Lessons/Графы/Графы, networkx.ipynb

{
 "cells": [
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "# Графы (сети), библиотека networkx\n",
    "\n",
    "## Что такое графы?\n",
    "\n",
    "Чтобы что-то научно исследовать, мы строим модель, то есть упрощённую схему, исследуемого предмета. Карта — модель пространства и того, что в нём находится, грамматическое описание -- модель реальной грамматической системы языка, а глоссированный текст — модель текста настоящего, произнесённого. В модель мы берём какие-то важные для нас данные, а другие отбрасываем, считая их неважными. Например, физики часто пренебрегают таким свойством предмета, как его размер, принимая во внимание только массу, скорость и ряд других характеристик, а сам объект считая \"материальной точкой\", то есть своего рода абстракцией (в реальности не может существовать предмет без пространственных характеристик). \n",
    "\n",
    "Частотный словарь — тоже модель, это модель реального текста, в которой мы важными параметрами, которые мы взяли в нашу модель, считаем сами слова и частоту их употребления. Но при этом мы отказываемся от ряда других характеристик, которые, на самом деле, даже важнее, чем частотность, — это связи между словами.\n",
    "\n",
    "Кажется, что это касается не только текста, но и многих других объектов реальности: связи между элементами системы важнее количества этих элементов. Посмотрите на любой сложный механизм. Скажем, самолёт. Что лучше даст нам представление о том, как он устроен: список всех винтиков, панелей и шарниров с указанием, сколько раз каждый из них задействован в конструкциии, или точный чертёж, из которого будет ясно, акэти винтики и панели соединяются друг сдругом и соединяются в единую систему? Очевидно, что второе.\n",
    "\n",
    "Модель, которая не только описывает элементы системы, но и фиксирует связи между ними, называется **графом** или **сетью**. В терминах графов может быть описана любая система, в которой можно выделить\n",
    "1. элементы (в графе они называются *узлами = вершинами = nodes = vertices*)\n",
    "2. связи между ними (они именуются *рёбрами = связями = edges = relations*).  \n",
    "\n",
    "Самый близкий нам пример — социальная сеть (не просто же так она сеть), где пользователи — узлы,а наличие \"дружбы\" между пользователями — ребро. Чуть менее очевидные графы, с которыми мы сталкиваемся каждый день — метро и интернет.\n",
    "\n",
    "<img src=\"https://raw.githubusercontent.com/ancatmara/DL-SFL-2019/master/assets/graph1.png\" width=\"450\" align=\"left\">\n",
    "\n",
    "<img src=\"http://www.zetatalk.com/newsletr/slide027.jpg\" width=\"400\" align=\"right\">"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "## Зачем нужны графы?\n",
    "\n",
    "Прежде всего, графы любят за то, что их можно визуализировать, и в результате получается красивая картинка:\n",
    "\n",
    "![картинка с каким-то графом](http://cs5702.userapi.com/v5702562/5a9/FWZOC62-Ogk.jpg)\n",
    "\n",
    "Действительно, визуальный анализ уже может дать довольно много, и рассматривание такой картинки в некотором смысле уже научная работа. \n",
    "\n",
    "Но не только. Рассматриванием картинок дело не ограничивается. Граф — это математический объект, в котором мы можем довольно много всего посчитать, и таким образом установить разные закономерности, доказать гипотезу. Это называется *сетевым анализом*. \n",
    "\n",
    "Для того, чтобы превращать данные (любые формализованные данные) в граф, можно использовать библиотеку `networkx`. [Вот ее документация](https://networkx.github.io/documentation/latest/index.html). Это не единственная библиотека для работы с графами в питоне ([вот полный список](https://wiki.python.org/moin/PythonGraphLibraries)), но, кажется, самая простая и удобная. "
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "# networkx"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "metadata": {},
   "outputs": [],
   "source": [
    "!pip install networkx"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 1,
   "metadata": {},
   "outputs": [],
   "source": [
    "import networkx as nx"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "## Создаем граф\n",
    "\n",
    "Мы можем пойти двумя путями, в зависимости от того, положения, в котором находимся. Первая ситуация: у нас есть какие-то данные, и нам нужно превратить их в граф. Тогда уместно создать сначала пустой объект графа и туда постепенно что-то добавлять."
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 2,
   "metadata": {},
   "outputs": [],
   "source": [
    "G = nx.Graph() # пустой граф\n",
    "G.add_node(1) # добавляем один узел\n",
    "G.add_nodes_from([2 ,3, 4, 5, 6, 7]) # добавляем несколько узлов сразу\n",
    "\n",
    "G.remove_node(2) # впрочем, один узел лишний, его, пожалуй, удалим\n",
    "\n",
    "# То, как мы обозначаем узлы (1, 2, 3 ...) — это их id. Но вообще-то мы можем приклеить к ним и человекопонятные ярлыки:\n",
    "G.add_node(1, label=\"node_1\")"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "Теперь укажем, какие узлы связаны между собой рёбрами."
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 3,
   "metadata": {},
   "outputs": [],
   "source": [
    "G.add_edge(1,3) # ребро между узлами 1 и 3\n",
    "G.add_edges_from([(1, 4), (1, 5), (3, 5), (4, 5), (1, 6), (1, 7)]) # сразу несколько рёбер\n",
    "\n",
    "G.remove_edge(1, 5) # хотя одно ребро лишнее..."
