1,-1,-1,-1,-1,-1,2
+-1,-1,2.71,-1,-1,-1,-1,-1,-1,2
+-1,-1,2.99,-1,-1,-1,-1,-1,-1,2
+-1,-1,3.23,-1,-1,-1,-1,-1,-1,2
+-1,-1,2.6,-1,-1,-1,-1,-1,-1,2
+-1,-1,7.6,-1,-1,-1,-1,-1,-1,2
+-1,-1,1.79,-1,-1,-1,-1,-1,-1,2
+-1,-1,1.05,-1,-1,-1,-1,-1,-1,2
+-1,-1,-1,-1,-1,-1,-1,-1,-1,2
+-1,-1,6.98,-1,-1,-1,-1,-1,-1,2
+-1,-1,3.78,-1,-1,-1,-1,-1,-1,2
+-1,-1,2.84,-1,-1,-1,-1,-1,-1,2
+-1,-1,3.49,-1,-1,-1,-1,-1,-1,2
+-1,-1,5.03,-1,-1,-1,-1,-1,-1,2
+-1,-1,0.68,-1,-1,-1,-1,-1,-1,2
+-1,-1,3.21,-1,-1,-1,-1,-1,-1,2
+-1,-1,2.35,-1,-1,-1,-1,-1,-1,2
+-1,-1,3.69,-1,-1,-1,-1,-1,-1,2
+-1,-1,3.35,-1,-1,-1,-1,-1,-1,2
+-1,-1,3.23,-1,-1,-1,-1,-1,-1,2
+-1,-1,0.94,-1,-1,-1,-1,-1,-1,2
+-1,-1,0.63,-1,-1,-1,-1,-1,-1,2
+-1,-1,0.39,-1,-1,-1,-1,-1,-1,2
+-1,-1,0.6,-1,-1,-1,-1,-1,-1,2
+-1,-1,5.26,-1,-1,-1,-1,-1,-1,2
+-1,-1,1.43,-1,-1,-1,-1,-1,-1,2
+-1,-1,3.54,-1,-1,-1,-1,-1,-1,2
+-1,-1,2.03,-1,-1,-1,-1,-1,-1,2
+-1,-1,2.8,-1,-1,-1,-1,-1,-1,2
+-1,-1,3.29,-1,-1,-1,-1,-1,-1,2
+-1,-1,0.76,-1,-1,-1,-1,-1,-1,2
+-1,-1,2.76,-1,-1,-1,-1,-1,-1,2
+-1,-1,2.79,-1,-1,-1,-1,-1,-1,2
+-1,-1,0.63,-1,-1,-1,-1,-1,-1,2
+-1,-1,4.04,-1,-1,-1,-1,-1,-1,2
+-1,-1,3.24,-1,-1,-1,-1,-1,-1,2
+-1,-1,4.04,-1,-1,-1,-1,-1,-1,2
+-1,-1,0.59,-1,-1,-1,-1,-1,-1,2
+-1,-1,3.83,-1,-1,-1,-1,-1,-1,2
+-1,-1,6.66,-1,-1,-1,-1,-1,-1,2
+-1,-1,3.3,-1,-1,-1,-1,-1,-1,2
+-1,-1,1.05,-1,-1,-1,-1,-1,-1,2
+-1,-1,3.31,-1,-1,-1,-1,-1,-1,2
+-1,-1,2.8,-1,-1,-1,-1,-1,-1,2
+-1,-1,0.86,-1,-1,-1,-1,-1,-1,2
+-1,-1,3.26,-1,-1,-1,-1,-1,-1,2
+-1,-1,8.13,-1,-1,-1,-1,-1,-1,2
+-1,-1,3.49,-1,-1,-1,-1,-1,-1,2
+-1,-1,1.1,-1,-1,-1,-1,-1,-1,2
+-1,-1,1.93,-1,-1,-1,-1,-1,-1,2
+-1,-1,3.58,-1,-1,-1,-1,-1,-1,2
+-1,-1,0.81,-1,-1,-1,-1,-1,-1,2
+-1,-1,3.8,-1,-1,-1,-1,-1,-1,2
+-1,-1,0.93,-1,-1,-1,-1,-1,-1,2
+-1,-1,2.13,-1,-1,-1,-1,-1,-1,2
+-1,-1,1.86,-1,-1,-1,-1,-1,-1,2
+-1,-1,2.78,-1,-1,-1,-1,-1,-1,3
+-1,-1,3.91,-1,-1,-1,-1,-1,-1,3
+-1,-1,5.29,-1,-1,-1,-1,-1,-1,3
+-1,-1,3.95,-1,-1,-1,-1,-1,-1,3
+-1,-1,2.49,-1,-1,-1,-1,-1,-1,3
+-1,-1,4.79,-1,-1,-1,-1,-1,-1,3
+-1,-1,3.71,-1,-1,-1,-1,-1,-1,3
+-1,-1,0.59,-1,-1,-1,-1,-1,-1,3
+-1,-1,2.39,-1,-1,-1,-1,-1,-1,3
+-1,-1,4.88,-1,-1,-1,-1,-1,-1,3
+-1,-1,6.54,-1,-1,-1,-1,-1,-1,3
+-1,-1,4.35,-1,-1,-1,-1,-1,-1,3
+-1,-1,0.83,-1,-1,-1,-1,-1,-1,3
+-1,-1,0.85,-1,-1,-1,-1,-1,-1,3
+-1,-1,3.41,-1,-1,-1,-1,-1,-1,3
+-1,-1,5.66,-1,-1,-1,-1,-1,-1,3
+-1,-1,4.64,-1,-1,-1,-1,-1,-1,3
+-1,-1,2.93,-1,-1,-1,-1,-1,-1,3
+-1,-1,2.76,-1,-1,-1,-1,-1,-1,3
+-1,-1,2.41,-1,-1,-1,-1,-1,-1,3
+-1,-1,5.5,-1,-1,-1,-1,-1,-1,3
+-1,-1,2.6,-1,-1,-1,-1,-1,-1,3
+-1,-1,4.78,-1,-1,-1,-1,-1,-1,3
+-1,-1,4.48,-1,-1,-1,-1,-1,-1,3
+-1,-1,2.73,-1,-1,-1,-1,-1,-1,3
+-1,-1,2.95,-1,-1,-1,-1,-1,-1,3
+-1,-1,0.65,-1,-1,-1,-1,-1,-1,3
+-1,-1,0.36,-1,-1,-1,-1,-1,-1,3
+-1,-1,0.68,-1,-1,-1,-1,-1,-1,3
+-1,-1,5.35,-1,-1,-1,-1,-1,-1,3
+-1,-1,0.71,-1,-1,-1,-1,-1,-1,3
+-1,-1,2.5,-1,-1,-1,-1,-1,-1,3
+-1,-1,2.68,-1,-1,-1,-1,-1,-1,3
+-1,-1,3,-1,-1,-1,-1,-1,-1,3
+-1,-1,0.44,-1,-1,-1,-1,-1,-1,3
+-1,-1,0.76,-1,-1,-1,-1,-1,-1,3
+-1,-1,0.71,-1,-1,-1,-1,-1,-1,3
+-1,-1,0.83,-1,-1,-1,-1,-1,-1,3
+-1,-1,0.83,-1,-1,-1,-1,-1,-1,3
+-1,-1,0.64,-1,-1,-1,-1,-1,-1,3
+-1,-1,2.75,-1,-1,-1,-1,-1,-1,3
+-1,-1,6.4,-1,-1,-1,-1,-1,-1,3
+-1,-1,2.96,-1,-1,-1,-1,-1,-1,1
+-1,-1,2.51,-1,-1,-1,-1,-1,-1,1
+-1,-1,1.63,-1,-1,-1,-1,-1,-1,1
+-1,-1,2.79,-1,-1,-1,-1,-1,-1,1
+-1,-1,2.84,-1,-1,-1,-1,-1,-1,1
+-1,-1,8.31,-1,-1,-1,-1,-1,-1,1
+-1,-1,2.01,-1,-1,-1,-1,-1,-1,1
+-1,-1,2.49,-1,-1,-1,-1,-1,-1,1
+-1,-1,8.04,-1,-1,-1,-1,-1,-1,1
+-1,-1,2.45,-1,-1,-1,-1,-1,-1,1
+-1,-1,2.79,-1,-1,-1,-1,-1,-1,1
+-1,-1,5.76,-1,-1,-1,-1,-1,-1,1
+-1,-1,7.38,-1,-1,-1,-1,-1,-1,1
+-1,-1,2.24,-1,-1,-1,-1,-1,-1,1
+-1,-1,4.15,-1,-1,-1,-1,-1,-1,1
+-1,-1,7.43,-1,-1,-1,-1,-1,-1,1
+-1,-1,6.25,-1,-1,-1,-1,-1,-1,1
+-1,-1,2.66,-1,-1,-1,-1,-1,-1,1
+-1,-1,5.41,-1,-1,-1,-1,-1,-1,1
+-1,-1,2.69,-1,-1,-1,-1,-1,-1,1
+-1,-1,6.59,-1,-1,-1,-1,-1,-1,1
+-1,-1,3.86,-1,-1,-1,-1,-1,-1,1
+-1,-1,5.98,-1,-1,-1,-1,-1,-1,1
+-1,-1,6.4,-1,-1,-1,-1,-1,-1,1
+-1,-1,7.4,-1,-1,-1,-1,-1,-1,1
+-1,-1,3.04,-1,-1,-1,-1,-1,-1,1
+-1,-1,7.19,-1,-1,-1,-1,-1,-1,1
+-1,-1,4.95,-1,-1,-1,-1,-1,-1,1
+-1,-1,2.84,-1,-1,-1,-1,-1,-1,1
+-1,-1,2.63,-1,-1,-1,-1,-1,-1,1
+-1,-1,2.34,-1,-1,-1,-1,-1,-1,1
+-1,-1,1.03,-1,-1,-1,-1,-1,-1,1
+-1,-1,2.55,-1,-1,-1,-1,-1,-1,1
+-1,-1,7.28,-1,-1,-1,-1,-1,-1,1
+-1,-1,8.59,-1,-1,-1,-1,-1,-1,1
+-1,-1,7.58,-1,-1,-1,-1,-1,-1,1
+-1,-1,2.15,-1,-1,-1,-1,-1,-1,1
+-1,-1,5.69,-1,-1,-1,-1,-1,-1,1
+-1,-1,7.03,-1,-1,-1,-1,-1,-1,1
+-1,-1,2.23,-1,-1,-1,-1,-1,-1,1
+-1,-1,0.9,-1,-1,-1,-1,-1,-1,1
+-1,-1,3.2,-1,-1,-1,-1,-1,-1,1
+-1,-1,5.79,-1,-1,-1,-1,-1,-1,1
+-1,-1,6.61,-1,-1,-1,-1,-1,-1,1
+-1,-1,2.74,-1,-1,-1,-1,-1,-1,1
+-1,-1,3.2,-1,-1,-1,-1,-1,-1,1
+-1,-1,7.86,-1,-1,-1,-1,-1,-1,1
+-1,-1,3.45,-1,-1,-1,-1,-1,-1,1
+-1,-1,7.08,-1,-1,-1,-1,-1,-1,1
+-1,-1,6.5,-1,-1,-1,-1,-1,-1,1
+-1,-1,2.43,-1,-1,-1,-1,-1,-1,1
+-1,-1,2.68,-1,-1,-1,-1,-1,-1,1
+-1,-1,3.29,-1,-1,-1,-1,-1,-1,1
+-1,-1,2.65,-1,-1,-1,-1,-1,-1,1
+-1,-1,2.79,-1,-1,-1,-1,-1,-1,1
+-1,-1,2.59,-1,-1,-1,-1,-1,-1,1
+-1,-1,5.65,-1,-1,-1,-1,-1,-1,1
+-1,-1,5.06,-1,-1,-1,-1,-1,-1,1
+-1,-1,6.9,-1,-1,-1,-1,-1,-1,1
+-1,-1,2.63,-1,-1,-1,-1,-1,-1,1
+-1,-1,7.34,-1,-1,-1,-1,-1,-1,1
+-1,-1,2.36,-1,-1,-1,-1,-1,-1,1
+-1,-1,7.23,-1,-1,-1,-1,-1,-1,1
+-1,-1,2.59,-1,-1,-1,-1,-1,-1,1
+-1,-1,0.68,-1,-1,-1,-1,-1,-1,1
+-1,-1,2.65,-1,-1,-1,-1,-1,-1,1
+-1,-1,2.84,-1,-1,-1,-1,-1,-1,1
+-1,-1,2.7,-1,-1,-1,-1,-1,-1,1
+-1,-1,3,-1,-1,-1,-1,-1,-1,1
+-1,-1,2.86,-1,-1,-1,-1,-1,-1,1
+-1,-1,5.48,-1,-1,-1,-1,-1,-1,1
+-1,-1,8.45,-1,-1,-1,-1,-1,-1,1
+-1,-1,3.01,-1,-1,-1,-1,-1,-1,1
+-1,-1,0.99,-1,-1,-1,-1,-1,-1,1
+-1,-1,8.31,-1,-1,-1,-1,-1,-1,1
+-1,-1,2.33,-1,-1,-1,-1,-1,-1,1
+-1,-1,9.01,-1,-1,-1,-1,-1,-1,1
+-1,-1,2.39,-1,-1,-1,-1,-1,-1,1
+-1,-1,9.23,-1,-1,-1,-1,-1,-1,1
+-1,-1,8.48,-1,-1,-1,-1,-1,-1,1
+-1,-1,7.85,-1,-1,-1,-1,-1,-1,1
+-1,-1,3.05,-1,-1,-1,-1,-1,-1,1
+-1,-1,1.85,-1,-1,-1,-1,-1,-1,1
+-1,-1,2.49,-1,-1,-1,-1,-1,-1,1
+-1,-1,2.2,-1,-1,-1,-1,-1,-1,1
+-1,-1,8.24,-1,-1,-1,-1,-1,-1,1
+-1,-1,2.84,-1,-1,-1,-1,-1,-1,1
+-1,-1,6.71,-1,-1,-1,-1,-1,-1,1
+-1,-1,2.54,-1,-1,-1,-1,-1,-1,1
+-1,-1,6.91,-1,-1,-1,-1,-1,-1,1
+-1,-1,3.01,-1,-1,-1,-1,-1,-1,1
+-1,-1,5.65,-1,-1,-1,-1,-1,-1,1
+-1,-1,1.15,-1,-1,-1,-1,-1,-1,1
+-1,-1,2.46,-1,-1,-1,-1,-1,-1,1
+-1,-1,7.04,-1,-1,-1,-1,-1,-1,1
+-1,-1,0.53,-1,-1,-1,-1,-1,-1,1
+-1,-1,4.64,-1,-1,-1,-1,-1,-1,1
+-1,-1,2.48,-1,-1,-1,-1,-1,-1,1
+-1,-1,2.83,-1,-1,-1,-1,-1,-1,1
+-1,-1,2.55,-1,-1,-1,-1,-1,-1,1
+-1,-1,2.66,-1,-1,-1,-1,-1,-1,1
+-1,-1,1.53,-1,-1,-1,-1,-1,-1,1
+-1,-1,7.25,-1,-1,-1,-1,-1,-1,1
+-1,-1,2.6,-1,-1,-1,-1,-1,-1,1
+-1,-1,2.84,-1,-1,-1,-1,-1,-1,1
+-1,-1,2.08,-1,-1,-1,-1,-1,-1,1
+-1,-1,0.61,-1,-1,-1,-1,-1,-1,1
+-1,-1,9.99,-1,-1,-1,-1,-1,-1,1
+-1,-1,0.79,-1,-1,-1,-1,-1,-1,1
+-1,-1,0.45,-1,-1,-1,-1,-1,-1,1
+-1,-1,2.91,-1,-1,-1,-1,-1,-1,1
+-1,-1,8.11,-1,-1,-1,-1,-1,-1,1
+-1,-1,0.78,-1,-1,-1,-1,-1,-1,1
+-1,-1,2.09,-1,-1,-1,-1,-1,-1,1
+-1,-1,2.79,-1,-1,-1,-1,-1,-1,1
+-1,-1,2.19,-1,-1,-1,-1,-1,-1,1
+-1,-1,2.66,-1,-1,-1,-1,-1,-1,1
+-1,-1,0.88,-1,-1,-1,-1,-1,-1,1
+-1,-1,2.9,-1,-1,-1,-1,-1,-1,1
+-1,-1,2.31,-1,-1,-1,-1,-1,-1,1
+-1,-1,2.68,-1,-1,-1,-1,-1,-1,1
+-1,-1,2.4,-1,-1,-1,-1,-1,-1,1
+-1,-1,2.73,-1,-1,-1,-1,-1,-1,1
+-1,-1,8.5,-1,-1,-1,-1,-1,-1,1
+-1,-1,1.51,-1,-1,-1,-1,-1,-1,1
+-1,-1,7.79,-1,-1,-1,-1,-1,-1,1
+-1,-1,0,-1,-1,-1,-1,-1,-1,1
+-1,-1,2.19,-1,-1,-1,-1,-1,-1,1
+-1,-1,2.01,-1,-1,-1,-1,-1,-1,1
+-1,-1,2.96,-1,-1,-1,-1,-1,-1,1
+-1,-1,0.86,-1,-1,-1,-1,-1,-1,1
+-1,-1,1.95,-1,-1,-1,-1,-1,-1,1
+-1,-1,2.63,-1,-1,-1,-1,-1,-1,1
+-1,-1,2.91,-1,-1,-1,-1,-1,-1,1
+-1,-1,1.14,-1,-1,-1,-1,-1,-1,1
+-1,-1,3.2,-1,-1,-1,-1,-1,-1,1
+-1,-1,6.18,-1,-1,-1,-1,-1,-1,1
+-1,-1,0.73,-1,-1,-1,-1,-1,-1,1
+-1,-1,2.76,-1,-1,-1,-1,-1,-1,1
+-1,-1,0,-1,-1,-1,-1,-1,-1,1
+-1,-1,3.84,-1,-1,-1,-1,-1,-1,1
+-1,-1,0.61,-1,-1,-1,-1,-1,-1,1
+-1,-1,2.83,-1,-1,-1,-1,-1,-1,1
+-1,-1,2.79,-1,-1,-1,-1,-1,-1,1
+-1,-1,2.44,-1,-1,-1,-1,-1,-1,1
+-1,-1,0.58,-1,-1,-1,-1,-1,-1,1
+-1,-1,2.93,-1,-1,-1,-1,-1,-1,1
+-1,-1,0,-1,-1,-1,-1,-1,-1,1
+-1,-1,2.48,-1,-1,-1,-1,-1,-1,1
+-1,-1,0.89,-1,-1,-1,-1,-1,-1,1
+-1,-1,2.76,-1,-1,-1,-1,-1,-1,1
+-1,-1,0.49,-1,-1,-1,-1,-1,-1,1
+-1,-1,0.5,-1,-1,-1,-1,-1,-1,1
+-1,-1,0.4,-1,-1,-1,-1,-1,-1,1
+-1,-1,5.05,-1,-1,-1,-1,-1,-1,1
+-1,-1,2.24,-1,-1,-1,-1,-1,-1,1
+-1,-1,2.49,-1,-1,-1,-1,-1,-1,1
+-1,-1,1.91,-1,-1,-1,-1,-1,-1,1
+-1,-1,1.35,-1,-1,-1,-1,-1,-1,1
+-1,-1,0.79,-1,-1,-1,-1,-1,-1,1
+-1,-1,1.54,-1,-1,-1,-1,-1,-1,1
+-1,-1,2.68,-1,-1,-1,-1,-1,-1,1
+-1,-1,0.56,-1,-1,-1,-1,-1,-1,1
+-1,-1,0.7,-1,-1,-1,-1,-1,-1,1
+-1,-1,2.88,-1,-1,-1,-1,-1,-1,1
+-1,-1,1.29,-1,-1,-1,-1,-1,-1,1
+-1,-1,0.8,-1,-1,-1,-1,-1,-1,1
+-1,-1,3.2,-1,-1,-1,-1,-1,-1,1
+-1,-1,1.66,-1,-1,-1,-1,-1,-1,1
+-1,-1,2.63,-1,-1,-1,-1,-1,-1,1
+-1,-1,0.93,-1,-1,-1,-1,-1,-1,1
+-1,-1,6.4,-1,-1,-1,-1,-1,-1,1
+-1,-1,2.73,-1,-1,-1,-1,-1,-1,1
+-1,-1,2.34,-1,-1,-1,-1,-1,-1,1
+-1,-1,0,-1,-1,-1,-1,-1,-1,1
+-1,-1,1.75,-1,-1,-1,-1,-1,-1,1
+-1,-1,0.75,-1,-1,-1,-1,-1,-1,1
+-1,-1,2.81,-1,-1,-1,-1,-1,-1,1
+-1,-1,0.53,-1,-1,-1,-1,-1,-1,1
+-1,-1,0,-1,-1,-1,-1,-1,-1,1
+-1,-1,0.63,-1,-1,-1,-1,-1,-1,1
+-1,-1,2.09,-1,-1,-1,-1,-1,-1,1
+-1,-1,1.01,-1,-1,-1,-1,-1,-1,1
+-1,-1,0.59,-1,-1,-1,-1,-1,-1,1
+-1,-1,0.78,-1,-1,-1,-1,-1,-1,1
+-1,-1,0.65,-1,-1,-1,-1,-1,-1,1
+-1,-1,1.29,-1,-1,-1,-1,-1,-1,1
+-1,-1,1.03,-1,-1,-1,-1,-1,-1,1
+-1,-1,0.74,-1,-1,-1,-1,-1,-1,1
+-1,-1,0.91,-1,-1,-1,-1,-1,-1,1
+-1,-1,0,-1,-1,-1,-1,-1,-1,1
+-1,-1,0,-1,-1,-1,-1,-1,-1,1
+-1,-1,0.54,-1,-1,-1,-1,-1,-1,1
+-1,-1,0,-1,-1,-1,-1,-1,-1,1
+-1,-1,1.37,-1,-1,-1,-1,-1,-1,1
+-1,-1,2.96,-1,-1,-1,-1,-1,-1,1
+-1,-1,3.2,-1,-1,-1,-1,-1,-1,1
+-1,-1,1,-1,-1,-1,-1,-1,-1,1
+-1,-1,1.35,-1,-1,-1,-1,-1,-1,1
+-1,-1,1.35,-1,-1,-1,-1,-1,-1,1
+-1,-1,1.16,-1,-1,-1,-1,-1,-1,1
+-1,-1,0.91,-1,-1,-1,-1,-1,-1,1
+-1,-1,0.59,-1,-1,-1,-1,-1,-1,1
+-1,-1,1.24,-1,-1,-1,-1,-1,-1,1