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "Посмотрим, что получилось."
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 4,
   "metadata": {},
   "outputs": [
    {
     "name": "stdout",
     "output_type": "stream",
     "text": [
      "узлы [1, 3, 4, 5, 6, 7]\n",
      "рёбра [(1, 3), (1, 4), (1, 6), (1, 7), (3, 5), (4, 5)]\n"
     ]
    }
   ],
   "source": [
    "print('узлы', G.nodes())\n",
    "print('рёбра', G.edges())"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 7,
   "metadata": {},
   "outputs": [
    {
     "name": "stdout",
     "output_type": "stream",
     "text": [
      "[3, 4, 6, 7]\n"
     ]
    },
    {
     "data": {
      "text/plain": [
       "<dict_keyiterator at 0x1a4815a2db8>"
      ]
     },
     "execution_count": 7,
     "metadata": {},
     "output_type": "execute_result"
    }
   ],
   "source": [
    "# Какие есть соседи у узла 1?\n",
    "\n",
    "print([n for n in G.neighbors(1)])\n",
    "G.neighbors(1) # это итератор"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 8,
   "metadata": {},
   "outputs": [
    {
     "data": {
      "text/plain": [
       "2"
      ]
     },
     "execution_count": 8,
     "metadata": {},
     "output_type": "execute_result"
    }
   ],
   "source": [
    "# А сколько есть соседей у узла 5?\n",
    "G.degree(5)"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 9,
   "metadata": {},
   "outputs": [
    {
     "name": "stdout",
     "output_type": "stream",
     "text": [
      "1 4\n",
      "3 2\n",
      "4 2\n",
      "5 2\n",
      "6 1\n",
      "7 1\n"
     ]
    }
   ],
   "source": [
    "# А теперь узнаем число соседей (в терминах теории графов — степень, она же мощность) каждого узла\n",
    "for node in G.nodes():\n",
    "    print (node, G.degree(node))"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "Кроме того, что графы просто отражают связи между узлами, они могут включать и характер этой связи. Например, в теории графов выделяются специальные взвешенные графы, это такие, у которых между узлами не просто наличествует ребро, но у этого ребра ещё и есть вес. В реальности взвешенным графом, например, может быть граф персонажей какой-то пьесы, в котором мы учитываем не только то, что персонажи этой пьесы находятся вместе на сцене (ребро), но и сколько раз они вступают в диалог (вес ребра)."
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 10,
   "metadata": {},
   "outputs": [],
   "source": [
    "# вес ребра можно добавить так:\n",
    "G.add_edge(1, 3, weight=4)"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "Отдельно выделяюся специальные направленные графы, где мы фиксируем не просто наличие и вес связи, но и её направление. Скажем, граф переписки нескольких отражает направление связи-письма, то есть, что именно X писал Y-ку, а не наоборот. Такой граф задаётся как специальный тип объекта:"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 11,
   "metadata": {},
   "outputs": [],
   "source": [
    "dg = nx.DiGraph()\n",
    "dg.add_weighted_edges_from([(1,4,0.5), (3,1,0.75)]) # от кого — кому и вес ребра"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "Итак, суммируем. Графы бывают:\n",
    "\n",
    "* ориентированные и неориентированные (связи-стрелочки vs обычные связи)\n",
    "* связные и несвязные (все узлы связаны vs есть узлы, которые оторваны от основного графа).\n",
    "* взвешенные и невзвешенные (связи имеют некоторое числовое значение или нет)\n"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "## Сохраняем и подгружаем граф\n",
    "\n",
    "Когда граф построен, его можно сохранить в каком-нибудь специальном формате. \n",
    "\n",
    "1. **csv**-таблица узлов/ребер\n",
    "2. **gml** (*Graph Modelling Language*) — простейший текстовый формат записи графа\n",
    "3. **graphml** — основанный на XML формат для записи графов\n",
    "4. **gexf** (*Graph Exchange XML Format*) — таже основан на XML, позволяет описывать не только структуру и элементы графа, но и метаданные, иерархию, динамику — в общем, самый продвинутый формат.\n",
    "\n",
    "Чтобы сохранить граф в виде файла в формате .gexf, достаточно вот такого кода:"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 10,
   "metadata": {
    "collapsed": true
   },
   "outputs": [],
   "source": [
    "nx.write_gexf(G, 'graph_file.gexf')"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "Загрузить данные из этого формата можно тоже одной строчкой:"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 11,
   "metadata": {
    "collapsed": true
   },
   "outputs": [],
   "source": [
    "G1 = nx.read_gexf('graph_file.gexf')"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "## Визуализация\n",
    "\n",
    "Визуализируем граф с помощью уже знакомого нам `matplotlib` (но есть и [другие способы](https://networkx.github.io/documentation/networkx-2.2/reference/drawing.html) визуализации графов в питоне).\n"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 2,
   "metadata": {
    "scrolled": true
   },
   "outputs": [],
   "source": [
    "import matplotlib.pyplot as plt\n",
    "from matplotlib import style\n",
    "style.use('ggplot') \n",
    "\n",
    "# для начала надо выбрать способ \"укладки\" графа. Их много, возьмём для начала такой:\n",
    "pos=nx.spring_layout(G)\n",
    "\n",
    "nx.draw_networkx_nodes(G, pos, node_color='red', node_size=50) # рисуем узлы красным цветом, задаём размер узла\n",
    "nx.draw_networkx_edges(G, pos, edge_color='yellow') # рисуем рёбра жёлтым\n",
    "plt.axis('off') # по умолчанию график будет снабжён осями с координатами, здесь они бессмысленны, так что отключаем\n",
    "plt.show() # что получилось?"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 14,
   "metadata": {},
   "outputs": [
    {
     "data": {
      "image/png": "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\n",
      "text/plain": [
       "<Figure size 432x288 with 1 Axes>"
      ]
     },
     "metadata": {},
     "output_type": "display_data"
    }
   ],
   "source": [
    "# То же, но добавим ещё подписи к узлам\n",
    "nx.draw_networkx_nodes(G, pos, node_color='red', node_size=10) \n",
    "nx.draw_networkx_edges(G, pos, edge_color='yellow')\n",
    "nx.draw_networkx_labels(G, pos, font_size=20, font_family='Arial')\n",
    "plt.axis('off') \n",
    "plt.show()"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "## Сетевой анализ\n",
    "\n",
    "Что мы можем узнать про свой граф?"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 17,
   "metadata": {},
   "outputs": [
    {
     "name": "stdout",
     "output_type": "stream",
     "text": [
      "6\n",
      "6\n"
     ]
    }
   ],
   "source": [
    "# число узлов и рёбер\n",
    "\n",
    "print(G.number_of_nodes())\n",
    "print(G.number_of_edges())"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "**Радиус** — минимальный эксцентриситет среди всех вершин графа.\n",
    "\n",
    "**Диаметр** — самый длинный путь от одной вершины до другой.\n",
    "\n",
    "**Коэффициент ассортативности** _\\(assortativity coefficient\\)_ определяет, с кем связаны \"важные\" узлы: если с другими \"важными\" узлами, то значение коэффициента высокое, а если нет – низкое.\n",
    "\n",
    "**Плотность графа** _\\(density\\)_ – отношение числа ребер к максимально возможному. В сообществах высокий коэффициент кластеризации и высокая плотность."
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 18,
   "metadata": {},
   "outputs": [
    {
     "name": "stdout",
     "output_type": "stream",
     "text": [
      "2\n",
      "3\n",
      "-0.7333333333333333\n",
      "0.4\n"
     ]
    }
   ],
   "source": [
    "# Радиус графа, минимальный эксцентриситет среди всех вершин графа\n",
    "print(nx.radius(G))\n",
    "\n",
    "# Диаметр графа, самый длинный путь от одной вершины до другой\n",
    "print(nx.diameter(G))\n",
    "\n",
    "# Коэффициент ассортативности (насколько вся сеть завязана на основных \"хабах\"):\n",
    "print(nx.degree_pearson_correlation_coefficient(G))\n",
    "\n",
    "# Плотность графа, отношение рёбер и узлов\n",
    "print(nx.density(G))"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "**Степень, или мощность узла** *(degree)* – это количество его связей.\n",
    "\n",
    "**Взвешенная степень** _\\(weighed degree\\)_ – это количество связей узла, разделенное на общее количество связей в графе.\n",
    "\n",
    "Важность узла можно определять разными способами:\n",
    "\n",
    "* **degree centrality**: у кого больше связей, тот и важнее\n",
    "* **closeness centrality**: чем центральнее узел \\(т.е. чем короче путь от него до всех остальных узлов\\), тем он важнее\n",
    "* **betweenness centrality**: количество кратчайших путей, проходящих через узел\n",
    "* **eigencentrality**: чем больше друзей у твоих друзей, тем ты важнее\n",
    "\n",
    "Все это можно посчитать с помощью `networkx`, вот [соответсветствующий раздел документации](https://networkx.github.io/documentation/networkx-2.2/reference/algorithms/centrality.html).\n",
    "\n",
    "<img src=\"https://danbi-ncsoft.github.io/assets/works/network_analysis/node_centrality.png\" align=\"left\">"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 16,
   "metadata": {},
   "outputs": [
    {
     "name": "stdout",
     "output_type": "stream",
     "text": [
      "1\n",
      "3\n",
      "4\n",
      "5\n",
      "6\n",
      "7\n"
     ]
    }
   ],
   "source": [
    "# Центральность узлов (важность узлов)\n",
    "\n",
    "deg = nx.degree_centrality(G)\n",
    "for nodeid in sorted(deg, key=deg.get, reverse=True):\n",
    "    print(nodeid)"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "**Коэффициент кластеризации** _\\(clustering coefficient\\)_ – степень взаимодействия между собой ближайших соседей узла, т.е. вероятность того, что ближайшие соседи узла будут связаны не только с ним, но и между собой.\n",
    "\n",
    "Так коэффициент кластеризации нулевой:\n",
    "![clustering coefficient 0](http://evelinag.com/blog/2016/01-25-social-network-force-awakens/clustering0.png)\n",
    "А так он равен 1:\n",
    "![clustering coefficient 1](http://evelinag.com/blog/2016/01-25-social-network-force-awakens/clustering1.png)\n"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 20,
   "metadata": {},
   "outputs": [
    {
     "name": "stdout",
     "output_type": "stream",
     "text": [
      "0.0\n",
      "0\n"
     ]
    }
   ],
   "source": [
    "# вот какой коэффициент у нашего графа:\n",
    "\n",
    "print(nx.average_clustering(G))\n",
    "print(nx.transitivity(G))"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "**Модулярность** _\\(modularity\\)_ показывает, насколько при заданном разбиении графа на группы плотность связей внутри группы больше плотности связей между группами. С помощью этой метрики граф разбивается на сообщества. \n",
    "\n",
    "**Сообщество** – это плотный подграф, где все (или почти все) узлы связаны между собой. \n",
    "\n",
    "![](https://focus.ua/files/medvedeva/2016/04/01-11/gofthr.jpg)"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 31,
   "metadata": {},
   "outputs": [
    {
     "name": "stdout",
     "output_type": "stream",
     "text": [
      "[frozenset({3, 4, 5}), frozenset({1, 6, 7})]\n"
     ]
    }
   ],
   "source": [
    "from networkx.algorithms import community\n",
    "\n",
    "com = community.greedy_modularity_communities(G)\n",
    "print(com)"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "Что такое `frozenset`? Единственное отличие `frozenset` от `set` заключается в том, что `set` — изменяемый тип данных, а `frozenset` — нет. Примерно похожая ситуация с списками и кортежами."