+-1,-1,0,-1,-1,-1,-1,-1,-1,1
+-1,-1,0.75,-1,-1,-1,-1,-1,-1,1
+-1,-1,1.05,-1,-1,-1,-1,-1,-1,1
+-1,-1,1.51,-1,-1,-1,-1,-1,-1,1
+-1,-1,1.3,-1,-1,-1,-1,-1,-1,1
+-1,-1,0.64,-1,-1,-1,-1,-1,-1,1
+-1,-1,1.04,-1,-1,-1,-1,-1,-1,1
+-1,-1,0,-1,-1,-1,-1,-1,-1,1
+-1,-1,1.19,-1,-1,-1,-1,-1,-1,1
+-1,-1,1.96,-1,-1,-1,-1,-1,-1,1
+-1,-1,0.76,-1,-1,-1,-1,-1,-1,1
+-1,-1,0.56,-1,-1,-1,-1,-1,-1,1
+-1,-1,0.5,-1,-1,-1,-1,-1,-1,1
+-1,-1,1.64,-1,-1,-1,-1,-1,-1,1
+-1,-1,0.64,-1,-1,-1,-1,-1,-1,1
+-1,-1,0.49,-1,-1,-1,-1,-1,-1,1
+-1,-1,0.54,-1,-1,-1,-1,-1,-1,1
+-1,-1,11.3712,-1,0.197,1.389,26.319,25.52,-1,2
+-1,-1,11.776,-1,0.21,1.45,27.978,28.187,-1,2
+-1,-1,6.4952,-1,0.212,1.425,27.824,28.169,-1,2
+-1,-1,8.74,-1,0.255,1.43,28.411,28.425,-1,2
+-1,-1,8.28,-1,0.313,1.677,38.095,36.852,-1,2
+-1,-1,3.128,-1,0.185,1.372,29.947,28.425,-1,2
+-1,-1,4.1952,-1,0.202,1.306,22.52,21.889,-1,2
+-1,-1,12.3832,-1,0.253,1.63,35.096,38.132,-1,2
+-1,-1,7.2864,-1,0.209,1.371,29.797,27.143,-1,2
+-1,-1,12.1256,-1,0.296,1.563,31.834,33.356,-1,2
+-1,-1,6.4584,-1,0.188,1.324,30.48,27.2,-1,2
+-1,-1,10.488,-1,0.291,1.722,35.215,39.059,-1,2
+-1,-1,8.4456,-1,0.316,1.639,34.43,38.651,-1,2
+-1,-1,6.8632,-1,0.273,1.649,36.987,39.167,-1,2
+-1,-1,4.3424,-1,0.212,1.365,24.368,23.171,-1,2
+-1,-1,6.808,-1,0.33,1.687,33.955,41.57,-1,2
+-1,-1,6.256,-1,0.213,1.502,32.743,33.576,-1,2
+-1,-1,9.66,-1,0.269,1.511,29.743,31.104,-1,2
+-1,-1,9.108,-1,0.279,1.57,30.253,33.062,-1,2
+-1,-1,6.716,-1,0.365,1.804,34.518,43.112,-1,2
+-1,-1,12.5856,-1,0.29,1.577,28.552,31.709,-1,2
+-1,-1,8.0776,-1,0.219,1.318,22.494,21.543,-1,2
+-1,-1,9.4576,-1,0.208,1.372,22.586,22.16,-1,2
+-1,-1,12.1256,-1,0.265,1.519,32.158,32.925,-1,2
+-1,-1,8.3352,-1,0.237,1.534,30.934,32.416,-1,2
+-1,-1,11.776,-1,0.329,1.658,27.876,32.921,-1,2
+-1,-1,10.3776,-1,0.202,1.441,27.719,27.5,-1,2
+-1,-1,14.2416,-1,0.211,1.428,30.451,29.65,-1,2
+-1,-1,10.7456,-1,0.246,1.435,26.93,25.275,-1,2
+-1,-1,8.5376,-1,0.274,1.556,34.399,36.496,-1,2
+-1,-1,6.624,-1,0.211,1.3118,26.556,24.093,-1,2
+-1,-1,4.232,-1,0.24,1.44,29.17,27.934,-1,2
+-1,-1,8.0224,-1,0.224,1.414,29.215,27.799,-1,2
+-1,-1,11.3344,-1,0.274,1.56,32.468,32.969,-1,2
+-1,-1,8.2432,-1,0.306,1.544,29.94,29.479,-1,2
+-1,-1,5.0232,-1,0.224,1.317,26.083,23.804,-1,2
+-1,-1,6.8632,-1,0.302,1.533,28.166,26.61,-1,2
+-1,-1,12.696,-1,0.313,1.647,31.797,34.866,-1,2
+-1,-1,8.556,-1,0.22,1.539,32.438,34.444,-1,2
+-1,-1,11.3712,-1,0.281,1.616,30.309,32.641,-1,2
+-1,-1,7.1576,-1,0.225,1.524,30.135,31.276,-1,2
+-1,-1,8.556,-1,0.267,1.527,31.552,30.627,-1,2
+-1,-1,12.4016,-1,0.219,1.549,32.279,33.401,-1,2
+-1,-1,8.188,-1,0.243,1.43,26.114,24.595,-1,2
+-1,-1,11.8864,-1,0.293,1.593,33.881,35.959,-1,2
+-1,-1,12.8432,-1,0.273,1.652,35.679,40.646,-1,2
+-1,-1,11.4632,-1,0.301,1.641,34.544,37.046,-1,2
+-1,-1,7.1576,-1,0.288,1.605,32.886,35.23,-1,2
+-1,-1,13.3584,-1,0.309,1.653,32.655,35.383,-1,2
+-1,-1,7.3232,-1,0.303,1.63,35.589,38.197,-1,2
+-1,-1,8.7216,-1,0.337,1.688,31.423,36.149,-1,2
+-1,-1,5.5384,-1,0.213,1.45,24.333,28.58,-1,2
+-1,-1,7.3784,-1,0.232,1.384,25.443,24.519,-1,2
+-1,-1,13.8184,-1,0.245,1.47,30.253,28.488,-1,2
+-1,-1,11.776,-1,0.264,1.555,30.551,32.102,-1,2
+-1,-1,12.236,-1,0.327,1.678,33.224,36.897,-1,2
+-1,-1,13.064,-1,0.27,1.541,30.759,32.6,-1,2
+-1,-1,10.1936,-1,0.318,1.723,36.446,41.394,-1,2
+-1,-1,7.6176,-1,0.253,1.45,30.156,30.031,-1,2
+-1,-1,5.9616,-1,0.238,1.409,26.227,25.58,-1,2
+-1,-1,4.2136,-1,-1,-1,-1,-1,-1,2
+-1,-1,8.9424,-1,-1,-1,-1,-1,-1,2
+-1,-1,10.2672,-1,0.23,1.349,24.185,22.232,-1,2
+-1,-1,6.8264,-1,0.415,1.884,34.147,40.606,-1,2
+-1,-1,9.0712,-1,0.177,1.139,16.079,14.211,-1,2
+-1,-1,8.2984,-1,0.179,1.136,17.787,15.562,-1,2
+-1,-1,9.1632,-1,0.19,2,16.614,17.34,-1,2
+-1,-1,12.6,-1,0.385,1.778,36.021,43.343,-1,2
+-1,-1,11.93,-1,0.245,1.396,29.436,27.616,-1,2
+-1,-1,10.95,-1,0.208,1.297,27.239,23.086,-1,2
+-1,-1,11.43,-1,0.28,1.584,32.863,32.032,-1,2
+-1,-1,11.26,-1,0.308,1.674,34.947,38.979,-1,2
+-1,-1,8.71,-1,0.271,1.547,31.266,34.801,-1,2
+-1,-1,13.19,-1,0.244,1.211,29.866,28.798,-1,2
+-1,-1,10.66,-1,2.327,1.536,33.696,94.167,-1,2
+-1,-1,13.34,-1,0.243,1.459,28.899,29.153,-1,2
+-1,-1,14.5,-1,0.322,1.531,34.226,37.717,-1,2
+-1,-1,12.8,-1,0.359,1.776,36.872,43.731,-1,2
+-1,-1,-1,-1,-1,-1,-1,-1,-1,2
+-1,-1,10.01,-1,0.329,1.668,35.012,39.576,-1,2
+0.620347395,177.48,19.36,10,-1,-1,-1,86.30695986,-1,2
+0.925925926,150.228,9.68,8.2,-1,-1,-1,60.40576831,-1,2
+0.836120401,270.579,13.5,9.4,-1,-1,-1,82.42398768,-1,2
+0.862068966,182.198,4.48,7,-1,-1,-1,69.03811848,-1,2
+0.690607735,212.796,17.48,10.6,-1,-1,-1,75.66582325,-1,2
+0.642673522,-1,13.69,9.4,-1,-1,-1,-1,-1,2
+0.606796117,129.389,11.71,9.9,-1,-1,-1,74.0346451,-1,2
+1.358695652,176.788,16,8.6,-1,-1,-1,66.95400307,-1,2
+0.753012048,193.296,10.79,11,-1,-1,-1,85.20511685,-1,2
+0.706214689,423,12.45,16.7,-1,-1,-1,53.14248768,-1,2
+0.874125874,147.927,12.29,10.6,-1,-1,-1,57.38507116,-1,2
+1.096491228,162.281,12.26,11.8,-1,-1,-1,61.28196811,-1,2
+0.670241287,143.911,18.43,7,-1,-1,-1,68.57362408,-1,2
+0.9765625,171.192,4.69,8.6,-1,-1,-1,52.85156385,-1,2
+0.668449198,220.344,4.38,9.1,-1,-1,-1,31.04124588,-1,2
+0.996015936,142.99,9.11,9.9,-1,-1,-1,91.57943432,-1,2
+0.980392157,189.691,12.2,8,-1,-1,-1,67.71102878,-1,2
+0.915750916,164.359,5.13,7,-1,-1,-1,40.91686316,-1,2
+0.902527076,203.209,3.95,6.7,-1,-1,-1,56.83485267,-1,2
+0.936329588,182.245,15.25,9.8,-1,-1,-1,-1,-1,2
+0.710227273,425.672,10.78,9.9,-1,-1,-1,81.00282697,-1,2
+1.533742331,134.751,3.79,10.2,-1,-1,-1,39.12834416,-1,2
+0.712250712,281.18,14.16,7.6,-1,-1,-1,59.06044037,-1,2
+0.764525994,105.908,3.8,7.5,-1,-1,-1,44.81588552,-1,2
+1.308900524,115.916,8.24,7,-1,-1,-1,93.32533977,-1,2
+1.141552511,270.657,20.96,12,-1,-1,-1,69.09902939,-1,2
+0.69637883,396.851,3.48,6.7,-1,-1,-1,101.8633568,-1,2
+1.020408163,222.294,16.85,12.6,-1,-1,-1,50.46749469,-1,2
+0.950570342,429.256,13.18,6.5,-1,-1,-1,-1,-1,2
+0.41322314,170.34,3.51,10,-1,-1,-1,46.13328098,-1,2
+0.92936803,305.182,4.31,10.6,-1,-1,-1,47.60788369,-1,2
+0.859106529,740.91,17.09,12,-1,-1,-1,87.41222249,-1,2
+0.905797101,263.559,12.84,16.9,-1,-1,-1,91.95784365,-1,2
+0.796178344,179.489,4.28,10.6,-1,-1,-1,24.20024222,-1,2
+0.965250965,192.291,6.23,11,-1,-1,-1,58.65287053,-1,2
+1.412429379,361.409,7.1,8.7,-1,-1,-1,72.33422724,-1,2
+0.582750583,281.296,6,9,-1,-1,-1,48.23886055,-1,2
+0.919117647,228.606,14.24,12.4,-1,-1,-1,54.40209406,-1,2
+0.750750751,148.632,2.85,6.6,-1,-1,-1,47.00982693,-1,2
+1.121076233,127.99,7.73,11.7,-1,-1,-1,66.48696337,-1,2
+0.844594595,193.134,14.14,12.8,-1,-1,-1,62.84128773,-1,2
+0.608272506,119.11,7.24,10.5,-1,-1,-1,30.41718275,-1,2
+0.836120401,190.906,12.53,11.4,-1,-1,-1,43.20579795,-1,2
+0.700280112,308.305,13.54,14,-1,-1,-1,64.07686346,-1,2
+1.262626263,144.775,11.46,10.5,-1,-1,-1,32.39411439,-1,2
+0.560538117,235.287,4.46,8.3,-1,-1,-1,56.5462811,-1,2
+1.096491228,153.394,16.26,11.3,-1,-1,-1,64.83973897,-1,2
+0.853242321,166.357,13.4,12.4,-1,-1,-1,105.8670564,-1,2
+0.592417062,114.46,4.36,9,-1,-1,-1,73.6327524,-1,2
+0.631313131,0,15.55,14,-1,-1,-1,58.65854631,-1,2
+1.121076233,115.412,1.98,6.8,-1,-1,-1,54.27902985,-1,2
+0.672043011,231.95,4.26,14,-1,-1,-1,45.99382586,-1,2
+0.675675676,187.503,8.29,11.3,-1,-1,-1,54.93347576,-1,2
+1.602564103,203.917,16.31,13,-1,-1,-1,55.35305084,-1,2
+0.757575758,223.84,17.21,13.3,-1,-1,-1,53.17721746,-1,2
+0.88028169,0,2.98,8.3,-1,-1,-1,77.72790733,-1,2
+0.841750842,205.3,12.28,14.7,-1,-1,-1,56.12486005,-1,2
+0.796178344,114.179,5.93,10,-1,-1,-1,42.65983369,-1,2
+0.862068966,148.858,0.81,9.2,-1,-1,-1,38.91126499,-1,2
+0.654450262,0,14.25,24.9,-1,-1,-1,60.17508312,-1,2
+0.755287009,135.922,10,6.5,-1,-1,-1,51.6727063,-1,2
+0.542299349,234.154,14.48,16.9,-1,-1,-1,39.77687061,-1,2
+0.566893424,119.164,16.26,14.3,-1,-1,-1,58.82055841,-1,2
+0.611246944,258.721,3.88,11.2,-1,-1,-1,57.88204589,-1,2
+0.690607735,130.404,5.89,17.3,-1,-1,-1,65.63791993,-1,2
+0.683060109,162.898,8.28,13.2,-1,-1,-1,98.25486374,-1,2
+0.822368421,154.09,12.54,12.3,-1,-1,-1,59.6360843,-1,2
+0.405186386,213.827,3.03,5.5,-1,-1,-1,48.27548647,-1,2
+0.647668394,199.906,3.03,8.9,-1,-1,-1,56.76849051,-1,2
+0.865051903,302.933,4.4,12.7,-1,-1,-1,51.24321867,-1,2
+-1,292.86,3.33,7.6,-1,-1,-1,24.62716254,-1,2
+0.602409639,176.714,11.04,13.9,-1,-1,-1,69.49101972,-1,2
+0.608272506,316.368,14.36,11.2,-1,-1,-1,-1,-1,2
+0.581395349,217.922,4.95,10.6,-1,-1,-1,46.02247525,-1,2
+0.814332248,283.189,2.98,12.1,-1,-1,-1,71.25219839,-1,2
+0.335120643,391.13,2.7,16.1,-1,-1,-1,50.5554387,-1,2
+0.418060201,219.164,3.43,11.7,-1,-1,-1,33.93034914,-1,2
+0.58411215,162.897,6.26,10.5,-1,-1,-1,55.98047493,-1,2
+1.041666667,124.594,13.55,19.2,-1,-1,-1,52.50521858,-1,2
+0.791139241,91.957,2.41,6,-1,-1,-1,48.80214278,-1,2
+0.724637681,196.167,2.46,7.9,-1,-1,-1,46.91359473,-1,2
+0.631313131,173.393,4.7,12.7,-1,-1,-1,39.41484691,-1,2
+0.603864734,139.594,2.54,9.9,-1,-1,-1,50.33316971,-1,2
+0.577367206,110.88,3.71,10,-1,-1,-1,48.20139338,-1,2
+0.514403292,107.694,4.61,10.6,-1,-1,-1,32.36079265,-1,2
+0.868055556,264.833,12.39,24.4,-1,-1,-1,45.50429318,-1,2
+0.698324022,222.679,17.44,29.4,-1,-1,-1,69.09396637,-1,2
+0.468164794,144.992,8.25,9.8,-1,-1,-1,41.77287162,-1,2
+1.196172249,196.367,7.3,10.6,-1,-1,-1,91.38079997,-1,2
+0.788643533,195.65,10.64,12.4,-1,-1,-1,49.08822068,-1,2
+0.611246944,206.457,3.51,16.2,-1,-1,-1,59.20702564,-1,2
+0.634517766,217.333,4.14,15.9,-1,-1,-1,46.27671057,-1,2
+0.700280112,322.608,19.83,16.6,-1,-1,-1,55.36795701,-1,2
+0.796178344,183.39,12.48,15.8,-1,-1,-1,40.36631034,-1,2
+0.516528926,232.448,4.49,6.5,-1,-1,-1,65.97444736,-1,2
+0.968992248,279.952,14.51,8,-1,-1,-1,62.2964776,-1,2