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "А вот другой алгоритм для выделения сообществ. [Вот тут](https://networkx.github.io/documentation/latest/reference/algorithms/community.html) описаны все остальные, которые есть."
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 34,
   "metadata": {},
   "outputs": [
    {
     "data": {
      "text/plain": [
       "[[1, 7], [3, 4, 5], [6]]"
      ]
     },
     "execution_count": 34,
     "metadata": {},
     "output_type": "execute_result"
    }
   ],
   "source": [
    "communities_generator = community.girvan_newman(G)\n",
    "top_level_communities = next(communities_generator)\n",
    "next_level_communities = next(communities_generator)\n",
    "sorted(map(sorted, next_level_communities))"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "## Gephi\n",
    "\n",
    "[Вот здесь](https://github.com/ancatmara/DL-SFL-2019/blob/master/seminar-13.mdl) чуть больше теории про разнные метрики оценки графов и тьюториал по обработке и визуализации графов в программе Gephi. Она умеет делать вещи намного красивее, чем `matplotlib`, так что можно создать граф с помощью питона, а потом загрузить его в Gephi и считать статистику по графу и визуализировать его уже там."
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "## Данные для графов\n",
    "\n",
    "[Тут можно найти](http://konect.uni-koblenz.de/) большую разнообразную коллекцию готовых сетей, с которыми можно поиграть. Например, [здесь лежат](http://konect.uni-koblenz.de/networks/dolphins) результаты наблюдений за дельфинами в  Новой Зеландии (классический граф) — 64 узла (дельфины), 159 связей (если дельфинов часто наблюдали вместе).\n",
    "\n",
    "Загрузим эти данные и посмотрим, что можно с ними сделать."
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 3,
   "metadata": {},
   "outputs": [],
   "source": [
    "import urllib.request\n",
    "import tarfile\n",
    "\n",
    "response = urllib.request.urlopen('http://konect.uni-koblenz.de/downloads/tsv/dolphins.tar.bz2')\n",
    "zipped = response.read()\n",
    "\n",
    "with open('dolphins.tar.bz2', 'wb') as f:\n",
    "    f.write(zipped)"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "В архиве папка dolphins, а в ней 3 файла:\n",
    "\n",
    "* out.dolphins\n",
    "* meta.dolphins\n",
    "* README.dolphins\n",
    "\n",
    "Нужные нам данные лежат в первом из них. Они представляют собой набор строк, в каждой 2 числа — id дельфинов, которых наблюдали вместе."
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 4,
   "metadata": {},
   "outputs": [],
   "source": [
    "# распаковываем архив\n",
    "tar = tarfile.open(\"dolphins.tar.bz2\")\n",
    "tar.extractall()\n",
    "tar.close()\n",
    "\n",
    "dolphin_G = nx.Graph()\n",
    "\n",
    "# добавляем узлы и связи в граф\n",
    "with open('dolphins/out.dolphins') as unzipped:\n",
    "    for indx, line in enumerate(unzipped):\n",
    "        if indx:\n",
    "            line = line.strip()\n",
    "            node_1, node2 = line.split()\n",
    "            dolphin_G.add_edge(node_1, node2)"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 5,
   "metadata": {},
   "outputs": [
    {
     "name": "stdout",
     "output_type": "stream",
     "text": [
      "0.3087757313109426\n"
     ]
    }
   ],
   "source": [
    "# У этого графа кластерный коэффициент будет уже другим:\n",
    "\n",
    "print(nx.transitivity(dolphin_G))"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 6,
   "metadata": {},
   "outputs": [
    {
     "name": "stdout",
     "output_type": "stream",
     "text": [
      "15 0.197\n",
      "38 0.18\n",
      "46 0.18\n",
      "34 0.164\n",
      "52 0.164\n",
      "18 0.148\n",
      "21 0.148\n",
      "30 0.148\n",
      "58 0.148\n",
      "14 0.131\n"
     ]
    }
   ],
   "source": [
    "# Какой дельфин самый главный в Новой Зеландии? :)\n",
    "\n",
    "deg_dolphin = nx.degree_centrality(dolphin_G)\n",
    "i = 0\n",
    "for nodeid in sorted(deg_dolphin, key=deg_dolphin.get, reverse=True):\n",
    "    i += 1\n",
    "    print(nodeid, round(deg_dolphin[nodeid], 3))\n",
    "    if i == 10:\n",
    "        break"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "Теперь нарисуем, возьмёт для разнообразия другой layout. [Вот список](https://networkx.github.io/documentation/latest/reference/drawing.html#layout) всех алгоритмов укладки, которые есть в `networkx`."