+1.016260163,213.745,14.8,18.9,-1,-1,-1,66.19179742,-1,2
+0.476190476,167.86,3.44,10.7,-1,-1,-1,46.80053123,-1,2
+0.889679715,88.807,2.8,8,-1,-1,-1,45.31546627,-1,2
+0.559284116,108.237,3.73,7.2,-1,-1,-1,48.94392241,-1,2
+0.649350649,136.849,3.33,11.8,-1,-1,-1,60.96853765,-1,2
+0.518672199,209.38,3.34,15.2,-1,-1,-1,54.17453821,-1,2
+1.046025105,266.794,3.2,14.5,-1,-1,-1,46.87436092,-1,2
+0.946969697,139.375,4.18,9.5,-1,-1,-1,39.70385199,-1,2
+-1,213.961,2.69,8.7,-1,-1,-1,38.98303622,-1,2
+0.578703704,154.406,2.18,15.1,-1,-1,-1,63.26407673,-1,2
+0.559284116,145.532,3.25,7,-1,-1,-1,60.3689268,-1,2
+0.836120401,152.353,3.2,13.2,-1,-1,-1,44.25219854,-1,2
+0.694444444,142.995,2.64,13.4,-1,-1,-1,72.50213289,-1,2
+0.656167979,155.24,2.76,7.3,-1,-1,-1,50.05353964,-1,2
+1.428571429,176.09,2.65,11,-1,-1,-1,58.36052208,-1,2
+0.600961538,136.625,2.38,9.4,-1,-1,-1,44.99324897,-1,2
+0.612745098,188.373,2.76,10,-1,-1,-1,37.9551051,-1,2
+0.690607735,301.709,3.96,8.1,-1,-1,-1,46.41731637,-1,2
+1.5625,259.594,2.31,6.9,-1,-1,-1,43.49500821,-1,2
+1.012145749,587.949,3.53,13,-1,-1,-1,49.6566257,-1,2
+0.542299349,216.877,3.85,8.8,-1,-1,-1,59.96563059,-1,2
+0.504032258,154.816,2.66,12,-1,-1,-1,25.55480289,-1,2
+0.577367206,162.411,2.39,14,-1,-1,-1,53.79889191,-1,2
+0.88028169,162.3,2.94,9.7,-1,-1,-1,75.45825612,-1,2
+0.939849624,169.928,4.36,9.3,-1,-1,-1,64.85684641,-1,2
+0.694444444,152.281,3.43,13.6,-1,-1,-1,43.93356168,-1,2
+0.865051903,145.149,3.33,9,-1,-1,-1,49.26079824,-1,2
+0.468164794,217.851,3.26,8.4,-1,-1,-1,44.57093748,-1,2
+0.716332378,143.579,3.25,10,-1,-1,-1,86.00303791,-1,2
+-1,-1,14.79,18.5,-1,-1,-1,-1,-1,-1
+-1,-1,12.98,28.25,-1,-1,-1,-1,-1,-1
+-1,-1,7.78,21,-1,-1,-1,-1,-1,-1
+-1,-1,15.08,28.25,-1,-1,-1,-1,-1,-1
+-1,-1,15.61,30.5,-1,-1,-1,-1,-1,-1
+-1,-1,13.49,24,-1,-1,-1,-1,-1,-1
+-1,-1,10.24,18.25,-1,-1,-1,-1,-1,-1
+-1,-1,14.76,28.25,-1,-1,-1,-1,-1,-1
+-1,-1,12.14,27.25,-1,-1,-1,-1,-1,-1
+-1,-1,6.9,23.5,-1,-1,-1,-1,-1,-1
+1.443,-1,-1,-1,-1,-1,-1,-1,-1,1
+1.91,-1,-1,-1,-1,-1,-1,-1,-1,1
+1.634,-1,-1,-1,-1,-1,-1,-1,-1,1
+2.414,-1,-1,-1,-1,-1,-1,-1,-1,1
+1.287,-1,-1,-1,-1,-1,-1,-1,-1,1
+2.138,-1,-1,-1,-1,-1,-1,-1,-1,1
+2.179,-1,-1,-1,-1,-1,-1,-1,-1,1
+2.108,-1,-1,-1,-1,-1,-1,-1,-1,1
+1.608,-1,-1,-1,-1,-1,-1,-1,-1,1
+1.96,-1,-1,-1,-1,-1,-1,-1,-1,1
+2.503,-1,-1,-1,-1,-1,-1,-1,-1,1
+1.784,-1,-1,-1,-1,-1,-1,-1,-1,1
+2.45,-1,-1,-1,-1,-1,-1,-1,-1,1
+1.572,-1,-1,-1,-1,-1,-1,-1,-1,1
+1.589,-1,-1,-1,-1,-1,-1,-1,-1,1
+2.154,-1,-1,-1,-1,-1,-1,-1,-1,1
+2.358,-1,-1,-1,-1,-1,-1,-1,-1,1
+2.009,-1,-1,-1,-1,-1,-1,-1,-1,1
+1.888,-1,-1,-1,-1,-1,-1,-1,-1,1
+2.798,-1,-1,-1,-1,-1,-1,-1,-1,1
+1.866,-1,-1,-1,-1,-1,-1,-1,-1,1
+2.485,-1,-1,-1,-1,-1,-1,-1,-1,1
+1.559,-1,-1,-1,-1,-1,-1,-1,-1,1
+2.431,-1,-1,-1,-1,-1,-1,-1,-1,1
+1.43,-1,-1,-1,-1,-1,-1,-1,-1,1
+2.238,-1,-1,-1,-1,-1,-1,-1,-1,1
+0.975,-1,-1,-1,-1,-1,-1,-1,-1,1
+1.616,-1,-1,-1,-1,-1,-1,-1,-1,1
+2.104,-1,-1,-1,-1,-1,-1,-1,-1,1
+2.268,-1,-1,-1,-1,-1,-1,-1,-1,1
+1.769,-1,-1,-1,-1,-1,-1,-1,-1,1
+1.76,-1,-1,-1,-1,-1,-1,-1,-1,1
+1.461,-1,-1,-1,-1,-1,-1,-1,-1,1
+2.52,-1,-1,-1,-1,-1,-1,-1,-1,1
+2.435,-1,-1,-1,-1,-1,-1,-1,-1,1
+2.151,-1,-1,-1,-1,-1,-1,-1,-1,1
+2.152,-1,-1,-1,-1,-1,-1,-1,-1,1
+2.259,-1,-1,-1,-1,-1,-1,-1,-1,1
+2.058,-1,-1,-1,-1,-1,-1,-1,-1,1
+1.983,-1,-1,-1,-1,-1,-1,-1,-1,1
+2.05,-1,-1,-1,-1,-1,-1,-1,-1,1
+2.434,-1,-1,-1,-1,-1,-1,-1,-1,1
+1.868,-1,-1,-1,-1,-1,-1,-1,-1,1
+1.877,-1,-1,-1,-1,-1,-1,-1,-1,1
+1.525,-1,-1,-1,-1,-1,-1,-1,-1,1
+1.974,-1,-1,-1,-1,-1,-1,-1,-1,1
+2.015,-1,-1,-1,-1,-1,-1,-1,-1,1
+2.346,-1,-1,-1,-1,-1,-1,-1,-1,1
+1.738,-1,-1,-1,-1,-1,-1,-1,-1,1
+1.375,-1,-1,-1,-1,-1,-1,-1,-1,1
+1.079,-1,-1,-1,-1,-1,-1,-1,-1,1
+1.33,-1,-1,-1,-1,-1,-1,-1,-1,1
+0.876,-1,-1,-1,-1,-1,-1,-1,-1,1
+1.316,-1,-1,-1,-1,-1,-1,-1,-1,1
+1.117,-1,-1,-1,-1,-1,-1,-1,-1,1
+1.129,-1,-1,-1,-1,-1,-1,-1,-1,1
+1.559,-1,-1,-1,-1,-1,-1,-1,-1,1
+1.685,-1,-1,-1,-1,-1,-1,-1,-1,1
+1.512,-1,-1,-1,-1,-1,-1,-1,-1,1
+0.887,-1,-1,-1,-1,-1,-1,-1,-1,1
+1.179,-1,-1,-1,-1,-1,-1,-1,-1,1
+1.87,-1,-1,-1,-1,-1,-1,-1,-1,1
+1.653,-1,-1,-1,-1,-1,-1,-1,-1,1
+1.416,-1,-1,-1,-1,-1,-1,-1,-1,1
+1.924,-1,-1,-1,-1,-1,-1,-1,-1,1
+1.634,-1,-1,-1,-1,-1,-1,-1,-1,1
+1.492,-1,-1,-1,-1,-1,-1,-1,-1,1
+0.879,-1,-1,-1,-1,-1,-1,-1,-1,1
+2.003,-1,-1,-1,-1,-1,-1,-1,-1,1
+0.807,-1,-1,-1,-1,-1,-1,-1,-1,1
+1.301,-1,-1,-1,-1,-1,-1,-1,-1,1
+1.223,-1,-1,-1,-1,-1,-1,-1,-1,1
+1.288,-1,-1,-1,-1,-1,-1,-1,-1,1
+1.49,-1,-1,-1,-1,-1,-1,-1,-1,1
+1.751,-1,-1,-1,-1,-1,-1,-1,-1,1
+2.034,-1,-1,-1,-1,-1,-1,-1,-1,1
+1.025,-1,-1,-1,-1,-1,-1,-1,-1,1
+1.798,-1,-1,-1,-1,-1,-1,-1,-1,1
+2.437,-1,-1,-1,-1,-1,-1,-1,-1,1
+1.746,-1,-1,-1,-1,-1,-1,-1,-1,1
+1.545,-1,-1,-1,-1,-1,-1,-1,-1,1
+1.212,-1,-1,-1,-1,-1,-1,-1,-1,1
+1.215,-1,-1,-1,-1,-1,-1,-1,-1,1
+1.373,-1,-1,-1,-1,-1,-1,-1,-1,1
+2.16,-1,-1,-1,-1,-1,-1,-1,-1,1
+1.097,-1,-1,-1,-1,-1,-1,-1,-1,1
+1.31,-1,-1,-1,-1,-1,-1,-1,-1,1
+1.619,-1,-1,-1,-1,-1,-1,-1,-1,1
+1.248,-1,-1,-1,-1,-1,-1,-1,-1,1
+1.846,-1,-1,-1,-1,-1,-1,-1,-1,1
+1.758,-1,-1,-1,-1,-1,-1,-1,-1,1
+1.034,-1,-1,-1,-1,-1,-1,-1,-1,1
+1.583,-1,-1,-1,-1,-1,-1,-1,-1,1
+1.768,-1,-1,-1,-1,-1,-1,-1,-1,1
+1.262,-1,-1,-1,-1,-1,-1,-1,-1,1
+1.613,-1,-1,-1,-1,-1,-1,-1,-1,1
+1.414,-1,-1,-1,-1,-1,-1,-1,-1,1
+1.197,-1,-1,-1,-1,-1,-1,-1,-1,1
+1.53,-1,-1,-1,-1,-1,-1,-1,-1,1
+1.043,-1,-1,-1,-1,-1,-1,-1,-1,1
+1.74,-1,-1,-1,-1,-1,-1,-1,-1,1
+1.921,-1,-1,-1,-1,-1,-1,-1,-1,1
+1.033,-1,-1,-1,-1,-1,-1,-1,-1,1
+1.605,-1,-1,-1,-1,-1,-1,-1,-1,1
+1.648,-1,-1,-1,-1,-1,-1,-1,-1,1
+1.541,-1,-1,-1,-1,-1,-1,-1,-1,1
+1.559,-1,-1,-1,-1,-1,-1,-1,-1,1
+1.167,-1,-1,-1,-1,-1,-1,-1,-1,1
+1.54,-1,-1,-1,-1,-1,-1,-1,-1,1
+1.217,-1,-1,-1,-1,-1,-1,-1,-1,1
+1.366,-1,-1,-1,-1,-1,-1,-1,-1,1
+1.324,-1,-1,-1,-1,-1,-1,-1,-1,1
+1.157,-1,-1,-1,-1,-1,-1,-1,-1,1
+1.568,-1,-1,-1,-1,-1,-1,-1,-1,1
+1.895,-1,-1,-1,-1,-1,-1,-1,-1,1
+1.333,-1,-1,-1,-1,-1,-1,-1,-1,1
+0.986,-1,-1,-1,-1,-1,-1,-1,-1,1
+1.32,-1,-1,-1,-1,-1,-1,-1,-1,1
+1.731,-1,-1,-1,-1,-1,-1,-1,-1,1
+1.774,-1,-1,-1,-1,-1,-1,-1,-1,1
+1.354,-1,-1,-1,-1,-1,-1,-1,-1,1
+1.645,-1,-1,-1,-1,-1,-1,-1,-1,1
+0.927,-1,-1,-1,-1,-1,-1,-1,-1,1
+1.65,-1,-1,-1,-1,-1,-1,-1,-1,1
+1.539,-1,-1,-1,-1,-1,-1,-1,-1,1
+1.346,-1,-1,-1,-1,-1,-1,-1,-1,1
+1.67,-1,15.73,-1,-1,-1,-1,-1,-1,-1
+1.92,-1,9.76488,-1,-1,-1,-1,-1,-1,-1
+3.12,-1,19.2763,-1,-1,-1,-1,-1,-1,-1
+2.78,-1,17.703,-1,-1,-1,-1,-1,-1,-1
+1.67,-1,15.6745,-1,-1,-1,-1,-1,-1,-1
+2.5,-1,21.344,-1,-1,-1,-1,-1,-1,-1
+2.5,-1,16.7417,-1,-1,-1,-1,-1,-1,-1
+1.56,-1,21.7442,-1,-1,-1,-1,-1,-1,-1
+3.12,-1,26.68,-1,-1,-1,-1,-1,-1,-1
+1.92,-1,20.9438,10.166,-1,-1,-1,-1,-1,-1
+1.67,-1,20.0767,14.166,-1,-1,-1,-1,-1,-1
+1.79,-1,17.8756,10.166,-1,-1,-1,-1,-1,-1
+2.08,-1,17.0085,10.664,-1,-1,-1,-1,-1,-1
+2.08,-1,12.47957,-1,-1,-1,-1,-1,-1,-1
+3.13,-1,6.07637,-1,-1,-1,-1,-1,-1,-1
+3.13,-1,9.45,26.2,-1,-1,-1,-1,-1,-1
+1.04,-1,14.007,-1,-1,-1,-1,-1,-1,-1
+2.27,-1,17.0752,-1,-1,-1,-1,-1,-1,-1
+1.56,-1,15.0075,-1,-1,-1,-1,-1,-1,-1
+2.27,-1,28.681,-1,-1,-1,-1,-1,-1,-1
+-1,-1,-1,-1,-1,-1,-1,-1,-1,-1
+1.92,-1,37.548,-1,-1,-1,-1,-1,-1,-1
+1.92,-1,22.678,-1,-1,-1,-1,-1,-1,-1
+3.12,-1,24.192,22.6,-1,-1,-1,-1,-1,-1
+3.12499847,-1,13.47,-1,-1,-1,-1,-1,-1,-1
+0.78124962,-1,4.29,-1,-1,-1,-1,-1,-1,-1
+1.78571442,-1,13.67,-1,-1,-1,-1,-1,-1,-1
+2.27272705,-1,13.13,-1,-1,-1,-1,-1,-1,-1
+1.04166664,-1,17.0085,16.4,-1,-1,-1,-1,-1,-1
+1.56249924,-1,14.67,-1,-1,-1,-1,-1,-1,-1
+2.08333267,-1,18.76,-1,-1,-1,-1,-1,-1,-1
+2.08333328,-1,17.7422,20,-1,-1,-1,-1,-1,-1
+2.77777679,-1,24.679,15,-1,-1,-1,-1,-1,-1
+2.27272827,-1,17.2753,11.6,-1,-1,-1,-1,-1,-1
+1.47058762,-1,16.0747,15.6,-1,-1,-1,-1,-1,-1
+2.27272705,-1,17.5421,22.8,-1,-1,-1,-1,-1,-1
+1.66666824,-1,16.82,-1,-1,-1,-1,-1,-1,-1
+1.78571442,-1,21.84,-1,-1,-1,-1,-1,-1,-1
+2.27272705,-1,17.7422,20.4,-1,-1,-1,-1,-1,-1
+-1,-1,21.9443,-1,-1,-1,-1,-1,-1,-1
+1.04166664,-1,20.4102,10.4,-1,-1,-1,-1,-1,-1
+1.66666687,-1,23.05,-1,-1,-1,-1,-1,-1,-1
+2.08333328,-1,16.48,-1,-1,-1,-1,-1,-1,-1
+1.92307693,-1,22.9448,14.8,-1,-1,-1,-1,-1,-1
+2.27272705,-1,15.5411,18.8,-1,-1,-1,-1,-1,-1
+-1,-1,14.2738,-1,-1,-1,-1,-1,-1,-1
+0.71428589,-1,14.2071,16.4,-1,-1,-1,-1,-1,-1
+2.27272705,-1,20.677,19.2,-1,-1,-1,-1,-1,-1
+2.49999939,-1,26.013,14,-1,-1,-1,-1,-1,-1
+1.66666565,-1,30.8821,14.2,-1,-1,-1,-1,-1,-1
+1,-1,35.5511,17.6,-1,-1,-1,-1,-1,-1
+1.66666687,-1,25.0792,24,-1,-1,-1,-1,-1,-1
+1.78571411,-1,32.016,12.8,-1,-1,-1,-1,-1,-1
+1.92308228,-1,17.2753,11.8,-1,-1,-1,-1,-1,-1
+-1,-1,-1,-1,-1,-1,-1,-1,-1,-1
+2.08333328,-1,32.16,-1,-1,-1,-1,-1,-1,-1
+1.78571442,-1,30.4152,15,-1,-1,-1,-1,-1,-1
+1.66666687,-1,42.55,-1,-1,-1,-1,-1,-1,-1
+0.83333328,-1,-1,-1,-1,-1,-1,-1,-1,-1
+1.25000008,-1,34.91,-1,-1,-1,-1,-1,-1,-1
+1.92307693,-1,24.4122,13.2,-1,-1,-1,-1,-1,-1
+2.50000092,-1,37.72,-1,-1,-1,-1,-1,-1,-1
+2.77778046,-1,41.0205,15.4,-1,-1,-1,-1,-1,-1
+2.77778046,-1,35.0842,15.2,-1,-1,-1,-1,-1,-1
+1.38889023,-1,30.3485,9.7,-1,-1,-1,-1,-1,-1
+1.04166664,-1,33.7502,35.2,-1,-1,-1,-1,-1,-1
+2.50000244,-1,34.8841,16.8,-1,-1,-1,-1,-1,-1
+2.77777679,-1,14.21377,25.2,-1,-1,-1,-1,-1,-1
+1.92307693,-1,11.70585,-1,-1,-1,-1,-1,-1,-1
+2.27272446,-1,14.007,24.5,-1,-1,-1,-1,-1,-1
+2.50000092,-1,14.6073,42.5,-1,-1,-1,-1,-1,-1
+2.77777771,-1,16.675,24,-1,-1,-1,-1,-1,-1
+1.92307693,-1,17.5421,21.75,-1,-1,-1,-1,-1,-1
+2.08333328,-1,15.2076,25,-1,-1,-1,-1,-1,-1
+2.08333267,-1,14.6073,28.75,-1,-1,-1,-1,-1,-1
+1.92307693,-1,16.675,55,-1,-1,-1,-1,-1,-1
+1.66666687,-1,16.2081,44.5,-1,-1,-1,-1,-1,-1
+1.66666672,-1,16.2748,28.5,-1,-1,-1,-1,-1,-1
+0.6410257,-1,0.17342,-1,-1,-1,-1,-1,-1,-1
+1.13636353,-1,0.84042,-1,-1,-1,-1,-1,-1,-1
+1,-1,-1,-1,-1,-1,-1,-1,-1,-1
+1.24999969,-1,6.85676,-1,-1,-1,-1,-1,-1,-1
+1.56249924,-1,11.83258,-1,-1,-1,-1,-1,-1,-1
+-1,-1,0.32683,-1,-1,-1,-1,-1,-1,-1
+0.43103451,-1,1.0672,-1,-1,-1,-1,-1,-1,-1
+1.38888885,-1,7.46373,-1,-1,-1,-1,-1,-1,-1
+1.56250031,-1,14.9408,-1,-1,-1,-1,-1,-1,-1
+1.31578903,-1,17.7422,-1,-1,-1,-1,-1,-1,-1
+1.78571442,-1,18.3425,-1,-1,-1,-1,-1,-1,-1
+1.24999969,-1,21.6775,-1,-1,-1,-1,-1,-1,-1
+0.78125015,-1,4.2021,-1,-1,-1,-1,-1,-1,-1
+1.47058762,-1,3.335,-1,-1,-1,-1,-1,-1,-1
+1.3888884,-1,2.2011,-1,-1,-1,-1,-1,-1,-1
+0.75757568,-1,5.336,-1,-1,-1,-1,-1,-1,-1
+1.24999969,-1,4.4022,-1,-1,-1,-1,-1,-1,-1
+1.190476,-1,2.5346,-1,-1,-1,-1,-1,-1,-1
+0.65789467,-1,3.7352,-1,-1,-1,-1,-1,-1,-1
+0.86206909,-1,4.2021,-1,-1,-1,-1,-1,-1,-1
+1.78571442,-1,0.19343,-1,-1,-1,-1,-1,-1,-1
+-1,-1,-1,-1,-1,-1,-1,-1,-1,-1
+2.08333328,-1,0.66033,-1,-1,-1,-1,-1,-1,-1
+1.66666687,-1,0.96715,-1,-1,-1,-1,-1,-1,-1
+1.66666626,-1,7.67717,-1,-1,-1,-1,-1,-1,-1
+1.78571442,-1,8.2708,-1,-1,-1,-1,-1,-1,-1
+1.56250031,-1,9.2713,-1,-1,-1,-1,-1,-1,-1
+2.77777679,-1,8.79106,-1,-1,-1,-1,-1,-1,-1
+1.92307693,-1,7.0035,-1,-1,-1,-1,-1,-1,-1
+1.78571442,-1,8.79106,-1,-1,-1,-1,-1,-1,-1
+2.77777679,-1,9.4714,-1,-1,-1,-1,-1,-1,-1
+1.08695641,-1,6.2698,-1,-1,-1,-1,-1,-1,-1
+1.92307693,-1,11.5391,-1,-1,-1,-1,-1,-1,-1
+1.78571365,-1,6.6033,-1,-1,-1,-1,-1,-1,-1
+-1,-1,9.8049,15.6,-1,-1,-1,-1,-1,-1
+4.16666656,-1,5.87627,16.332,-1,-1,-1,-1,-1,-1
+2.77777679,-1,5.36268,-1,-1,-1,-1,-1,-1,-1
+2.77777679,-1,7.47707,14.332,-1,-1,-1,-1,-1,-1
+4.16666687,-1,7.50375,29.328,-1,-1,-1,-1,-1,-1
+2.5,-1,8.86443,24.83,-1,-1,-1,-1,-1,-1
+2.50000015,-1,9.62481,30.664,-1,-1,-1,-1,-1,-1
+2.50000015,-1,8.84442,21.66,-1,-1,-1,-1,-1,-1
+3.12500305,-1,6.96348,14.996,-1,-1,-1,-1,-1,-1
+2.49999939,-1,8.71102,19.328,-1,-1,-1,-1,-1,-1
+3.57142731,-1,7.46373,16,-1,-1,-1,-1,-1,-1
+2.77777863,-1,7.02351,13.162,-1,-1,-1,-1,-1,-1
+2.77777679,-1,7.21027,16.664,-1,-1,-1,-1,-1,-1
+3.125,-1,9.81157,24.83,-1,-1,-1,-1,-1,-1
+2.27272827,-1,6.96348,15.494,-1,-1,-1,-1,-1,-1
+2.49999939,-1,6.67667,21.328,-1,-1,-1,-1,-1,-1
+2.77777863,-1,8.97782,23.328,-1,-1,-1,-1,-1,-1
+-1,-1,1.54077,-1,-1,-1,-1,-1,-1,-1
+-1,-1,1.8676,-1,-1,-1,-1,-1,-1,-1
+-1,-1,3.9353,-1,-1,-1,-1,-1,-1,-1
+-1,-1,4.96915,-1,-1,-1,-1,-1,-1,-1
+-1,-1,4.57562,-1,-1,-1,-1,-1,-1,-1
+-1,-1,3.8686,-1,-1,-1,-1,-1,-1,-1
+-1,-1,2.77472,-1,-1,-1,-1,-1,-1,-1
+-1,-1,3.6685,-1,-1,-1,-1,-1,-1,-1
+2.5,-1,6.6339,-1,-1,-1,-1,-1,-1,-1
+2.27,-1,7.3017,-1,-1,-1,-1,-1,-1,-1
+2.27,-1,8.8074,25.8,-1,-1,-1,-1,-1,-1
+2.5,-1,6.6339,19.4,-1,-1,-1,-1,-1,-1
+2.27,-1,6.9048,20.6,-1,-1,-1,-1,-1,-1
+2.5,-1,8.4924,20.2,-1,-1,-1,-1,-1,-1
+2.5,-1,6.7032,-1,-1,-1,-1,-1,-1,-1
+3.12,-1,8.7885,20,-1,-1,-1,-1,-1,-1
+2.5,-1,7.3647,32,-1,-1,-1,-1,-1,-1
+2.08,-1,10.2123,-1,-1,-1,-1,-1,-1,-1
+2.27,-1,8.7759,-1,-1,-1,-1,-1,-1,-1
+2.50000015,-1,-1,-1,-1,-1,-1,-1,-1,-1
+2.50000092,-1,-1,-1,-1,-1,-1,-1,-1,-1
+2.50000092,-1,4.4689,-1,-1,-1,-1,-1,-1,-1
+3.57142883,-1,-1,-1,-1,-1,-1,-1,-1,-1
+3.12500061,-1,-1,-1,-1,-1,-1,-1,-1,-1
+2.27272766,-1,6.92346,-1,-1,-1,-1,-1,-1,-1
+2.08333527,-1,-1,-1,-1,-1,-1,-1,-1,-1
+2.27272705,-1,7.0702,-1,-1,-1,-1,-1,-1,-1
+2.08333527,-1,-1,-1,-1,-1,-1,-1,-1,-1
+-1,-1,-1,-1,-1,-1,-1,-1,-1,-1
+1.78571442,-1,6.20977,-1,-1,-1,-1,-1,-1,-1
+2.77777679,-1,-1,-1,-1,-1,-1,-1,-1,-1
+2.77777863,-1,-1,-1,-1,-1,-1,-1,-1,-1
+2.49999939,-1,7.2703,-1,-1,-1,-1,-1,-1,-1
+2.08332703,-1,-1,-1,-1,-1,-1,-1,-1,-1
+2.77778778,-1,6.42988,-1,-1,-1,-1,-1,-1,-1
+2.50000244,-1,-1,-1,-1,-1,-1,-1,-1,-1
+-1,-1,-1,-1,-1,-1,-1,-1,-1,-1
+2.50000015,-1,6.4032,-1,-1,-1,-1,-1,-1,-1
+2.77778046,-1,5.7362,-1,-1,-1,-1,-1,-1,-1
+3.57142883,-1,7.67717,-1,-1,-1,-1,-1,-1,-1
+3.12500061,-1,8.77105,-1,-1,-1,-1,-1,-1,-1
+2.50000092,-1,8.5376,-1,-1,-1,-1,-1,-1,-1
+3.57143036,-1,8.77105,-1,-1,-1,-1,-1,-1,-1
+2.50000015,-1,8.14407,-1,-1,-1,-1,-1,-1,-1
+3.12499847,-1,9.03118,-1,-1,-1,-1,-1,-1,-1
+4.99999878,-1,8.97782,-1,-1,-1,-1,-1,-1,-1
+2.77778778,-1,8.30415,-1,-1,-1,-1,-1,-1,-1
+1.92307526,-1,6.40987,-1,-1,-1,-1,-1,-1,-1
+3.12500305,-1,8.29748,-1,-1,-1,-1,-1,-1,-1
+2.27272705,-1,6.16308,-1,-1,-1,-1,-1,-1,-1
+2.77777679,-1,5.82291,-1,-1,-1,-1,-1,-1,-1
+2.50001434,-1,9.06453,-1,-1,-1,-1,-1,-1,-1
+3.12499359,-1,7.01017,-1,-1,-1,-1,-1,-1,-1
+3.12499847,-1,9.7382,-1,-1,-1,-1,-1,-1,-1
+1.92307785,-1,6.67667,-1,-1,-1,-1,-1,-1,-1
+3.12500061,-1,10.33183,-1,-1,-1,-1,-1,-1,-1
+-1,-1,2.62131,-1,-1,-1,-1,-1,-1,-1
+-1,-1,0.2668,-1,-1,-1,-1,-1,-1,-1
+-1,-1,0.34017,-1,-1,-1,-1,-1,-1,-1
+-1,-1,0.30682,-1,-1,-1,-1,-1,-1,-1
+-1,-1,0.36685,-1,-1,-1,-1,-1,-1,-1
+2.08333328,-1,4.2903,42.8,-1,-1,-1,-1,-1,-1
+3.12499939,-1,5.5944,28.4,-1,-1,-1,-1,-1,-1
+1.92307617,-1,7.4403,51,-1,-1,-1,-1,-1,-1
+1.92307693,-1,4.9077,26.4,-1,-1,-1,-1,-1,-1
+1.92307693,-1,5.5377,21.2,-1,-1,-1,-1,-1,-1
+2.08333527,-1,6.0984,24.2,-1,-1,-1,-1,-1,-1
+1.47058762,-1,6.5142,69,-1,-1,-1,-1,-1,-1
+1.56249969,-1,6.048,40,-1,-1,-1,-1,-1,-1
+2.77777679,-1,7.4403,28.6,-1,-1,-1,-1,-1,-1
+-1,-1,-1,-1,-1,-1,-1,-1,-1,-1
+1.25000122,-1,7.1568,28.4,-1,-1,-1,-1,-1,-1
+-1,-1,5.8842,-1,-1,-1,-1,-1,-1,-1
+1.92307526,-1,7.4718,25.4,-1,-1,-1,-1,-1,-1
+3.12500061,-1,5.7708,20.2,-1,-1,-1,-1,-1,-1
+2.27272705,-1,6.5079,28.6,-1,-1,-1,-1,-1,-1
+3.12500061,-1,7.8372,23.2,-1,-1,-1,-1,-1,-1
+2.49999939,-1,5.5818,27.8,-1,-1,-1,-1,-1,-1
+2.27272705,-1,6.5583,16.6,-1,-1,-1,-1,-1,-1
+2.08333328,-1,6.1614,13.4,-1,-1,-1,-1,-1,-1
+2.50000092,-1,6.3378,28.8,-1,-1,-1,-1,-1,-1
+2.50000244,-1,6.7788,32.6,-1,-1,-1,-1,-1,-1
+1.78571442,-1,6.3063,16.6,-1,-1,-1,-1,-1,-1
+1.92307693,-1,6.615,38.6,-1,-1,-1,-1,-1,-1
+2.77777863,-1,11.2833,12,-1,-1,-1,-1,-1,-1
+3.12500305,-1,9.87,-1,-1,-1,-1,-1,-1,-1
+2.77777863,-1,11.42,-1,-1,-1,-1,-1,-1,-1
+3.12500061,-1,12.7,-1,-1,-1,-1,-1,-1,-1
+2.77777863,-1,12.6,-1,-1,-1,-1,-1,-1,-1
+2.49999939,-1,12.86,-1,-1,-1,-1,-1,-1,-1
+2.27272705,-1,12.92,-1,-1,-1,-1,-1,-1,-1
+2.27272827,-1,11.85,-1,-1,-1,-1,-1,-1,-1
+1.78571442,-1,12.56,-1,-1,-1,-1,-1,-1,-1
+2.77777863,-1,11.29,-1,-1,-1,-1,-1,-1,-1
+2.08333221,-1,10.51,-1,-1,-1,-1,-1,-1,-1
+2.77777863,-1,22.38,-1,-1,-1,-1,-1,-1,-1
+2.50000092,-1,23.85,-1,-1,-1,-1,-1,-1,-1
+2.27272705,-1,10.3509,21.4,-1,-1,-1,-1,-1,-1
+1.92307693,-1,3.1563,11,-1,-1,-1,-1,-1,-1
+2.08333527,-1,4.4037,9.6,-1,-1,-1,-1,-1,-1
+1.56249924,-1,4.6242,-1,-1,-1,-1,-1,-1,-1
+2.08333328,-1,3.5847,-1,-1,-1,-1,-1,-1,-1
+2.77778778,-1,4.7313,-1,-1,-1,-1,-1,-1,-1
+3.57142731,-1,6.7284,21.8,-1,-1,-1,-1,-1,-1
+2.77777771,-1,7.2954,11,-1,-1,-1,-1,-1,-1
+2.49999939,-1,7.7427,10.4,-1,-1,-1,-1,-1,-1
+2.77778046,-1,11.6424,18.8,-1,-1,-1,-1,-1,-1
+2.50000092,-1,9.4437,11.2,-1,-1,-1,-1,-1,-1
+3.12499847,-1,7.56,5.4,-1,-1,-1,-1,-1,-1
+2.77778046,-1,15.246,16.8,-1,-1,-1,-1,-1,-1
+3.12500305,-1,13.0095,17.2,-1,-1,-1,-1,-1,-1
+2.77777313,-1,2.5452,-1,-1,-1,-1,-1,-1,-1
+2.08333328,-1,8.5428,18.75,-1,-1,-1,-1,-1,-1
+1.92307693,-1,8.5554,7.5,-1,-1,-1,-1,-1,-1
+2.49999939,-1,-1,9.75,-1,-1,-1,-1,-1,-1
+1.78571442,-1,7.1379,7,-1,-1,-1,-1,-1,-1
+2.08333328,-1,8.3979,21.25,-1,-1,-1,-1,-1,-1
+2.27272766,-1,4.59563,-1,-1,-1,-1,-1,-1,-1
+3.57142883,-1,5.15591,-1,-1,-1,-1,-1,-1,-1
+2.08333328,-1,8.8263,9.25,-1,-1,-1,-1,-1,-1
+2.50000015,-1,9.0279,22.25,-1,-1,-1,-1,-1,-1
+2.50000092,-1,3.5784,-1,-1,-1,-1,-1,-1,-1
+2.27272766,-1,5.5314,-1,-1,-1,-1,-1,-1,-1
+2.50000244,-1,8.694,6,-1,-1,-1,-1,-1,-1
+1.92307693,-1,9.5067,8.25,-1,-1,-1,-1,-1,-1
+2.50000015,-1,5.733,-1,-1,-1,-1,-1,-1,-1
+2.49999939,-1,3.9249,-1,-1,-1,-1,-1,-1,-1
+2.27272766,-1,10.72,-1,-1,-1,-1,-1,-1,-1
+2.50000244,-1,7.9254,-1,-1,-1,-1,-1,-1,-1
+2.27272705,-1,5.62948,-1,-1,-1,-1,-1,-1,-1
+2.77778046,-1,9.5823,-1,-1,-1,-1,-1,-1,-1
+1.56249969,-1,11.59,-1,-1,-1,-1,-1,-1,-1
+2.50000092,-1,10.6029,-1,-1,-1,-1,-1,-1,-1
+2.50000092,-1,5.6889,-1,-1,-1,-1,-1,-1,-1
+2.27272766,-1,7.0434,-1,-1,-1,-1,-1,-1,-1
+2.77777771,-1,8.5932,-1,-1,-1,-1,-1,-1,-1
+2.08333328,-1,9.5949,10.5,-1,-1,-1,-1,-1,-1
+2.49999939,-1,11.8726,16.2,-1,-1,-1,-1,-1,-1
+1.78571594,-1,13.12656,21.2,-1,-1,-1,-1,-1,-1
+2.08333328,-1,13.30665,12.4,-1,-1,-1,-1,-1,-1
+2.08333374,-1,7.41,-1,-1,-1,-1,-1,-1,-1
+-1,-1,10.29181,-1,-1,-1,-1,-1,-1,-1
+2.27272949,-1,13.17992,13,-1,-1,-1,-1,-1,-1
+1.92307693,-1,12.16608,24,-1,-1,-1,-1,-1,-1
+2.27272705,-1,11.44,-1,-1,-1,-1,-1,-1,-1
+1.78571442,-1,9.21,-1,-1,-1,-1,-1,-1,-1
+4.16666656,-1,9.25,-1,-1,-1,-1,-1,-1,-1
+2.27272705,-1,11.26,-1,-1,-1,-1,-1,-1,-1
+2.5,-1,7.98,-1,-1,-1,-1,-1,-1,-1
+1.92307877,-1,11.57245,24,-1,-1,-1,-1,-1,-1
+1.92307526,-1,12.32616,12.6,-1,-1,-1,-1,-1,-1
+2.50000015,-1,8.23,-1,-1,-1,-1,-1,-1,-1
+4.16666656,-1,8.43,-1,-1,-1,-1,-1,-1,-1
+0.83333282,-1,11.49241,-1,-1,-1,-1,-1,-1,-1
+2.50000092,-1,8.95,-1,-1,-1,-1,-1,-1,-1
+2.77777679,-1,10.72,-1,-1,-1,-1,-1,-1,-1
+2.50000092,-1,11.99266,29.4,-1,-1,-1,-1,-1,-1
+3.57142853,-1,6.2748,-1,-1,-1,-1,-1,-1,-1
+1.92307693,-1,8.757,-1,-1,-1,-1,-1,-1,-1
+2.27272827,-1,8.8893,-1,-1,-1,-1,-1,-1,-1
+2.08333328,-1,9.387,-1,-1,-1,-1,-1,-1,-1
+2.77777679,-1,8.127,20.8,-1,-1,-1,-1,-1,-1
+2.08333328,-1,9.7398,-1,-1,-1,-1,-1,-1,-1
+2.27273438,-1,8.3412,-1,-1,-1,-1,-1,-1,-1
+2.77778046,-1,10.1619,-1,-1,-1,-1,-1,-1,-1
+1.08695641,-1,7.8057,14.2,-1,-1,-1,-1,-1,-1
+1.92307526,-1,10.5714,-1,-1,-1,-1,-1,-1,-1
+3.12499847,-1,9.9288,16.4,-1,-1,-1,-1,-1,-1
+1.47058762,-1,12.411,-1,-1,-1,-1,-1,-1,-1
+2.50000015,-1,13.356,-1,-1,-1,-1,-1,-1,-1
+2.27273438,-1,11.0313,19.8,-1,-1,-1,-1,-1,-1
+2.49999939,-1,10.6974,12.8,-1,-1,-1,-1,-1,-1
+2.77778046,-1,12.726,-1,-1,-1,-1,-1,-1,-1
+1.92307693,-1,10.6344,27.8,-1,-1,-1,-1,-1,-1
+3.12499847,-1,9.0972,23.6,-1,-1,-1,-1,-1,-1
+1.92307693,-1,12.1212,-1,-1,-1,-1,-1,-1,-1
+-1,-1,0.9338,-1,-1,-1,-1,-1,-1,-1
+1.852,-1,1.0672,-1,-1,-1,-1,-1,-1,-1
+-1,-1,3.6685,-1,-1,-1,-1,-1,-1,-1
+-1,-1,0.12006,-1,-1,-1,-1,-1,-1,-1
+-1,-1,0.62031,-1,-1,-1,-1,-1,-1,-1
+-1,-1,0.69368,-1,-1,-1,-1,-1,-1,-1