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 16,
   "metadata": {},
   "outputs": [
    {
     "data": {
      "image/png": "iVBORw0KGgoAAAANSUhEUgAAAXYAAAD8CAYAAABjAo9vAAAABHNCSVQICAgIfAhkiAAAAAlwSFlzAAALEgAACxIB0t1+/AAAADl0RVh0U29mdHdhcmUAbWF0cGxvdGxpYiB2ZXJzaW9uIDIuMi4zLCBodHRwOi8vbWF0cGxvdGxpYi5vcmcvIxREBQAAIABJREFUeJzsnWd4FFUXgN+7m14ooSbU0HvvLVSlIwqCFAHhEwQVBKQIOAxFEKQoHekd6UVAegCpoQmC9B4gEFoC6Xu/H3c2JJGqgWCY93n2STI7e+fOZubMuacKKSUmJiYmJskHS1JPwMTExMQkcTEFu4mJiUkywxTsJiYmJskMU7CbmJiYJDNMwW5iYmKSzDAFu4mJiUkywxTsJiYmJskMU7CbmJiYJDNMwW5iYmKSzDAFu4mJiUkywxTsJiYmJskMU7CbmJiYJDNMwW5iYmKSzDAFu4mJiUkywxTsJiYmJskMh6SewBuJf4AVaAy0BdyAR8BMYAV+pWxJODMTExOT5yLMRhsJ8A9ID6z+avzokst2bHXw8kwBQO7MWWOW6MMDgIb4lQpK0jmamJiYPANTsMfFP8AC7AbKlu/8CaM6d6VCoaIJ99oHVDA1dxMTkzcV08Yen8ZA0YjISA6fOcWIhXMp3K45H3zbi8s3b9j3KQq8l3RTNDExMXk2pmCPTzvAJTD4FtVLlGJI+078MWMh5QoUplG/HhirGxfgk6SdpomJicnTMU0xcfEP2ApUS7hZSknKetU4On0+vt6ZALbhV6r6a5+fiYmJyQtgauzxeQTwx7kzzN24Lt4bUkocrQ7x9jMxMTF5EzEFe3xmAuEWIfjypx+4cP0aAJNWLaVIzlxkTp8BIByYkYRzNDExMXkmZhx7fFYARwvlyFV23Jc9adC3OzE2G5nTpWfhgKH2fY4CK5NuiiYmbz7Ojk7v26RtftSWvVsehYe7txr6bY7NAfscQ8Ie3QTWAAOllGZk2SvCtLEnxIhjR0W/uNg3SynDhRBHMePYTUyeyYfVapXd8+cx/7shD5xDN+xAmzmFfSeOs2LID+HOTo5HU9Wrdibk0aN9UsrxST3X5IppikmIEtoVgFbAr8C2HfcOB08NXPETKn7dFOomJk+hQDZf95OXLmye0O1rZ/u2g6f+onn1d3B1dnaxCEvZKT2+KQ00ScJpJntMU8yTUMlHy4wXfnrp9kC9ji2+M5eOJibPwCbluu4fNHcukiN37LayBQqyeNsmmvjVwMnRkdW/78jl6ebumYTTTPaYGvuLsRSoIXThldQTMTF5UxFCdM6dOUuODvXfc4y7vfdHbSiYPQflu3xCzR5dqFS4qDVtypSmYH+FmDb2F0To4hdgq9Tk5KSei4nJm4gQYn8O70wFPN3c3COjozl15RKFfXOy7vsfEULgnSYtAAs2b2Darytvbz0UkC6Jp5xsSbYau1DMdrBav8Y/oEnIev91jStXDfT19nmQysPzskWIGUII15cYci7K7m5iYvIEpJRlzi1cuf3I9AWsGz4WVydnjkxfwNo9O+k46juklIQ+esSYJQtoWrXmpaSeb3ImWQp2IUR+YAvQpE/Ltp8Dc79fMKeOp5u797kFKz1vr96crk65ig3TpEg5+CWG3QDkFbrI8UombWKSPJiJyvWI5ZM6DUmXKjWF2jWjVMeP+bBarejPGjX5Lonm91aQXJ2nXawWy/SGFasUTuXukRWgStHiZM/ojcViwQIufkVLuDg5OLbBP6DXi1RqlJqMErpYDLQEXuaBYGLyNrECOJrd26ds6IYdADg4ODC914C4+xzEzAV5pSRLjV1K+Xn01n3hHq5uqe3b3ildjjxZsgFw6cZ1xi5dSLs6DVLwcpUa5wKthS5E4s7YxCSZoJSkhlfCb16OtEXGJHg3HFX2uqFZ9vrVkiwFu0E7ixDWhBsPnjpJ5S//x+eNP6RhxSpOvFylxv3GzzKJMkMTk2SI2F76fva9DRy23gvojZELYvxsiZkL8lpIrqYYUC3t4rFoy0Y6j/2e8V2/