+1.25000122,-1,3.22828,4.6,-1,-1,-1,-1,-1,-1
+-1,-1,4.47557,-1,-1,-1,-1,-1,-1,-1
+1.66666824,-1,4.032,8.8,-1,-1,-1,-1,-1,-1
+1.66666687,-1,4.1328,-1,-1,-1,-1,-1,-1,-1
+2.50000015,-1,3.22,-1,-1,-1,-1,-1,-1,-1
+1.78571594,-1,9.12456,13,-1,-1,-1,-1,-1,-1
+2.49999939,-1,2.61,-1,-1,-1,-1,-1,-1,-1
+1.92307693,-1,7.91062,16.4,-1,-1,-1,-1,-1,-1
+2.77777771,-1,5.7,-1,-1,-1,-1,-1,-1,-1
+3.12499847,-1,4.69,-1,-1,-1,-1,-1,-1,-1
+1.92307693,-1,5.03,-1,-1,-1,-1,-1,-1,-1
+2.27272827,-1,4.22,-1,-1,-1,-1,-1,-1,-1
+2.08333328,-1,7.97,-1,-1,-1,-1,-1,-1,-1
+2.77777679,-1,10.05,-1,-1,-1,-1,-1,-1,-1
+2.27272705,-1,7.24,-1,-1,-1,-1,-1,-1,-1
+2.50000092,-1,11.39,-1,-1,-1,-1,-1,-1,-1
+2.77777863,-1,11.06,-1,-1,-1,-1,-1,-1,-1
+1.56250153,-1,11.46,10,-1,-1,-1,-1,-1,-1
+1.92307693,-1,6.363,-1,-1,-1,-1,-1,-1,-1
+-1,-1,4.1769,18,-1,-1,-1,-1,-1,-1
+2.08333328,-1,6.5205,17.4,-1,-1,-1,-1,-1,-1
+2.50000244,-1,6.1488,-1,-1,-1,-1,-1,-1,-1
+2.27272705,-1,6.5142,30.6,-1,-1,-1,-1,-1,-1
+1.66667084,-1,8.2719,-1,-1,-1,-1,-1,-1,-1
+1.92307526,-1,5.2794,-1,-1,-1,-1,-1,-1,-1
+-1,-1,7.5159,10.6,-1,-1,-1,-1,-1,-1
+2.27272705,-1,5.2164,-1,-1,-1,-1,-1,-1,-1
+-1,-1,7.1064,29,-1,-1,-1,-1,-1,-1
+2.08333435,-1,5.6637,27.2,-1,-1,-1,-1,-1,-1
+2.49999939,-1,6.4008,22.6,-1,-1,-1,-1,-1,-1
+1.66667084,-1,8.2215,22.6,-1,-1,-1,-1,-1,-1
+2.27272949,-1,7.8624,26.6,-1,-1,-1,-1,-1,-1
+2.27272766,-1,5.9535,24.8,-1,-1,-1,-1,-1,-1
+2.08333328,-1,9.1728,23.4,-1,-1,-1,-1,-1,-1
+2.27272705,-1,6.048,22.6,-1,-1,-1,-1,-1,-1
+3.12500305,-1,8.1585,22.4,-1,-1,-1,-1,-1,-1
+2.08333328,-1,6.7914,19.4,-1,-1,-1,-1,-1,-1
+2.27272705,-1,7.7175,17.6,-1,-1,-1,-1,-1,-1
+2.08333527,-1,8.883,22,-1,-1,-1,-1,-1,-1
+1.78571594,-1,8.064,-1,-1,-1,-1,-1,-1,-1
+2.08333328,-1,7.4277,-1,-1,-1,-1,-1,-1,-1
+2.27272705,-1,4.76,-1,-1,-1,-1,-1,-1,-1
+2.50000015,-1,4.36,-1,-1,-1,-1,-1,-1,-1
+-1,-1,-1,-1,-1,-1,-1,-1,-1,-1
+-1,-1,-1,-1,-1,-1,-1,-1,-1,-1
+-1,-1,-1,-1,-1,-1,-1,-1,-1,-1
+-1,-1,-1,-1,-1,-1,-1,-1,-1,-1
+-1,-1,-1,-1,-1,-1,-1,-1,-1,-1
+-1,-1,-1,-1,-1,-1,-1,-1,-1,-1
+-1,-1,-1,-1,-1,-1,-1,-1,-1,-1
+-1,-1,-1,-1,-1,-1,-1,-1,-1,-1
+-1,-1,-1,-1,-1,-1,-1,-1,-1,-1
+-1,-1,-1,-1,-1,-1,-1,-1,-1,-1
+-1,-1,-1,-1,-1,-1,-1,-1,-1,-1
+-1,-1,-1,-1,-1,-1,-1,-1,-1,-1
+-1,-1,-1,15.6,-1,-1,-1,-1,-1,-1
+2.08333328,-1,15.341,-1,-1,-1,-1,-1,-1,-1
+2.77777863,-1,9.11,-1,-1,-1,-1,-1,-1,-1
+-1,-1,-1,-1,-1,-1,-1,-1,-1,-1
+-1,-1,-1,-1,-1,-1,-1,-1,-1,-1
+1.92307693,-1,13.74,-1,-1,-1,-1,-1,-1,-1
+1.92307877,-1,13.27,-1,-1,-1,-1,-1,-1,-1
+-1,-1,-1,-1,-1,-1,-1,-1,-1,-1
+2.08333527,-1,14,-1,-1,-1,-1,-1,-1,-1
+2.27272827,-1,15.61,-1,-1,-1,-1,-1,-1,-1
+2.77778046,-1,10.12,-1,-1,-1,-1,-1,-1,-1
+2.27272446,-1,12.33,-1,-1,-1,-1,-1,-1,-1
+4.16666656,-1,16.82,-1,-1,-1,-1,-1,-1,-1
+2.50000244,-1,20.64,-1,-1,-1,-1,-1,-1,-1
+2.08333328,-1,16.68,20.2,-1,-1,-1,-1,-1,-1
+1.38888931,-1,5.79623,5,-1,-1,-1,-1,-1,-1
+1.92307693,-1,7.4,30.75,-1,-1,-1,-1,-1,-1
+2.08333527,-1,7.12,14.75,-1,-1,-1,-1,-1,-1
+2.50000092,-1,8.68,17.5,-1,-1,-1,-1,-1,-1
+-1,-1,6.57,20.75,-1,-1,-1,-1,-1,-1
+1.78571442,-1,8.73,-1,-1,-1,-1,-1,-1,-1
+1.92307648,-1,4.30882,-1,-1,-1,-1,-1,-1,-1
+1.78571442,-1,4.75571,12.2,-1,-1,-1,-1,-1,-1
+2.27272827,-1,7.88,-1,-1,-1,-1,-1,-1,-1
+2.27272705,-1,8.17,6,-1,-1,-1,-1,-1,-1
+1.47058838,-1,7.73,15.5,-1,-1,-1,-1,-1,-1
+1.66666687,-1,9.63,-1,-1,-1,-1,-1,-1,-1
+-1,-1,-1,-1,-1,-1,-1,-1,-1,-1
+-1,-1,-1,-1,-1,-1,-1,-1,-1,-1
+3.12500305,-1,5.83,-1,-1,-1,-1,-1,-1,-1
+0.02107926,-1,16.11472,-1,-1,-1,-1,-1,-1,-1
+3.12499847,-1,5.11,19.6,-1,-1,-1,-1,-1,-1
+2.49999939,-1,8.87777,-1,-1,-1,-1,-1,-1,-1
+2.50000092,-1,5.49,-1,-1,-1,-1,-1,-1,-1
+2.77777679,-1,3.31,-1,-1,-1,-1,-1,-1,-1
+2.08333374,-1,7.73,-1,-1,-1,-1,-1,-1,-1
+2.77777679,-1,-1,-1,-1,-1,-1,-1,-1,-1
+2.27272705,-1,5.92,-1,-1,-1,-1,-1,-1,-1
+-1,-1,-1,3,-1,-1,-1,-1,-1,-1
+2.27272705,-1,7.98,-1,-1,-1,-1,-1,-1,-1
+2.27272766,-1,-1,-1,-1,-1,-1,-1,-1,-1
+2.77777863,-1,-1,-1,-1,-1,-1,-1,-1,-1
+2.49999939,-1,-1,-1,-1,-1,-1,-1,-1,-1
+-1,-1,-1,27.2,-1,-1,-1,-1,-1,-1
+2.50000244,-1,10.81,6.25,-1,-1,-1,-1,-1,-1
+2.08333328,-1,10.17,-1,-1,-1,-1,-1,-1,-1
+2.08333344,-1,-1,-1,-1,-1,-1,-1,-1,-1
+1.78571442,-1,4.81,-1,-1,-1,-1,-1,-1,-1
+3.57142883,-1,11.18,18.2,-1,-1,-1,-1,-1,-1
+2.08333328,-1,13.0732,-1,-1,-1,-1,-1,-1,-1
+2.77777863,-1,-1,-1,-1,-1,-1,-1,-1,-1
+1.47058853,-1,10.49,-1,-1,-1,-1,-1,-1,-1
+3.57142883,-1,-1,-1,-1,-1,-1,-1,-1,-1
+4.1666687,-1,-1,-1,-1,-1,-1,-1,-1,-1
+2.77777863,-1,5.25,-1,-1,-1,-1,-1,-1,-1
+2.08333328,-1,8.98,-1,-1,-1,-1,-1,-1,-1
+1.78571426,-1,5.36,-1,-1,-1,-1,-1,-1,-1
+-1,-1,-1,-1,-1,-1,-1,-1,-1,-1
+3.12500305,-1,12.06,-1,-1,-1,-1,-1,-1,-1
+2.49999939,-1,8.69768,-1,-1,-1,-1,-1,-1,-1
+2.49999939,-1,9.31,21.2,-1,-1,-1,-1,-1,-1
+1.92307693,-1,11.64582,-1,-1,-1,-1,-1,-1,-1
+2.27272705,-1,5.84,-1,-1,-1,-1,-1,-1,-1
+2.77777863,-1,-1,-1,-1,-1,-1,-1,-1,-1
+2.77777863,-1,-1,-1,-1,-1,-1,-1,-1,-1
+3.57142883,-1,5.96,-1,-1,-1,-1,-1,-1,-1
+2.50000015,-1,6.97,-1,-1,-1,-1,-1,-1,-1
+3.12499939,-1,-1,-1,-1,-1,-1,-1,-1,-1
+2.27272705,-1,5.63,-1,-1,-1,-1,-1,-1,-1
+1.38888885,-1,5.03,-1,-1,-1,-1,-1,-1,-1
+2.27272705,-1,5.96,-1,-1,-1,-1,-1,-1,-1
+2.77777679,-1,6.7,-1,-1,-1,-1,-1,-1,-1
+2.27272705,-1,7.44,-1,-1,-1,-1,-1,-1,-1
+2.49999939,-1,6.57,-1,-1,-1,-1,-1,-1,-1
+2.27272827,-1,7.6038,-1,-1,-1,-1,-1,-1,-1
+2.5,-1,7.37,-1,-1,-1,-1,-1,-1,-1
+3.12500061,-1,10.79,-1,-1,-1,-1,-1,-1,-1
+2.77777771,-1,9.09121,-1,-1,-1,-1,-1,-1,-1
+3.57142883,-1,9.89161,-1,-1,-1,-1,-1,-1,-1
+2.50000015,-1,10.92,-1,-1,-1,-1,-1,-1,-1
+2.08333328,-1,9.2713,-1,-1,-1,-1,-1,-1,-1
+2.77778046,-1,5.96,-1,-1,-1,-1,-1,-1,-1
+2.50000092,-1,6.3,-1,-1,-1,-1,-1,-1,-1
+3.12500061,-1,8.78,-1,-1,-1,-1,-1,-1,-1
+2.77777679,-1,7.97,-1,-1,-1,-1,-1,-1,-1
+1.78571442,-1,6.43,-1,-1,-1,-1,-1,-1,-1
+3.57142883,-1,13.0065,-1,-1,-1,-1,-1,-1,-1
+2.27272705,-1,9.6048,-1,-1,-1,-1,-1,-1,-1
+3.12500061,-1,7.1,-1,-1,-1,-1,-1,-1,-1
+-1,-1,13.29998,-1,-1,-1,-1,-1,-1,-1
+-1,-1,-1,-1,-1,-1,-1,-1,-1,-1
+2.08333435,-1,8.61097,-1,-1,-1,-1,-1,-1,-1
+2.08333374,-1,7.24,-1,-1,-1,-1,-1,-1,-1
+2.27272705,-1,5.0025,-1,-1,-1,-1,-1,-1,-1
+2.08333328,-1,4.2688,-1,-1,-1,-1,-1,-1,-1
+2.27272827,-1,3.8686,-1,-1,-1,-1,-1,-1,-1
+1.92307693,-1,2.7347,-1,-1,-1,-1,-1,-1,-1
+2.27272705,-1,5.5361,-1,-1,-1,-1,-1,-1,-1
+1.78571442,-1,5.336,-1,-1,-1,-1,-1,-1,-1
+2.49999939,-1,3.96865,-1,-1,-1,-1,-1,-1,-1
+-1,-1,-1,-1,-1,-1,-1,-1,-1,-1
+2.49999939,-1,4.2688,-1,-1,-1,-1,-1,-1,-1
+4.16666687,-1,-1,-1,-1,-1,-1,-1,-1,-1
+2.77777771,-1,-1,-1,-1,-1,-1,-1,-1,-1
+2.08333328,-1,-1,-1,-1,-1,-1,-1,-1,-1
+4.16666656,-1,-1,-1,-1,-1,-1,-1,-1,-1
+3.12500061,-1,3.26163,-1,-1,-1,-1,-1,-1,-1
+0.07552871,-1,-1,-1,-1,-1,-1,-1,-1,-1
+2.08333328,-1,2.2678,-1,-1,-1,-1,-1,-1,-1
+1.92307648,-1,6.2698,-1,-1,-1,-1,-1,-1,-1
+1,-1,-1,-1,-1,-1,-1,-1,-1,-1
+2.77777679,-1,-1,-1,-1,-1,-1,-1,-1,-1
+1.78571442,-1,6.6033,-1,-1,-1,-1,-1,-1,-1
+1.92307693,-1,-1,-1,-1,-1,-1,-1,-1,-1
+2.27272705,-1,-1,-1,-1,-1,-1,-1,-1,-1
+2.77777863,-1,-1,-1,-1,-1,-1,-1,-1,-1
+1.78571365,-1,5.336,-1,-1,-1,-1,-1,-1,-1
+1.66666656,-1,3.335,-1,-1,-1,-1,-1,-1,-1
+2.08333435,-1,-1,-1,-1,-1,-1,-1,-1,-1
+-1,-1,-1,-1,-1,-1,-1,-1,-1,-1
+-1,-1,-1,-1,-1,-1,-1,-1,-1,-1
+1.56250031,-1,0.65366,-1,-1,-1,-1,-1,-1,-1
+1.66666687,-1,2.27447,-1,-1,-1,-1,-1,-1,-1
+2.08333328,-1,9.6048,-1,-1,-1,-1,-1,-1,-1
+-1,-1,14.94,-1,-1,-1,-1,-1,-1,-1
+1.56250031,-1,16.68,-1,-1,-1,-1,-1,-1,-1
+-1,-1,9.55811,-1,-1,-1,-1,-1,-1,-1
+1.78571594,-1,10.37852,-1,-1,-1,-1,-1,-1,-1
+0.96153847,-1,-1,-1,-1,-1,-1,-1,-1,-1
+-1,-1,-1,-1,-1,-1,-1,-1,-1,-1
+2.27272705,-1,24.012,-1,-1,-1,-1,-1,-1,-1
+1.92307785,-1,55.361,-1,-1,-1,-1,-1,-1,-1
+1.78571442,-1,3.5351,-1,-1,-1,-1,-1,-1,-1
+1.92307693,-1,10.0717,-1,-1,-1,-1,-1,-1,-1
+2.77777863,-1,6.2698,-1,-1,-1,-1,-1,-1,-1
+3.12500305,-1,7.7372,-1,-1,-1,-1,-1,-1,-1
+2.27272766,-1,6.2031,-1,-1,-1,-1,-1,-1,-1
+0,-1,0.76038,-1,-1,-1,-1,-1,-1,-1
+0,-1,-1,-1,-1,-1,-1,-1,-1,-1
+2.77777863,-1,6.35651,-1,-1,-1,-1,-1,-1,-1
+0,-1,11.70585,-1,-1,-1,-1,-1,-1,-1
+1.66667084,-1,1.52076,-1,-1,-1,-1,-1,-1,-1
+0,-1,-1,-1,-1,-1,-1,-1,-1,-1
+0.13157894,-1,1.0005,-1,-1,-1,-1,-1,-1,-1
+0,-1,-1,-1,-1,-1,-1,-1,-1,-1
+0.5434782,-1,1.59,-1,-1,-1,-1,-1,-1,-1
+1.47058807,-1,10.2051,10.4,-1,-1,-1,-1,-1,-1
+1.1904763,-1,10.39186,12.6,-1,-1,-1,-1,-1,-1
+2.27272705,-1,10.37185,16.2,-1,-1,-1,-1,-1,-1
+1.92307693,-1,12.03935,15.6,-1,-1,-1,-1,-1,-1
+2.50000092,-1,11.29231,22.6,-1,-1,-1,-1,-1,-1
+2.77777679,-1,10.17175,15.6,-1,-1,-1,-1,-1,-1
+-1,-1,10.42521,-1,-1,-1,-1,-1,-1,-1
+1.78571442,-1,11.77255,20.2,-1,-1,-1,-1,-1,-1
+1.56250031,-1,13.68017,13.2,-1,-1,-1,-1,-1,-1
+2.08333328,-1,10.1384,15.4,-1,-1,-1,-1,-1,-1
+1.66666687,-1,10.84542,12.2,-1,-1,-1,-1,-1,-1
+2.27272827,-1,13.97365,19.6,-1,-1,-1,-1,-1,-1
+1.31578949,-1,12.2061,19.4,-1,-1,-1,-1,-1,-1
+2.27272705,-1,12.17275,9.4,-1,-1,-1,-1,-1,-1
+2.50000092,-1,21.8776,11,-1,-1,-1,-1,-1,-1
+1.92307693,-1,15.6078,12.2,-1,-1,-1,-1,-1,-1
+1.31578995,-1,9.76488,14,-1,-1,-1,-1,-1,-1
+1.38889023,-1,12.37952,11.4,-1,-1,-1,-1,-1,-1
+2.27272949,-1,24.12,-1,-1,-1,-1,-1,-1,-1
+2.77783203,-1,25.39,-1,-1,-1,-1,-1,-1,-1
+2.77777679,-1,36.78,-1,-1,-1,-1,-1,-1,-1
+0.874125874,98,5.4,12.5,-1,-1,-1,-1,-1,2
+1.461988304,113,5.51,7.6,-1,-1,-1,-1,-1,2
+0.769230769,102,5.76,11.2,-1,-1,-1,-1,-1,2
+-1,-1,-1,5.7,-1,-1,-1,-1,-1,2
+1.179245283,170,5.2,10.6,-1,-1,-1,-1,-1,2
+1.012145749,169,5.81,9.8,-1,-1,-1,-1,-1,2
+0.764525994,69,5.49,10.4,-1,-1,-1,-1,-1,2
+5.555555556,103,3.04,9.8,-1,-1,-1,-1,-1,2
+0.448028674,66,-1,5.2,-1,-1,-1,-1,-1,2
+0.69637883,75,-1,2.8,-1,-1,-1,-1,-1,2
+1.207729469,86,-1,5.7,-1,-1,-1,-1,-1,2
+1,156,-1,7.9,-1,-1,-1,-1,-1,2
+1.059322034,112,5.13,8.9,-1,-1,-1,-1,-1,2
+0.58411215,127,4.73,4.2,-1,-1,-1,-1,-1,2
+0.549450549,110,4.49,5.8,-1,-1,-1,-1,-1,2
+0.896057348,113,2.74,5,-1,-1,-1,-1,-1,2
+0.883392226,101,-1,3.7,-1,-1,-1,-1,-1,2
+2.252252252,123,4.5,7.7,-1,-1,-1,-1,-1,2
+0.939849624,99,5.28,4.6,-1,-1,-1,-1,-1,2
+0.814332248,92,-1,4,-1,-1,-1,-1,-1,2
+-1,-1,-1,10,-1,-1,-1,-1,-1,2
+-1,-1,-1,8.9,-1,-1,-1,-1,-1,2
+0.623441397,171,5.64,4.2,-1,-1,-1,-1,-1,2
+1.308900524,233,5.73,10.2,-1,-1,-1,-1,-1,2
+-1,-1,-1,9.9,-1,-1,-1,-1,-1,2
+0.529661017,91,4.4,9.2,-1,-1,-1,-1,-1,2
+0.865051903,163,5.46,8.1,-1,-1,-1,-1,-1,2
+1.146788991,107,4.86,6.9,-1,-1,-1,-1,-1,2
+1.436781609,171,-1,5.5,-1,-1,-1,-1,-1,2
+-1,-1,-1,-1,-1,-1,-1,-1,-1,2
+0.9765625,103,4.6,3,-1,-1,-1,-1,-1,2
+0.865051903,69,5.54,9.5,-1,-1,-1,-1,-1,2
+1.237623762,119,5.18,7.5,-1,-1,-1,-1,-1,2
+0.830564784,119,4.8,4.2,-1,-1,-1,-1,-1,2
+0.922509225,125,4.15,4.3,-1,-1,-1,-1,-1,2
+1.366120219,136,5.43,1.9,-1,-1,-1,-1,-1,2
+1.086956522,179,6.7,9.2,-1,-1,-1,-1,-1,2
+0.883392226,77,-1,16.7,-1,-1,-1,-1,-1,2
+1.19047619,98,-1,7.4,-1,-1,-1,-1,-1,2
+1.515151515,59,-1,8.2,-1,-1,-1,-1,-1,2
+0.762195122,70,-1,5.4,-1,-1,-1,-1,-1,2
+2.100840336,192,-1,3,-1,-1,-1,-1,-1,2
+1.046025105,162,-1,6.2,-1,-1,-1,-1,-1,2
+0.902527076,103,-1,6.8,-1,-1,-1,-1,-1,2
+0.411184211,167,-1,7.5,-1,-1,-1,-1,-1,2
+0.478011472,92,-1,6.5,-1,-1,-1,-1,-1,2
+-1,-1,-1,4.2,-1,-1,-1,-1,-1,2
+-1,-1,-1,8.1,-1,-1,-1,-1,-1,2
+1.602564103,102,-1,5,-1,-1,-1,-1,-1,2
+1.068376068,128,-1,6.6,-1,-1,-1,-1,-1,2
+0.710227273,87,-1,6.9,-1,-1,-1,-1,-1,2
+0.151607035,95,-1,6.6,-1,-1,-1,-1,-1,2
+0.692520776,139,-1,8.9,-1,-1,-1,-1,-1,2
+0.704225352,192,-1,3.1,-1,-1,-1,-1,-1,2
+0.224618149,107,-1,4.1,-1,-1,-1,-1,-1,2
+0.954198473,92,11.68,10.1,-1,-1,-1,-1,-1,2
+0.160565189,71,1.48,2.2,-1,-1,-1,-1,-1,2
+0.862068966,32,2.24,4.1,-1,-1,-1,-1,-1,2
+0.637755102,117,3.41,6.1,-1,-1,-1,-1,-1,2
+1.396648045,117,9.64,10.7,-1,-1,-1,-1,-1,2
+1.012145749,43,11.01,11.9,-1,-1,-1,-1,-1,2
+0.675675676,111,4.7,6.6,-1,-1,-1,-1,-1,2
+0.741839763,123,10.08,9.6,-1,-1,-1,-1,-1,2
+1.282051282,98,9.21,13.3,-1,-1,-1,-1,-1,2
+0.896057348,36,9,10.8,-1,-1,-1,-1,-1,2
+-1,-1,-1,9.3,-1,-1,-1,-1,-1,2
+1.033057851,88,11.46,9,-1,-1,-1,-1,-1,2
+0.737463127,89,9.6,4.3,-1,-1,-1,-1,-1,2
+0.708215297,75,1.55,2.8,-1,-1,-1,-1,-1,2
+0.909090909,79,8.6,19.7,-1,-1,-1,-1,-1,2
+2.577319588,66,8.84,8,-1,-1,-1,-1,-1,2
+1.644736842,64,2.4,8.6,-1,-1,-1,-1,-1,2
+0.704225352,188,1.76,9.1,-1,-1,-1,-1,-1,2
+1.082251082,52,9.6,8.9,-1,-1,-1,-1,-1,2
+0.965250965,110,9.91,7.4,-1,-1,-1,-1,-1,2
+1.037344398,54,8.74,7.5,-1,-1,-1,-1,-1,2
+0.909090909,77,6.66,5.9,-1,-1,-1,-1,-1,2
+3.472222222,75,10.69,8,-1,-1,-1,-1,-1,2
+1.773049645,73,3.5,4.1,-1,-1,-1,-1,-1,2
+0.853242321,92,8.09,7.1,-1,-1,-1,-1,-1,2
+0.943396226,64,3.75,13.5,-1,-1,-1,-1,-1,2
+0.744047619,137,5.65,8.5,-1,-1,-1,-1,-1,2
+0.637755102,65,8.03,4.1,-1,-1,-1,-1,-1,2
+0.582750583,83,10.95,12.5,-1,-1,-1,-1,-1,2
+0.672043011,58,8.2,9.3,-1,-1,-1,-1,-1,2
+1.131221719,71,1.91,6.1,-1,-1,-1,-1,-1,2
+0.477099237,63,3.06,9.1,-1,-1,-1,-1,-1,2
+0.755287009,41,5.08,8.7,-1,-1,-1,-1,-1,2
+-1,-1,-1,10.1,-1,-1,-1,-1,-1,2
+1.201923077,73,3.46,10.8,-1,-1,-1,-1,-1,2
+0.529661017,77,1.51,5,-1,-1,-1,-1,-1,2
+0.744047619,104,2.6,5.5,-1,-1,-1,-1,-1,2
+0.512295082,39,1.81,4.6,-1,-1,-1,-1,-1,2
+0.511247444,45,3.41,5.9,-1,-1,-1,-1,-1,2
+1.037344398,74,3.03,7,-1,-1,-1,-1,-1,2
+0.569476082,-1,2.29,8.3,-1,-1,-1,-1,-1,2
+0.626566416,96,2.1,2.6,-1,-1,-1,-1,-1,2
+2.604166667,58,3.2,6.3,-1,-1,-1,-1,-1,2
+0.440917108,65,0.91,3.3,-1,-1,-1,-1,-1,2
+6.41025641,52,3.29,5.7,-1,-1,-1,-1,-1,2
+0.5,79,1.85,6.3,-1,-1,-1,-1,-1,2
+0.946969697,172,2.86,6.7,-1,-1,-1,-1,-1,2
+0.889679715,91,2.53,9.1,-1,-1,-1,-1,-1,2
+1.016260163,81,2.25,5.7,-1,-1,-1,-1,-1,2
+1.322751323,38,2.18,6.6,-1,-1,-1,-1,-1,2
+0.302297461,90,12.53,12.7,-1,-1,-1,-1,-1,2
+0.37593985,170,3.5,10.3,-1,-1,-1,-1,-1,2
+1.38121547,106,7.19,6.6,-1,-1,-1,-1,-1,2
+0.698324022,147,4.71,3.2,-1,-1,-1,-1,-1,2
+1.712328767,159,2.83,2,-1,-1,-1,-1,-1,2
+0.373134328,93,4.41,10.1,-1,-1,-1,-1,-1,2
+0.312109863,53,3.2,3.1,-1,-1,-1,-1,-1,2
+1.19047619,124,3.45,4.1,-1,-1,-1,-1,-1,2
+0.481695568,147,2.61,2,-1,-1,-1,-1,-1,2
+0.850340136,144,9.9,7.3,-1,-1,-1,-1,-1,2
+0.814332248,59,6.5,6.2,-1,-1,-1,-1,-1,2
+0.889679715,115,3.39,9.7,-1,-1,-1,-1,-1,2
+0.943396226,121,4.76,5.8,-1,-1,-1,-1,-1,2
+0.704225352,126,8.21,6.1,-1,-1,-1,-1,-1,2
+0.227066303,81,1.05,5.1,-1,-1,-1,-1,-1,2
+-1,-1,-1,4,-1,-1,-1,-1,-1,2
+-1,-1,-1,3.6,-1,-1,-1,-1,-1,2
+1.937984496,94,6.16,10,-1,-1,-1,-1,-1,2
+0.737463127,112,2.84,6.7,-1,-1,-1,-1,-1,2
+-1,-1,-1,8.1,-1,-1,-1,-1,-1,2
+0.769230769,123,2.63,2.9,-1,-1,-1,-1,-1,2
+0.591016548,161,3.4,3.5,-1,-1,-1,-1,-1,2
+0.984251969,159,2.54,6,-1,-1,-1,-1,-1,2
+0.722543353,119,3.9,8.6,-1,-1,-1,-1,-1,2
+-1,-1,-1,2.6,-1,-1,-1,-1,-1,2
+1.322751323,119,9.74,10.1,-1,-1,-1,-1,-1,2
+0.73964497,137,7.74,7.1,-1,-1,-1,-1,-1,2
+0.629722922,118,3.2,3.6,-1,-1,-1,-1,-1,2
+0.444839858,144,3.28,5.6,-1,-1,-1,-1,-1,2
+0.645994832,123,3,3.5,-1,-1,-1,-1,-1,2
+0.625,115,3.39,5,-1,-1,-1,-1,-1,2
+0.771604938,73,4.23,5.1,-1,-1,-1,-1,-1,2
+0.801282051,135,9.63,7.8,-1,-1,-1,-1,-1,2
+0.596658711,125,3.2,3.6,-1,-1,-1,-1,-1,2
+-1,-1,-1,6.6,-1,-1,-1,-1,-1,2
+0.434782609,99,0.56,2,-1,-1,-1,-1,-1,2
+0.556792873,101,3.38,4.5,-1,-1,-1,-1,-1,2
+2.450980392,134,3.2,2.5,-1,-1,-1,-1,-1,2
+3.676470588,145,7.4,5.1,-1,-1,-1,-1,-1,2
+0.570776256,100,7.18,12.6,-1,-1,-1,-1,-1,2
+0.666666667,132,8.69,8.4,-1,-1,-1,-1,-1,2
+0.720461095,84,8.5,6,-1,-1,-1,-1,-1,2
+0.683060109,116,2.9,2,-1,-1,-1,-1,-1,2
+1.308900524,107,8.78,7.5,-1,-1,-1,-1,-1,2
+0.954198473,101,10.41,8.7,-1,-1,-1,-1,-1,2
+0.482625483,72,7.21,4.2,-1,-1,-1,-1,-1,2
+0.350140056,131,2.15,7.5,-1,-1,-1,-1,-1,2
+0.886524823,117,3.64,5.2,-1,-1,-1,-1,-1,2
+0.431034483,102,3,6.3,-1,-1,-1,-1,-1,2
+0.614250614,36,1.2,1.4,-1,-1,-1,-1,-1,2
+-1,-1,-1,-1,-1,-1,-1,-1,-1,2
+0.499001996,75,2.86,4.1,-1,-1,-1,-1,-1,2
+0.499001996,121,6.1,8,-1,-1,-1,-1,-1,2
+0.452898551,125,4.45,7.8,-1,-1,-1,-1,-1,2
+0.608272506,147,5.41,7.2,-1,-1,-1,-1,-1,2
+0.672043011,132,3.4,7,-1,-1,-1,-1,-1,2
+-1,-1,5.43,7.6,-1,-1,-1,-1,-1,2
+0.856164384,124,5.54,14,-1,-1,-1,-1,-1,2
+0.748502994,207,6.4,15.1,-1,-1,-1,-1,-1,2
+0.588235294,293,10.94,11.1,-1,-1,-1,-1,-1,2
+0.516528926,214,6.19,26.8,-1,-1,-1,-1,-1,2
+-1,83,1.91,5.7,-1,-1,-1,-1,-1,2
+0.672043011,254,2.14,20.9,-1,-1,-1,-1,-1,2
+0.757575758,133,6.58,22.8,-1,-1,-1,-1,-1,2
+0.419463087,172,6.4,10,-1,-1,-1,-1,-1,2
+0.563063063,242,3.34,11.9,-1,-1,-1,-1,-1,2
+0.503018109,167,4.94,25.3,-1,-1,-1,-1,-1,2
+0.720461095,169,5.58,15.9,-1,-1,-1,-1,-1,2
+0.672043011,224,7.69,24.1,-1,-1,-1,-1,-1,2
+-1,-1,-1,9.9,-1,-1,-1,-1,-1,2
+0.441696113,163,1.79,5.7,-1,-1,-1,-1,-1,2
+0.535331906,262,6.13,25.7,-1,-1,-1,-1,-1,2
+0.778816199,194,3.54,11.9,-1,-1,-1,-1,-1,2
+0.568181818,200,1.59,12.1,-1,-1,-1,-1,-1,2
+0.657894737,262,1.59,8.2,-1,-1,-1,-1,-1,2
+0.980392157,201,7.48,20,-1,-1,-1,-1,-1,2
+0.441696113,163,2.13,10.4,-1,-1,-1,-1,-1,2
+0.18089725,158,1.93,6.7,-1,-1,-1,-1,-1,2
+0.883392226,139,6.6,19.6,-1,-1,-1,-1,-1,2
+0.528541226,199,3.4,18.2,-1,-1,-1,-1,-1,2
+0.497017893,170,2.31,9.2,-1,-1,-1,-1,-1,2
+0.440917108,187,8.14,13.7,-1,-1,-1,-1,-1,2
+0.950570342,196,5.11,20.8,-1,-1,-1,-1,-1,2
+0.440140845,193,8.29,11.1,-1,-1,-1,-1,-1,2
+0.459558824,206,6.58,19,-1,-1,-1,-1,-1,2
+2.577319588,89,1.88,12.3,-1,-1,-1,-1,-1,2
+0.644329897,148,7.76,20,-1,-1,-1,-1,-1,2
+0.282167043,178,1.89,6.8,-1,-1,-1,-1,-1,2
+0.796178344,168,5.84,19.6,-1,-1,-1,-1,-1,2
+0.537634409,173,3.49,15.3,-1,-1,-1,-1,-1,2
+0.766871166,193,5.33,14.7,-1,-1,-1,-1,-1,2
+0.511247444,217,1.69,10.9,-1,-1,-1,-1,-1,2
+-1,-1,3.36,9,-1,-1,-1,-1,-1,2
+0.335120643,133,1.71,4.8,-1,-1,-1,-1,-1,2
+0.413907285,113,0.76,10.3,-1,-1,-1,-1,-1,2
+0.672043011,162,3.26,13,-1,-1,-1,-1,-1,2
+0.620347395,168,2.26,7.1,-1,-1,-1,-1,-1,2
+0.547045952,180,2.78,11.2,-1,-1,-1,-1,-1,2
+0.410509031,196,1.65,8.5,-1,-1,-1,-1,-1,2
+0.373134328,100,1.58,8.2,-1,-1,-1,-1,-1,2
+0.491159136,125,5.94,6.2,-1,-1,-1,-1,-1,2
+-1,-1,5.54,19.9,-1,-1,-1,-1,-1,2
+0.535331906,196,5.43,11,-1,-1,-1,-1,-1,2
+0.560538117,209,3.23,17,-1,-1,-1,-1,-1,-1
+1.700680272,-1,-1,-1,-1,-1,-1,-1,-1,-1
+0.609756098,-1,-1,-1,-1,-1,-1,-1,-1,-1
+1.136363636,-1,-1,-1,-1,-1,-1,-1,-1,-1
+0.408496732,-1,-1,-1,-1,-1,-1,-1,-1,-1
+0.56561086,-1,-1,-1,-1,-1,-1,-1,-1,-1
+0.451263538,-1,-1,-1,-1,-1,-1,-1,-1,-1
+1.396648045,-1,-1,-1,-1,-1,-1,-1,-1,-1
+3.012048193,-1,-1,-1,-1,-1,-1,-1,-1,-1
+0.9765625,-1,-1,-1,-1,-1,-1,-1,-1,-1
+1.552795031,-1,-1,-1,-1,-1,-1,-1,-1,-1
+3.424657534,-1,-1,-1,-1,-1,-1,-1,-1,-1
+1.953125,-1,-1,-1,-1,-1,-1,-1,-1,-1
+1.344086022,-1,-1,-1,-1,-1,-1,-1,-1,-1
+1.428571429,-1,-1,-1,-1,-1,-1,-1,-1,-1
+3.378378378,-1,-1,-1,-1,-1,-1,-1,-1,-1
+0.748502994,-1,-1,-1,-1,-1,-1,-1,-1,-1
+0.980392157,-1,-1,-1,-1,-1,-1,-1,-1,-1
+0.877192982,-1,-1,-1,-1,-1,-1,-1,-1,-1
+1.445086705,-1,-1,-1,-1,-1,-1,-1,-1,-1
+1.131221719,-1,-1,-1,-1,-1,-1,-1,-1,-1
+1.644736842,-1,-1,-1,-1,-1,-1,-1,-1,-1
+0.850340136,-1,-1,-1,-1,-1,-1,-1,-1,-1
+2.192982456,-1,-1,-1,-1,-1,-1,-1,-1,-1
+1.231527094,-1,-1,-1,-1,-1,-1,-1,-1,-1
+2.450980392,-1,-1,-1,-1,-1,-1,-1,-1,-1
+1.655629139,-1,-1,-1,-1,-1,-1,-1,-1,-1
+2.066115702,-1,-1,-1,-1,-1,-1,-1,-1,-1
+0.602409639,-1,-1,-1,-1,-1,-1,-1,-1,-1
+1.436781609,-1,-1,-1,-1,-1,-1,-1,-1,-1
+1.315789474,-1,-1,-1,-1,-1,-1,-1,-1,-1
+1.068376068,-1,-1,-1,-1,-1,-1,-1,-1,-1
+0.896057348,-1,-1,-1,-1,-1,-1,-1,-1,-1
+4.032258065,-1,-1,-1,-1,-1,-1,-1,-1,-1
+0.677506775,-1,-1,-1,-1,-1,-1,-1,-1,-1
+1.404494382,-1,-1,-1,-1,-1,-1,-1,-1,-1
+1.479289941,-1,-1,-1,-1,-1,-1,-1,-1,-1
+1.712328767,-1,-1,-1,-1,-1,-1,-1,-1,-1
+1.533742331,-1,-1,-1,-1,-1,-1,-1,-1,-1
+0.291036088,-1,-1,-1,-1,-1,-1,-1,-1,-1
+0.741839763,-1,-1,-1,-1,-1,-1,-1,-1,-1