pkXN2k/d72lITUqhi3koJ+q+xJmmiUmyo5UNeax24y9HAaOSejJvI8lZY49XgXHN7h18Oe4HNo4cF1eo/22/F2Ae0EzowvG5e5qYvGUIXViBr4HhST2Xt5nkLNhn2qSMtfH1nPQjUko6jBxCsfYtKNa+BZ+NHh7DS1ZqlJo8D5wB3gUQQowSQlwWQhzxSpHyQs1SZQLxD9g6uUffgLQpU50TQhwXQvwqhEiTqGdnYvJm0gi4B/gn9UTeZpJvglKc/qVP2+VO1P2/vBxTFnxZR47QRSegmtRkMyHEnvIFiwzZPWH6AIzCYQF/naDBN93ZPWF6hK93piOp61c7ci80FCllp391TiYmbzBGUME+4DupSTPqJQlJvhq74Z1HXWjhCd4NvxcVcqLA/g/Tiu2lS/6D0ZcAtUUzkQ4o7ursPLdwu+ZlP/i2l8vlmzeYt2k97es2wtc7kzNQ9uz8lSU9XF1H/rsTMjF546kGeKKqo5okIclXY7ejNPfGqH6mbiib+gxgpdheuj4wBaV9//UywwpdrOAse7JszNBs7fCxBQv75nT+YfE8FmzeQEavNBTNmZuTly9y8cZ1CmbPEfPlB806lPus3axEPjsTkzcGoYuNwEKpyZlJPZe3neQv2J+D0EVbYCBQSWry6kt87n3gC1n1wEOgHjzujVo2f0ECg2+xZdRE0qf2otfkn9j/14mbO44eyvgqzsHEJKkRuigBrAJySk1GJvV83naSrynmBZGanAVMAH57yeqNv3Kd4qOWzssTbzwpsUkbtcuUJ2OatFgsFtrVacDxC2fNypAmyZnewGhTqL8ZvPWCHUBqciSwDlgrdOH+gp+JIJyNA2dMzZmwN2q3Jh+xds8ugu/fA2D5zm3kz+p791XN38QkKRG6yA1UB35O6rmYKJJzgtLL0htle18idNFIajLquZ/wZVyh93NVr9/nKy+blMLeGzVrhoxcvRWEX9eO2KQkS/oMtkGfdPrmlZ+BiUnS0BOYJDUZmtQTMVG89Tb2uBhJR8tRcbhtpPbsZrtCFxYL4ty9SttCPB3cCz9tPynlPiFEBbM+hklyQ+jCG/gTyCs1eSup52OiME0xcTC09GaALzDqecW+pCZtNuS8Egdb/84TwiqllOFHQk4/KnGw1VJTqJskU7oC816nUH9SUmCrWnWu5MqU5b5XipQXhBBHhBC3hBB/vK45vWmYGvsTELpIDewA5ktNPjM1WugiL7C9abqaWX8pOKwh0O546LlijhaHu3ndsmmeO/3+DI15tAt4R2ry8GuYvonJa0HoIiVwHighNfnaGmc8KSkwztvhf12++FfBts3S22y2elLKI69rXm8SpmB/CkIXPsDvwFCpyWnP2Xc/MEBq8jfj7z6Al9RkL+Pv5sAQoKTU5P1XO3MTk9eDcZ0XlJps/dqOKYQzcL96idKPgu7eSZ0nS1bGdOlO1gyPI4lr9ehChUJFLuntOuZ4W1fKpinmKUhNBqLqwQwWunhezXZ7xUc7F1HmHPtYi4CNwDSzlrtJckDowgVlhhnxmg/tkyV9hj/HfN7d7Y8ZCylXoDCN+vXArqCu3/c7l4NuMODjDhl4uV4LyQpTsD8DqcnTQH1gqtCF3zN2XQQ0ELrwMP6+CGRPsE93ICfQJZGnaWKSFLQBAqQmj73Og0opL1z+Ze31IjlyOQsh6NmsFecCr3HxRiAAY5YspG+LtjhYrS68XK+FZIUp2J+D1ORBoDkqDLLYU/YJAnahShcAXCCBYJeaDAeaAt8KXZR+ZRM2MXnFCF04AL1IgtK8QogiPy5d6Bt3m5QSR6sDt+7dZd/J4zStWtP+1gv3WkhumIL9BZCa3Ap0Bn4Vusj5lN3immOCAPc4Grx9nHPAZ8AvhoP29eAfYMU/oAn+AWvxD9hq/PzAqKNjYvKyfABcl5r8PQmObes/fVKehEmBmdNn4PdjRymdtwDurq72fV+210KywbyxXxCpyaXAIFTpgSfVfFkNlBG68JaalMAlINsTxlmGqqkx81Xa24UQrYQQRx0dHI4Xa9/i3v6Tf85D1bSpBtT78qcfFlft2jEY/4D0r2oOJskP45rtQ1I10hhIcKEPcobW7/sV+T9uyoqd21k4YCgAZ65dIXtGH/ue4bxkr4XkhCnYXwKpySnALGCDEeoV971HqM7rHxmbLvJ3O7