Dockerfile

@@ -0,0 +1,23 @@
+FROM python:3.11-slim
+
+WORKDIR /app
+
+ENV PYTHONDONTWRITEBYTECODE=1
+ENV PYTHONUNBUFFERED=1
+ENV UV_PROJECT_ENVIRONMENT=/app/.venv
+ENV PATH="/app/.venv/bin:/root/.local/bin:$PATH"
+
+RUN apt-get update && apt-get install -y --no-install-recommends \
+    curl ca-certificates \
+    && rm -rf /var/lib/apt/lists/*
+
+RUN curl -LsSf https://astral.sh/uv/install.sh | sh
+
+COPY pyproject.toml uv.lock ./
+RUN uv sync --frozen --no-dev
+
+COPY . .
+
+EXPOSE 8501
+
+CMD ["uv", "run", "streamlit", "run", "scripts/app.py", "--server.address=0.0.0.0", "--server.port=8501"]

README.md

@@ -0,0 +1,54 @@
+---
+title: MVPpred Lizard Performance Predictor
+emoji: 🦎
+colorFrom: green
+colorTo: blue
+sdk: docker
+app_port: 8501
+---
+
+# MVPpred
+
+## Local setup
+
+```bash
+curl -LsSf https://astral.sh/uv/install.sh | sh
+
+source .venv/bin/activate
+uv run python scripts/train_eval.py
+
+uv run python scripts/train_final.py
+
+uv run streamlit run scripts/app.py
+
+uv add numpy pandas scikit-learn scipy xgboost joblib mlflow streamlit
+
+
+
+uv run hf upload-large-folder wasicse/mvppred-artifacts ./artifacts_inference --repo-type model
+
+
+# 1) Initialize a new git repo
+git init
+git branch -M main
+
+
+# 3) Add only the code/config files
+git add .
+
+# 4) Verify no huge joblib files are staged
+git status
+git ls-files | grep joblib
+
+# 5) Commit
+git commit -m "Initial commit"
+
+# 6) Add the Hugging Face Space remote
+git remote add hf https://huggingface.co/spaces/wasicse/mvppred
+
+# 7) Push
+
+export HF_TOKEN=''
+git remote set-url hf https://wasicse:${HF_TOKEN}@huggingface.co/spaces/wasicse/mvppred
+git push -u hf main --force
+git remote set-url hf https://huggingface.co/spaces/wasicse/mvppred

artifacts_inference/calibration_conformal.json

@@ -0,0 +1,47 @@
+{
+  "sprint": {
+    "n": 135,
+    "q90": 0.8774047696217057,
+    "q95": 1.213653001435542
+  },
+  "endurance": {
+    "n": 31,
+    "q90": 120.5180334848763,
+    "q95": 175.63520989781043
+  },
+  "bite": {
+    "n": 180,
+    "q90": 2.84168517448461,
+    "q95": 3.8459191878956966
+  },
+  "distance_capacity": {
+    "n": 54,
+    "q90": 6.94923589121681,
+    "q95": 10.550517756551393
+  },
+  "jump_distance": {
+    "n": 13,
+    "q90": 0.03936990855142531,
+    "q95": 0.041360802361016226
+  },
+  "jump_vel": {
+    "n": 13,
+    "q90": 0.07586575647689049,
+    "q95": 0.0800644317260458
+  },
+  "jump_accel": {
+    "n": 13,
+    "q90": 4.334752564040341,
+    "q95": 6.061086872019658
+  },
+  "jump_power": {
+    "n": 22,
+    "q90": 6.649229532076156,
+    "q95": 8.358764372458074
+  },
+  "angle": {
+    "n": 7,
+    "q90": 12.796379747461275,
+    "q95": 13.738659813937012
+  }
+}

artifacts_inference/manifest.csv

@@ -0,0 +1,10 @@
+target,knn_k,path
+sprint,84,artifacts_inference/sprint_bundle.joblib
+endurance,154,artifacts_inference/endurance_bundle.joblib
+bite,57,artifacts_inference/bite_bundle.joblib
+distance_capacity,25,artifacts_inference/distance_capacity_bundle.joblib
+jump_distance,46,artifacts_inference/jump_distance_bundle.joblib
+jump_vel,16,artifacts_inference/jump_vel_bundle.joblib
+jump_accel,29,artifacts_inference/jump_accel_bundle.joblib
+jump_power,165,artifacts_inference/jump_power_bundle.joblib
+angle,34,artifacts_inference/angle_bundle.joblib

artifacts_inference/missing_rate.json

@@ -0,0 +1,11 @@
+{
+  "sprint": 0.3988945186549977,
+  "endurance": 0.8433901427913404,
+  "bite": 0.18977429755872868,
+  "distance_capacity": 0.7425149700598802,
+  "jump_distance": 0.9295255642561032,
+  "jump_vel": 0.9295255642561032,
+  "jump_accel": 0.9295255642561032,
+  "jump_power": 0.8737908797789037,
+  "angle": 0.9649930907415938
+}

pyproject.toml

@@ -0,0 +1,17 @@
+[project]
+name = "mvppred"
+version = "0.1.0"
+description = "Add your description here"
+readme = "README.md"
+requires-python = ">=3.9"
+dependencies = [
+    "huggingface-hub>=1.8.0",
+    "joblib>=1.5.3",
+    "mlflow>=3.1.4",
+    "numpy>=2.0.2",
+    "pandas>=2.3.3",
+    "scikit-learn>=1.6.1",
+    "scipy>=1.13.1",
+    "streamlit>=1.50.0",
+    "xgboost>=2.1.4",
+]

scripts/app.py

@@ -0,0 +1,223 @@
+import os
+import sys
+from pathlib import Path
+
+import joblib
+import numpy as np
+import pandas as pd
+import streamlit as st
+from huggingface_hub import hf_hub_download
+
+ARTIFACT_REPO = "wasicse/mvppred-artifacts"
+ARTIFACT_FILES = [
+    "angle_bundle.joblib",
+    "bite_bundle.joblib",
+    "distance_capacity_bundle.joblib",
+    "endurance_bundle.joblib",
+    "jump_accel_bundle.joblib",
+    "jump_distance_bundle.joblib",
+    "jump_power_bundle.joblib",
+    "jump_vel_bundle.joblib",
+    "sprint_bundle.joblib",
+]
+
+@st.cache_resource
+def ensure_artifacts():
+    outdir = Path("artifacts_inference")
+    outdir.mkdir(exist_ok=True)
+
+    for name in ARTIFACT_FILES:
+        target = outdir / name
+        if not target.exists():
+            downloaded = hf_hub_download(
+                repo_id=ARTIFACT_REPO,
+                filename=name,
+                repo_type="model",
+            )
+            target.write_bytes(Path(downloaded).read_bytes())
+
+ensure_artifacts()
+
+# Make sure project root is on PYTHONPATH (so src/... imports work)
+ROOT = Path(__file__).resolve().parents[1]
+if str(ROOT) not in sys.path:
+    sys.path.insert(0, str(ROOT))
+
+from infer import predict_with_confidence
+
+st.set_page_config(page_title="Lizard Performance Predictor", layout="wide")
+st.title("MVPpred: Lizard Performance Predictor")
+st.caption("Enter phenotypic features manually (use -1 for missing) and view predictions + confidence.")
+
+# -------------------------
+# Hardcoded config (remove widgets)
+# -------------------------
+BUNDLE_DIR = "artifacts_inference"  # <-- set once here
+INTERVAL = "q90"                    # <-- set once here ("q90" or "q95")
+
+# -------------------------
+# Cache model bundles (huge speedup)
+# -------------------------
+@st.cache_resource
+def load_bundle(path: str):
+    return joblib.load(path)
+
+# -------------------------
+# Load available targets
+# -------------------------
+if not os.path.isdir(BUNDLE_DIR):
+    st.error(f"Bundle directory not found: {BUNDLE_DIR}")
+    st.stop()
+
+bundle_files = sorted([f for f in os.listdir(BUNDLE_DIR) if f.endswith("_bundle.joblib")])
+if not bundle_files:
+    st.error("No *_bundle.joblib files found in bundle directory.")
+    st.stop()
+
+targets = [f.replace("_bundle.joblib", "") for f in bundle_files]
+selected_targets = st.multiselect("Targets to predict", targets, default=targets)
+
+st.divider()
+
+# -------------------------
+# Default example sample (your provided row)
+# -------------------------
+default_sample = {
+    "taxon": 69,
+    "genus": 22,
+    "species": 68,
+    "sex_num": 0,        # 0/1 coding in your table
+    "mass": 3.04,
+    "svl": 52.32,
+    "hl": 12.905,
+    "hw": -1.0,
+    "hh": -1.0,
+    "femur": 10.675,
+    "tibia": 8.8325,
+    "metat": 4.23,
+    "hindtoe": 11.37,
+    "humerus": 5.365,
+    "radius": 6.31,
+    "metac": 2.3175,
+    "foretoe": 5.8125,
+    "tail": 37.265,
+}
+
+st.subheader("Enter one sample")
+
+with st.form("manual_input_form"):
+    # Optional taxonomy fields (kept for display; model may ignore them)
+    c0, c1, c2, c3 = st.columns(4)
+    with c0:
+        taxon = st.number_input("taxon", value=int(default_sample["taxon"]))
+    with c1:
+        genus = st.number_input("genus", value=int(default_sample["genus"]))
+    with c2:
+        species = st.number_input("species", value=int(default_sample["species"]))
+    with c3:
+        # Keep your original m/f, but prefill from sex_num (0 -> m, 1 -> f)
+        default_sex = "m" if int(default_sample["sex_num"]) == 0 else "f"
+        sex = st.selectbox("sex (m/f)", ["m", "f"], index=0 if default_sex == "m" else 1)
+
+    col1, col2, col3 = st.columns(3)
+
+    with col1:
+        mass = st.number_input("mass", value=float(default_sample["mass"]))
+        svl = st.number_input("svl", value=float(default_sample["svl"]))
+        hl = st.number_input("hl", value=float(default_sample["hl"]))
+        hw = st.number_input("hw", value=float(default_sample["hw"]))
+        hh = st.number_input("hh", value=float(default_sample["hh"]))
+
+    with col2:
+        femur = st.number_input("femur", value=float(default_sample["femur"]))
+        tibia = st.number_input("tibia", value=float(default_sample["tibia"]))
+        metat = st.number_input("metat", value=float(default_sample["metat"]))
+        hindtoe = st.number_input("hindtoe", value=float(default_sample["hindtoe"]))
+
+    with col3:
+        humerus = st.number_input("humerus", value=float(default_sample["humerus"]))
+        radius = st.number_input("radius", value=float(default_sample["radius"]))
+        metac = st.number_input("metac", value=float(default_sample["metac"]))
+        foretoe = st.number_input("foretoe", value=float(default_sample["foretoe"]))
+        tail = st.number_input("tail", value=float(default_sample["tail"]))
+
+    run_btn = st.form_submit_button("Run predictions")
+
+# -------------------------
+# Run predictions (with progress)
+# -------------------------
+if run_btn:
+    if not selected_targets:
+        st.warning("Please select at least one target.")
+        st.stop()
+
+    # Build 1-row dataframe for the model (ONLY include columns used in training)
+    input_row = {
+        "sex": sex,  # your pipeline expects m/f
+        "mass": mass,
+        "svl": svl,
+        "hl": hl,
+        "hw": hw,
+        "hh": hh,
+        "femur": femur,
+        "tibia": tibia,
+        "metat": metat,
+        "hindtoe": hindtoe,
+        "humerus": humerus,
+        "radius": radius,
+        "metac": metac,
+        "foretoe": foretoe,
+        "tail": tail,
+    }
+    df = pd.DataFrame([input_row])
+
+    progress = st.progress(0)
+    status = st.empty()
+
+    all_outputs = []
+    n = len(selected_targets)
+
+    for i, t in enumerate(selected_targets, start=1):
+        status.write(f"Running {t} ({i}/{n}) …")
+        path = os.path.join(BUNDLE_DIR, f"{t}_bundle.joblib")
+        bundle = load_bundle(path)  # cached
+
+        out = predict_with_confidence(bundle, df, interval=INTERVAL)
+        out.insert(0, "target", t)
+        all_outputs.append(out.reset_index(drop=True))
+
+        progress.progress(i / n)
+
+    status.write("Prediction Complete.")
+    result = pd.concat(all_outputs, axis=0, ignore_index=True)
+
+    st.subheader("Predictions (with confidence)")
+    st.dataframe(result, use_container_width=True)
+
+    # st.subheader("Confidence summary")
+    # st.write(result["confidence_label"].value_counts(dropna=False))
+
+    # # Make per-target view optional (faster UI)
+    # show_cards = st.checkbox("Show per-target view", value=False)
+    # if show_cards:
+    #     st.subheader("Per-target view")
+    #     for _, row in result.iterrows():
+    #         with st.expander(f"{row['target']} — {row['confidence_label']} (score={row['confidence_score']:.2f})"):
+    #             st.write(
+    #                 {
+    #                     "prediction": float(row["prediction"]),
+    #                     "lower": float(row["lower"]) if np.isfinite(row["lower"]) else None,
+    #                     "upper": float(row["upper"]) if np.isfinite(row["upper"]) else None,
+    #                     "confidence_score": float(row["confidence_score"]),
+    #                     "confidence_label": row["confidence_label"],
+    #                     "note": row.get("note", ""),
+    #                 }
+    #             )
+
+    csv_out = result.to_csv(index=False).encode("utf-8")
+    st.download_button(
+        "Download results CSV",
+        csv_out,
+        file_name="predictions_with_confidence.csv",
+        mime="text/csv",
+    )

scripts/infer.py

@@ -0,0 +1,165 @@
+# src/infer.py
+from __future__ import annotations
+import numpy as np
+import pandas as pd
+
+def _ensure_cols(df: pd.DataFrame, cols: list[str]) -> pd.DataFrame:
+    """Add any missing columns in one concat (avoids fragmentation)."""
+    missing = [c for c in cols if c not in df.columns]
+    if not missing:
+        return df
+
+    add = pd.DataFrame(np.nan, index=df.index, columns=missing)
+    out = pd.concat([df, add], axis=1)
+    return out.copy()  # defragment
+
+def _base_model_preds(stacking_model, X: np.ndarray) -> np.ndarray:
+    """
+    Extract base estimator predictions from sklearn StackingRegressor (robustly).
+    Handles both:
+      - estimators_ : list of fitted estimators (most common)
+      - estimators  : list of (name, estimator) pairs (pre-fit)
+    """
+    preds = []
+
+    # Prefer fitted estimators_
+    ests = getattr(stacking_model, "estimators_", None)
+    if ests is None:
+        # fallback to pre-fit definition (name, estimator)
+        ests = [e for e in getattr(stacking_model, "estimators", [])]
+
+    for item in ests or []:
+        # item may be an estimator OR (name, estimator)
+        est = item[1] if isinstance(item, (tuple, list)) and len(item) >= 2 else item
+
+        if est is None or est == "drop":
+            continue
+
+        try:
+            p = est.predict(X)
+            preds.append(np.asarray(p).reshape(-1))
+        except Exception:
+            pass
+
+    if not preds:
+        return np.zeros((X.shape[0], 1))
+
+    return np.column_stack(preds)  # (n_samples, n_base)
+
+
+
+
+def _safe_minmax_norm(x: np.ndarray) -> np.ndarray:
+    """Min-max normalize, but if constant vector -> zeros."""
+    x = np.asarray(x, dtype=float)
+    xmin = np.nanmin(x)
+    xmax = np.nanmax(x)
+    if not np.isfinite(xmin) or not np.isfinite(xmax) or (xmax - xmin) < 1e-12:
+        return np.zeros_like(x, dtype=float)
+    return (x - xmin) / (xmax - xmin)
+
+
+def _norm_with_training_scale(x: np.ndarray, scale: float | None) -> np.ndarray:
+    """
+    Normalize with a training-derived scale (e.g., p95).
+    If scale missing/invalid -> fallback to minmax (but stable for 1 row).
+    """
+    x = np.asarray(x, dtype=float)
+    if scale is not None and np.isfinite(scale) and scale > 1e-12:
+        return np.clip(x / scale, 0.0, 1.0)
+    return _safe_minmax_norm(x)
+
+
+def predict_with_confidence(bundle: dict, new_df: pd.DataFrame, interval: str = "q90") -> pd.DataFrame:
+    """
+    Returns a DF with prediction, interval, confidence_score, confidence_label, flags.
+    interval: 'q90' or 'q95'
+    """
+    model = bundle["model"]
+    imputer = bundle["imputer"]
+    impute_cols = bundle["impute_cols"]
+    feature_cols = bundle["feature_cols"]
+
+    calib = bundle.get("calibration", {})          # contains q90/q95, etc.
+    missing_rate = bundle.get("missing_rate", None)
+
+    # Replace sentinel missing
+    df = new_df.replace(-1, np.nan)
+    df = _ensure_cols(df, impute_cols)
+
+    # Impute
+    imputed = pd.DataFrame(
+        imputer.transform(df[impute_cols]),
+        columns=impute_cols,
+        index=df.index,
+    )
+
+    X = imputed[feature_cols].values
+    pred = model.predict(X)
+
+    # Conformal interval half-width
+    q = float(calib.get(interval, np.nan))
+    lower = pred - q if np.isfinite(q) else np.full_like(pred, np.nan)
+    upper = pred + q if np.isfinite(q) else np.full_like(pred, np.nan)
+
+    # ---- Confidence components ----
+
+    # 1) Disagreement across base estimators
+    base_preds = _base_model_preds(model, X)
+    disagreement = np.std(base_preds, axis=1) if base_preds.shape[1] > 1 else np.zeros(len(pred))
+
+    # If you saved training disagreement stats, use them for stable scaling
+    # e.g. bundle["disagreement_stats"] = {"p95": 0.123}
+    dis_stats = bundle.get("disagreement_stats", {})
+    dis_p95 = dis_stats.get("p95", None)
+    d_norm = _norm_with_training_scale(disagreement, dis_p95)
+
+    # 2) Missing input fraction
+    missing_input_frac = df[impute_cols].isna().mean(axis=1).values
+    m_norm = np.clip(missing_input_frac, 0.0, 1.0)
+
+    # 3) Interval width penalty (bigger q => lower confidence)
+    # If you saved training q stats, use them too (recommended)
+    # e.g. bundle["interval_stats"] = {"q90_p95": 12.3, "q95_p95": 15.8}
+    int_stats = bundle.get("interval_stats", {})
+    q_scale = int_stats.get(f"{interval}_p95", None)
+    if np.isfinite(q):
+        q_norm = _norm_with_training_scale(np.full(len(pred), q, dtype=float), q_scale)
+    else:
+        q_norm = np.zeros(len(pred), dtype=float)
+
+    # Weighted score (tune weights as you like)
+    # - missingness is usually most important
+    # - then interval width
+    # - then model disagreement
+    score = 1.0 - (0.45 * m_norm + 0.35 * q_norm + 0.20 * d_norm)
+
+    # Apply training missingness penalty (your existing logic)
+    sparse_flag = (
+        missing_rate is not None
+        and np.isfinite(missing_rate)
+        and missing_rate >= 0.90
+    )
+    if sparse_flag:
+        score = np.minimum(score, 0.35)
+
+    score = np.clip(score, 0.0, 1.0)
+
+    # Labels
+    label = np.where(score >= 0.75, "High", np.where(score >= 0.50, "Medium", "Low"))
+    if sparse_flag:
+        label[:] = "Low"
+
+    out = pd.DataFrame(
+        {
+            "prediction": pred,
+            "lower": lower,
+            "upper": upper,
+            "confidence_score": score,
+            "confidence_label": label,
+        },
+        index=df.index,
+    )
+
+    out["note"] = "⚠️ Target had ~90%+ missing in training; treat as noisy." if sparse_flag else ""
+    return out

scripts/train_eval.py

@@ -0,0 +1,91 @@
+# scripts/train_eval.py
+from __future__ import annotations
+
+import pandas as pd
+import sys
+from pathlib import Path
+import numpy as np
+import os
+os.environ["OMP_NUM_THREADS"] = "64"
+os.environ["OPENBLAS_NUM_THREADS"] = "64"
+os.environ["MKL_NUM_THREADS"] = "64"
+os.environ["NUMEXPR_NUM_THREADS"] = "64"
+
+
+# Add project root to PYTHONPATH so `import src...` works when running as a script
+ROOT = Path(__file__).resolve().parents[1]
+if str(ROOT) not in sys.path:
+    sys.path.insert(0, str(ROOT))
+
+from src.pipeline import run_10fold_cv_paper_like
+
+def load_data() -> tuple[pd.DataFrame, list[str], list[str]]:
+    import pandas as pd
+
+    morph_path = "Data/morph_dataset.csv"
+    perf_path  = "Data/performance_dataset.csv"
+
+    morph_df = pd.read_csv(morph_path)
+    perf_df  = pd.read_csv(perf_path)
+
+    # Convert -1 to NaN
+    morph_df = morph_df.replace(-1, np.nan)
+    perf_df  = perf_df.replace(-1, np.nan)
+
+    # If row counts differ, stop (can't safely align)
+    if len(morph_df) != len(perf_df):
+        raise ValueError(
+            f"Row counts differ: morph={len(morph_df)} perf={len(perf_df)}. "
+            "Need a shared ID column to merge."
+        )
+
+    # Row-aligned join
+    data = pd.concat([morph_df.reset_index(drop=True),
+                      perf_df.reset_index(drop=True)], axis=1)
+
+    # Define targets exactly like your performance CSV columns (excluding ecomorph label)
+    targets = [
+        "sprint", "endurance", "bite", "distance_capacity",
+        "jump_distance", "jump_vel", "jump_accel", "jump_power", "angle"
+    ]
+
+    # Categorical columns to one-hot encode (based on your header)
+    cat_cols = ["taxon", "genus", "species", "sex", "ecomorph"]
+
+    # Morphology numeric columns (everything in morph_df except categorical)
+    # Your morph headers: taxon, genus, species, sex, mass, svl, hl, hw, ...
+    morph_numeric = [c for c in morph_df.columns if c not in cat_cols]
+
+    # One-hot encode categorical columns (keep NaNs as its own category if any)
+    data[cat_cols] = data[cat_cols].astype("Int64")  # keep missing-safe ints
+    data = pd.get_dummies(data, columns=cat_cols, dummy_na=True)
+
+    # After get_dummies, morph_cols should be:
+    # - numeric morphology columns (mass, svl, hl, ...)
+    # - plus the created one-hot columns for taxon/genus/species/sex/ecomorph
+    dummy_cols = [c for c in data.columns if any(c.startswith(f"{cc}_") for cc in cat_cols)]
+    morph_cols = morph_numeric + dummy_cols
+
+    # Sanity check: ensure targets exist
+    missing = [t for t in targets if t not in data.columns]
+    if missing:
+        raise ValueError(f"Targets missing from merged data: {missing}. Check perf CSV header.")
+
+    return data, morph_cols, targets
+
+
+def main():
+    data, morph_cols, targets = load_data()
+
+    results = run_10fold_cv_paper_like(
+        data=data,
+        morph_cols=morph_cols,
+        targets=targets,
+        experiment_tag="paper_like_cv",
+        max_folds=1,  
+    )
+    print("\nCV Results:")
+    print(results.sort_values("target"))
+
+if __name__ == "__main__":
+    main()