udXoA38NWrmKcQIi8wMrWHZ52oLXtDv/tfF48mWm9n+/u/bNvEwi2/WT1c3VIBq03N3eQleAeVsb7udR9Y6KIhcH5/rj9DD86Ye/jknCVsGjUhNiLm6+atmdarv333o6j78a3EvKFfnqGoGPfVRmRAXOYC9tCvizxFsBuFkpoBvYUuyr+COUYAHe6s3VoeKFoqb35u3AkmMiqKk5cuMGLhXL5t08G+b1He4ugBk5emN/D987KyExOhCwehiwnAMmCTDZnTxeJcm6f0WjC2N3xbQx3BFOwvjWFm6QZcAxYajiQ724G0QheFeLbGjtTkRaADsEjoIm2izlHKi1LKX4F2UkqX7hPG0LBCFSKjomg9VGNWn2/xdI31K73V0QMmL47QRVkgB7A40Qd/ih/Ia2jKzMBh4H9AH6nJhlKTkfiVCgIqoPxavwLbjJ8tgQrG+28tZhGwf4DUpM2o474GmCx08T+pSWlsX4C62A4DpZ4zzhqhiyrAHKGL+omtBQWH3k/RaeQwrgTdZMOIn2g/cjBfvP8hhXLkIuDUybi7vrXRAyYvRW9g1AsVyHsZlJ9n9dFzZ4p1/ekH5/sPQ7FarEzo3uudDUV+sjY81v3hzag71f7mrFUa+TLjZRIHU7D/Q6QmI4UuPgC2oMwz9uqNc4H1KPte9hcY6huUpv+vw8eMImZlgBrcpm72NT5ly+YoyLaxkwi+f5+dfxzh1OVLjFmygDshD7j/MJS6vbuy7vsf39roAZMXQ+giH1CR+Il4/x7l31n9KDy8bO2vv2B6rwHULVeRVbv8aTN0oONfc5dysfyaMy4Wpz2JetxkjinY/wVSk6FCF/WAnUIXt6Qmx0hNHhe6CAZ8eAHBLjUZJXTRDAgQutgtNbnjRY8vdGEBCgM1jFcl4Dyh7GAK2bIUyrBskfZdPcAlc3oXApetj/3srPVrWOq/lTXDRr/V0QMmL8zXwHgjSCAxaQwU3XhgLzl9MlO3XEUAGlasgq+3inBxsTgVQPmBlifysZMtpo39XyI1eRtVeuAroQu7NjMXlbH6t1j2p4xxFWgLLBC6eGr4odCFELrIKXTxqdDFYuAGsBTIg4rWySk1WZwfuEEU6XcePpwrb+smtmLtW1CsfYvYxh9xOfnoQljG39/d+VInbfJWIXSRGSWAJ7yC4dsBLqevXiajVxrajxhMqU8/plaPLkTHxNj3Mf1AL4lZBCyRELooAGxFXYBHUDWqbwIfSE3++YJjDEWZUmpLTcYY2zKiutPYtXJnlPlnC7BFavLys8ZsPblupS8zNd9WyjN/tBDxonjCbdL2R779TQ+cCbvcCGglNen/EqdskgBnR6f3bdI2P2rL3i2A21fjR3vPWLfa88Gjh+GoBDZd/gdvOKGLUYCQmuyeiGM6AAUullu9OJuLd76hc2cwdN4Mto2ZTNkChVi1y5+Oo77j0uI1ODs5AWzDr1T1xDp+csc0xSQSUpMnRFqxlUjWEMH5VF4eLkV8c+dY8O3QBW3rNHBfuXO70/2HofeBM0BHKZ9Yv1pDeffnCF3cRgnyTIA/SpCPAk4akTkvxLyb6/suCtrYJ8pv70WUduSGysibYRGWlad7XbIJXaxFRedMAYZITUb/82/i7eTDarXKpk/tteBuyANnoN66vb+z/chBri1bFy6E+MOrQY13IqOiTgC/JPVcn4l/gBWlnbcF3MJtkVHN0tWqsPHu3gL/dEgjqSk7SmkpA5QGigPXrkXcSpnNxRuftGnJn82XsgUKAdCokh8dRg7h/PVr5M/mC29xFuk/wRTsiUkwvr4NfAb+8r9hA4p65MHR4uA4be3KIleCbnBjxW/hLk5OgV4NqgfeDQkZBXwMsVXyKqKEeHWgEOrCn4fS/g/9U0ErdFETyBctY97Hr1QET4geEEIUBvpgJTh1Bs9ew7p93u3R1l1/9ps00Ss5aJuvgwLZfN2tVuvmCd2+dm4xeAAAK3Zuo0XN2ni4urkAZUZ0/OJ8t/GjW/GGCnYhxCiLxdIsV6YsqV0cHV3zZcsuFmvDGD57Fke2ncYrOuUpz6Fua0LDwtpIKRPGjscfSxfpUNdwXEEeCew3XoOAAKD2uGuLppT2LBBVp0wFxx4Tf+TgqZOUzJufHUcPIYTAV2WSmn6gl8QU7ImEUSe6uO+1THnbdR3kaK8TXdA3ByM