scripts/train_final.py

@@ -0,0 +1,97 @@
+# scripts/train_final.py
+from __future__ import annotations
+
+import pandas as pd
+import sys
+from pathlib import Path
+import numpy as np
+import os
+
+
+import os
+os.environ["OMP_NUM_THREADS"] = "64"
+os.environ["OPENBLAS_NUM_THREADS"] = "64"
+os.environ["MKL_NUM_THREADS"] = "64"
+os.environ["NUMEXPR_NUM_THREADS"] = "64"
+
+
+# Add project root to PYTHONPATH so `import src...` works when running as a script
+ROOT = Path(__file__).resolve().parents[1]
+if str(ROOT) not in sys.path:
+    sys.path.insert(0, str(ROOT))
+
+from src.pipeline import run_10fold_cv_paper_like
+from src.pipeline import train_and_save_final_models
+
+
+def load_data() -> tuple[pd.DataFrame, list[str], list[str]]:
+    import pandas as pd
+
+    morph_path = "Data/morph_dataset.csv"
+    perf_path  = "Data/performance_dataset.csv"
+
+    morph_df = pd.read_csv(morph_path)
+    perf_df  = pd.read_csv(perf_path)
+
+    # Convert -1 to NaN
+    morph_df = morph_df.replace(-1, np.nan)
+    perf_df  = perf_df.replace(-1, np.nan)
+
+    # If row counts differ, stop (can't safely align)
+    if len(morph_df) != len(perf_df):
+        raise ValueError(
+            f"Row counts differ: morph={len(morph_df)} perf={len(perf_df)}. "
+            "Need a shared ID column to merge."
+        )
+
+    # Row-aligned join
+    data = pd.concat([morph_df.reset_index(drop=True),
+                      perf_df.reset_index(drop=True)], axis=1)
+
+    # Define targets exactly like your performance CSV columns (excluding ecomorph label)
+    targets = [
+        "sprint", "endurance", "bite", "distance_capacity",
+        "jump_distance", "jump_vel", "jump_accel", "jump_power", "angle"
+    ]
+
+    # Categorical columns to one-hot encode (based on your header)
+    cat_cols = ["taxon", "genus", "species", "sex", "ecomorph"]
+
+    # Morphology numeric columns (everything in morph_df except categorical)
+    # Your morph headers: taxon, genus, species, sex, mass, svl, hl, hw, ...
+    morph_numeric = [c for c in morph_df.columns if c not in cat_cols]
+
+    # One-hot encode categorical columns (keep NaNs as its own category if any)
+    data[cat_cols] = data[cat_cols].astype("Int64")  # keep missing-safe ints
+    data = pd.get_dummies(data, columns=cat_cols, dummy_na=True)
+
+    # After get_dummies, morph_cols should be:
+    # - numeric morphology columns (mass, svl, hl, ...)
+    # - plus the created one-hot columns for taxon/genus/species/sex/ecomorph
+    dummy_cols = [c for c in data.columns if any(c.startswith(f"{cc}_") for cc in cat_cols)]
+    morph_cols = morph_numeric + dummy_cols
+
+    # Sanity check: ensure targets exist
+    missing = [t for t in targets if t not in data.columns]
+    if missing:
+        raise ValueError(f"Targets missing from merged data: {missing}. Check perf CSV header.")
+
+    return data, morph_cols, targets
+
+
+def main():
+    data, morph_cols, targets = load_data()
+
+    saved = train_and_save_final_models(
+        data=data,
+        morph_cols=morph_cols,
+        targets=targets,
+        save_dir="artifacts_inference",
+        experiment_name="InferenceModels_SM2_KNN",
+        experiment_tag="final_fit",
+    )
+    print("\nSaved bundles:")
+    print(saved)
+
+if __name__ == "__main__":
+    main()

src/config.py

@@ -0,0 +1,18 @@
+# src/config.py
+from __future__ import annotations
+
+# Paper Table 2: optimum K per performance trait
+K_BY_TARGET = {
+    "jump_power": 165,
+    "jump_accel": 29,
+    "bite": 57,
+    "jump_vel": 16,
+    "endurance": 154,
+    "sprint": 84,
+    "jump_distance": 46,
+    "distance_capacity": 25,  # paper calls this "Stamina"
+    "angle": 34,
+}
+
+N_SPLITS = 10
+RANDOM_STATE = 42

src/models.py

@@ -0,0 +1,52 @@
+# src/models.py
+from __future__ import annotations
+
+from sklearn.ensemble import (
+    ExtraTreesRegressor,
+    RandomForestRegressor,
+    GradientBoostingRegressor,
+    StackingRegressor,
+)
+
+# Optional XGBoost (paper uses XGBR in base layer)
+try:
+    from xgboost import XGBRegressor
+    HAS_XGB = True
+except Exception:
+    HAS_XGB = False
+
+
+def build_sm2_stacking(random_state: int = 42) -> StackingRegressor:
+    """
+    SM2-style stacking:
+      Base: ETR, RFR, GBR, (XGBR if available)
+      Meta: GBR
+    """
+    base_estimators = [
+        ("etr", ExtraTreesRegressor(n_estimators=1000, random_state=random_state, n_jobs=-1)),
+        ("rfr", RandomForestRegressor(n_estimators=1000, random_state=random_state, n_jobs=-1)),
+        ("gbr", GradientBoostingRegressor(random_state=random_state)),
+    ]
+
+    if HAS_XGB:
+        base_estimators.append(
+            ("xgbr", XGBRegressor(
+                n_estimators=100,
+                max_depth=6,
+                learning_rate=0.1,
+                subsample=0.9,
+                reg_lambda=1.0,
+                random_state=random_state,
+                n_jobs=-1,
+                tree_method="hist",
+            ))
+        )
+
+    meta = GradientBoostingRegressor(random_state=random_state)
+
+    return StackingRegressor(
+        estimators=base_estimators,
+        final_estimator=meta,
+        passthrough=True,
+        n_jobs=-1,
+    )

src/pipeline.py

@@ -0,0 +1,333 @@
+# src/pipeline.py
+from __future__ import annotations
+
+import os
+import joblib
+import numpy as np
+import pandas as pd
+
+from scipy.stats import pearsonr
+from sklearn.impute import KNNImputer
+from sklearn.metrics import mean_absolute_error
+from sklearn.model_selection import KFold
+
+import mlflow
+
+from src.config import K_BY_TARGET, N_SPLITS, RANDOM_STATE
+from src.models import build_sm2_stacking
+import json
+
+def save_conformal_calibration(residuals_by_target: dict[str, list[float]], out_path: str):
+    """
+    Save empirical absolute residual distributions for conformal prediction intervals.
+    """
+    calib = {}
+    for t, res in residuals_by_target.items():
+        arr = np.array(res, dtype=float)
+        arr = arr[~np.isnan(arr)]
+        calib[t] = {
+            "n": int(arr.size),
+            # 90% and 95% absolute error quantiles (change as you like)
+            "q90": float(np.quantile(arr, 0.90)) if arr.size else float("nan"),
+            "q95": float(np.quantile(arr, 0.95)) if arr.size else float("nan"),
+        }
+    with open(out_path, "w") as f:
+        json.dump(calib, f, indent=2)
+
+
+def replace_minus_one_with_nan(df: pd.DataFrame) -> pd.DataFrame:
+    return df.replace(-1, np.nan)
+
+
+def safe_pcc(y_true: np.ndarray, y_pred: np.ndarray) -> float:
+    if np.std(y_true) == 0 or np.std(y_pred) == 0:
+        return float("nan")
+    return float(pearsonr(y_true, y_pred)[0])
+
+
+def evaluate_observed_only(y_true_raw: np.ndarray, y_pred: np.ndarray, observed_mask: np.ndarray) -> tuple[float, float]:
+    """
+    Score ONLY on entries where the target was originally observed (not missing).
+    This avoids giving yourself credit for predicting imputed labels.
+    """
+    y_true = y_true_raw[observed_mask]
+    y_hat = y_pred[observed_mask]
+    mae = float(mean_absolute_error(y_true, y_hat))
+    pcc = safe_pcc(y_true, y_hat)
+    return mae, pcc
+
+
+def run_10fold_cv_paper_like(
+    data: pd.DataFrame,
+    morph_cols: list[str],
+    targets: list[str],
+    experiment_tag: str = "",
+    max_folds: int | None = None,
+) -> pd.DataFrame:
+    """
+    Paper-like evaluation:
+      - 10-fold CV
+      - KNN imputation per target (K from Table 2) fit on TRAIN fold only
+      - SM2-like stacking model trained per fold
+      - score only on observed test labels
+    """
+    data = replace_minus_one_with_nan(data).copy()
+    kf = KFold(n_splits=N_SPLITS, shuffle=True, random_state=RANDOM_STATE)
+
+        # ADD THIS BLOCK
+    residuals_by_target = {t: [] for t in targets}
+    missing_rate = {t: float(data[t].isna().mean()) for t in targets}
+
+    results = []
+
+    for target in targets:
+        if target not in K_BY_TARGET:
+            raise ValueError(f"Target '{target}' missing from K_BY_TARGET (paper Table 2 mapping).")
+
+        K = K_BY_TARGET[target]
+        fold_mae, fold_pcc = [], []
+
+        print(f"\n=== CV Target: {target} | KNN K={K} ===")
+
+        for fold, (train_idx, test_idx) in enumerate(kf.split(data), start=1):
+            train_df = data.iloc[train_idx].copy()
+            test_df = data.iloc[test_idx].copy()
+
+            # observed mask for proper evaluation
+            y_test_raw = test_df[target].values
+            y_test_observed_mask = test_df[target].notna().values
+
+            # Impute morphology + all targets (fit on train only -> no leakage)
+            impute_cols = morph_cols + targets
+            knn = KNNImputer(n_neighbors=K, weights="distance")
+
+            train_imputed = pd.DataFrame(
+                knn.fit_transform(train_df[impute_cols]),
+                columns=impute_cols,
+                index=train_df.index,
+            )
+            test_imputed = pd.DataFrame(
+                knn.transform(test_df[impute_cols]),
+                columns=impute_cols,
+                index=test_df.index,
+            )
+
+            # Features: morphology + other (imputed) performance traits (excluding target)
+            feature_cols = morph_cols + [t for t in targets if t != target]
+
+
+
+            # X_train = train_imputed[feature_cols].values
+            # y_train = train_imputed[target].values
+
+            # X_test = test_imputed[feature_cols].values
+
+            # model = build_sm2_stacking(random_state=RANDOM_STATE)
+            # model.fit(X_train, y_train)
+
+            # y_pred = model.predict(X_test)
+
+
+
+            X_train_all = train_imputed[feature_cols].values
+            X_test = test_imputed[feature_cols].values
+
+            y_train_raw = train_df[target].values  # raw y (NaNs where missing)
+            obs_train = ~np.isnan(y_train_raw)
+
+            # Train only on observed labels
+            model = build_sm2_stacking(random_state=RANDOM_STATE)
+            model.fit(X_train_all[obs_train], y_train_raw[obs_train])
+
+            y_pred = model.predict(X_test)
+
+
+
+
+            # --- NEW: collect observed-only absolute residuals for conformal calibration
+            obs = y_test_observed_mask
+            abs_resid = np.abs(y_test_raw[obs] - y_pred[obs])
+            residuals_by_target[target].extend(abs_resid.tolist())
+
+
+            mae, pcc = evaluate_observed_only(y_test_raw, y_pred, y_test_observed_mask)
+            fold_mae.append(mae)
+            fold_pcc.append(pcc)
+
+            # MLflow logging per fold (optional but matches your style)
+            mlflow.set_experiment(target)
+            run_name = f"{target}_fold_{fold}{('_' + experiment_tag) if experiment_tag else ''}"
+            with mlflow.start_run(run_name=run_name):
+                mlflow.log_param("target", target)
+                mlflow.log_param("knn_k", K)
+                mlflow.log_param("n_splits", N_SPLITS)
+                mlflow.log_param("n_features", len(feature_cols))
+                mlflow.log_metric("mae", mae)
+                mlflow.log_metric("pcc", pcc)
+                mlflow.log_metric("n_test_observed", int(y_test_observed_mask.sum()))
+                mlflow.log_metric("n_test_total", int(len(test_idx)))
+
+            print(f"Fold {fold:02d}: MAE={mae:.4f}, PCC={pcc:.4f}, n_obs={y_test_observed_mask.sum()}")
+            if max_folds is not None and fold >= max_folds:
+                break
+
+        target_mae = float(np.nanmean(fold_mae))
+        target_pcc = float(np.nanmean(fold_pcc))
+
+        results.append({"target": target, "mae_mean": target_mae, "pcc_mean": target_pcc})
+
+        print(f"--- {target} AVERAGE: MAE={target_mae:.4f}, PCC={target_pcc:.4f}")
+
+        # Log summary per target
+        mlflow.set_experiment("CombinedResults")
+        with mlflow.start_run(run_name=f"{target}_avg{('_' + experiment_tag) if experiment_tag else ''}"):
+            mlflow.log_param("target", target)
+            mlflow.log_metric("mae_mean", target_mae)
+            mlflow.log_metric("pcc_mean", target_pcc)
+
+    results_df = pd.DataFrame(results)
+    overall_mae = float(results_df["mae_mean"].mean())
+    overall_pcc = float(results_df["pcc_mean"].mean())
+
+    print("\n=== OVERALL AVERAGE (across targets) ===")
+    print(f"MAE={overall_mae:.4f}, PCC={overall_pcc:.4f}")
+
+    mlflow.set_experiment("CombinedResults")
+    with mlflow.start_run(run_name=f"overall_avg{('_' + experiment_tag) if experiment_tag else ''}"):
+        mlflow.log_metric("mae_overall_mean", overall_mae)
+        mlflow.log_metric("pcc_overall_mean", overall_pcc)
+
+
+    # --- NEW: save conformal calibration + missingness rate for inference-time confidence
+    os.makedirs("artifacts_inference", exist_ok=True)
+
+    calib_path = "artifacts_inference/calibration_conformal.json"
+    save_conformal_calibration(residuals_by_target, calib_path)
+    mlflow.log_artifact(calib_path)
+
+    mr_path = "artifacts_inference/missing_rate.json"
+    with open(mr_path, "w") as f:
+        json.dump(missing_rate, f, indent=2)
+    mlflow.log_artifact(mr_path)
+
+
+    return results_df
+
+
+def train_and_save_final_models(
+    data: pd.DataFrame,
+    morph_cols: list[str],
+    targets: list[str],
+    save_dir: str = "artifacts_inference",
+    experiment_name: str = "InferenceModels_SM2_KNN",
+    experiment_tag: str = "",
+    calibration_path: str = "artifacts_inference/calibration_conformal.json",
+    missing_rate_path: str = "artifacts_inference/missing_rate.json",
+) -> pd.DataFrame:
+    """
+    Deployment training:
+      - Fit ONE model per target on full dataset
+      - Save a joblib bundle per target:
+          {
+            imputer, model, feature_cols, impute_cols,
+            target, knn_k, calibration, missing_rate
+          }
+
+    Notes:
+      - Expects calibration_conformal.json and missing_rate.json to have been
+        produced by the CV script (train_eval) first.
+      - If those files don't exist, it will still train & save bundles, but
+        bundles will have empty calibration/missing_rate.
+    """
+    import os
+    import json
+    import joblib
+    import numpy as np
+    import pandas as pd
+    import mlflow
+    from sklearn.impute import KNNImputer
+
+    # Uses these from your existing module:
+    # - replace_minus_one_with_nan
+    # - K_BY_TARGET
+    # - RANDOM_STATE
+    # - build_sm2_stacking
+
+    os.makedirs(save_dir, exist_ok=True)
+    data = replace_minus_one_with_nan(data).copy()
+
+    # Load calibration + missingness (generated by CV eval)
+    calib = json.load(open(calibration_path)) if os.path.exists(calibration_path) else {}
+    miss = json.load(open(missing_rate_path)) if os.path.exists(missing_rate_path) else {}
+
+    saved_rows: list[dict] = []
+
+    mlflow.set_experiment(experiment_name)
+    run_name = f"train_final_models{('_' + experiment_tag) if experiment_tag else ''}"
+
+    with mlflow.start_run(run_name=run_name):
+        for target in targets:
+            if target not in K_BY_TARGET:
+                raise ValueError(f"Target '{target}' missing from K_BY_TARGET (paper Table 2 mapping).")
+
+            K = K_BY_TARGET[target]
+
+            # Impute morphology + all targets on FULL data (deployment fit)
+            impute_cols = morph_cols + targets
+            knn = KNNImputer(n_neighbors=K, weights="distance")
+
+            imputed_full = pd.DataFrame(
+                knn.fit_transform(data[impute_cols]),
+                columns=impute_cols,
+                index=data.index,
+            )
+
+            # Features: morphology + other performance traits (excluding current target)
+            feature_cols = morph_cols + [t for t in targets if t != target]
+            X = imputed_full[feature_cols].values
+            y = imputed_full[target].values
+
+            # Train SM2-like stacking model
+            model = build_sm2_stacking(random_state=RANDOM_STATE)
+            model.fit(X, y)
+
+            # Bundle for inference
+            bundle = {
+                "target": target,
+                "knn_k": K,
+                "imputer": knn,
+                "model": model,
+                "feature_cols": feature_cols,
+                "impute_cols": impute_cols,
+                "morph_cols": morph_cols,
+                "targets": targets,
+                # Uncertainty + confidence inputs:
+                "calibration": calib.get(target, {}),          # e.g., {"n":..., "q90":..., "q95":...}
+                "missing_rate": miss.get(target, None),        # float like 0.91
+            }
+
+            out_path = os.path.join(save_dir, f"{target}_bundle.joblib")
+            joblib.dump(bundle, out_path)
+
+            # Log artifact(s)
+            mlflow.log_artifact(out_path)
+            mlflow.log_param(f"{target}_knn_k", K)
+            if bundle["missing_rate"] is not None:
+                mlflow.log_metric(f"{target}_missing_rate", float(bundle["missing_rate"]))
+
+            saved_rows.append({"target": target, "knn_k": K, "path": out_path})
+            print(f"Saved: {out_path}")
+
+        # Save a manifest for convenience
+        manifest_path = os.path.join(save_dir, "manifest.csv")
+        pd.DataFrame(saved_rows).to_csv(manifest_path, index=False)
+        mlflow.log_artifact(manifest_path)
+
+        # Also log the calibration/missingness files if present
+        if os.path.exists(calibration_path):
+            mlflow.log_artifact(calibration_path)
+        if os.path.exists(missing_rate_path):
+            mlflow.log_artifact(missing_rate_path)
+
+    return pd.DataFrame(saved_rows)
+