7dcXFyckFKDu84xdpOo7/LkTo4huUMC8DHEdp5H2BPShBPxdV4/2fCnUr8APQW2oy4ilzdgM2FvLN2f3YzEVdl+/YZv1m3ISUWbpkqPCf1DaTCJuU67p/0Ny5SI7csduuBN2kRokysX/nz+ab2cszxZtcsrnC+u9/vPdO6XKZ7Bu2Hz7Ioq0bOTxtHi5Ozq61enSpte1wwJfEKdVr+JBK8FiAlwFSowT3fmAq8D+pyWtxPuMKjAWqr769s5qDsE7MmCZt2ZVDRtJ57Pc8DAvD2cmJ5YNG4OLsDG95Fuk/wRTsiYe9TnTBwr45+WHxPBr168Ghn+chjJIwd0Me8OPShblK1M179xCn0qMu7h1PaL6xxTCLLBS6qPkPhfvHwEOeHeP7DnDu2MxFXYGyjStXJVemzIxbvvg/pW0mJUKIzvXLV8rRof57jhevB8Zut0lJ3EpAQgintF6pMhghshEoLfR5PyNfR4anEMLZIiwlx6/4xdpj4ljsSkmMLYbwyEjCIiKwWqxYrdaU1auWLi900ZHHgjwncAwlxNcC3wJnnjZvoYv8qOvoGFDi4YCwkNKjC86Zlrd/odKFCrrvmzQr7u7hKKH+VmeR/hNMwZ5ISCkv4B9wHaW90LNZKwbPmc7FG4H4emfi3LWrvNe/J5ULF2fi5713W6qV6facIYegwhcHAv2fvWt8hC7cgcFAk+fY4/Pk8MlkbTdcL3Xs/DlSeXgwotOXf9M282XN/qZrm0lJ2xMXL6Qu1r4FkdHRhEVGUKx9C0rkyUdg8O3YnQJv3yJDOi/raS63RDnAXZ7z0xlwFrqI5MmC/0UfDs//bCNSlz5XIPS7Dp1TF0yglNQqVYasHzbAydGRvFmyWQZ+/b8am0/sv4cS5BOBY0aJjOcidNEGtYrsC0yXmpTGtdq39MGPOzVNV+OH+QWGBBDHDwSsNIX6y2MK9kRCCFFk7Ofdfbs2+Sh2m71O9LbDATTTv6FX89b0bN4aXiDTU2oyxgifPCh0sUtqcsNLTKcHsEtqcu9z9nO8diuoTKeGH1jskQh1e3clfzbfeNqmxWJxSuuVKsNLHP+tQOhCMJAeC0sMWVgmRSH3i9cDKdSuOUemL2DN7h3os6bxaf3GOFitzNqwlgblqvy1Qzv8/kuND048/yHwpIdC3G0eQNqnfqY4zj9+0sOhUMpcwGOlZMa61Vy4Hsj15etxcnCk3feDmDN13X25SbZLOFcnB8c2Hm5uA708U3hZLMIS8uiR9ebdO06pPT0z3+n+IBQVKlkaqCY1eTzOR3sCu6NktOeCoN/Wz/9sw9/GNnl5TMGeeNj6T5+UWyVWZIqtEx107y6N+3/Nom+HUrtsBfu+L+Thl5q8KXTRElgsdFHKiHd/JkIX3qiWZc8sZyB04UA2nLIJ76iyBQo5w+NIBItF/E3bTJ/By1noYg7QRWoy5EXmn1wxaum3BjoC1s13D2wq7VmwOXGaKjeoUIVj589R5rM2REZF06BC5eivmrYY9DLHMVZbdg37lSGEKLLrs6OzyzYrFNtIRkrJwi2/0bJWbTzd3AH4tH5j2o7U0wpdpJaavBs7gH9A+sgtez4DMgIuUdHRVPnyU75t0yGqVb26G/Pu/8D1euTtnUBpqcmHscdV8fFfAiWBYaj2kSaJgBnHnoh8/G69Hw+ePvmFzSZF5nTpmd5rAP/7YSh7Txyze/eRUsoHjx7tv3D9WrkXHVdooi+L6fZuynIbN4wYlxpwGzhzarpxKxa733nwIAI4CLSXUkYIXUwD7kpNfh1vDF04ozSmKsarPPcJ9Jjqlmf76MkWeyRCE60P03v1R581Df8fp+BgtVK715fULlv+jz7e4w8Yn20uNXkoUb60/wiG9lwW6ITKglwPTAH8ZdUDAthtvP809qGKU71xZgUhRCFHB4e9f81Z6pDDJ5PzxJVLmL95AzVKlObwmVOsGDwSq9VKlx9HyN+u7Ll9vsE1Z9T5Ls3g6LX6RsXf1hDn3IfMmc6BUydYNXQUADcig89ldEqTJ+G5G4rCVaAfqqheZaMZjcm/xNTYE5E53+hfoS7w2Iv8t5Hj4u0T8OBEdJUjnz7Pvh6LECK/s6NjXWER6f3alGwBWJbv2MribZs4PW95eCoPj6Mp6lRN9Sgi/Cuhi3VAAyCvYbssz2NBXgo4iSo5PAloSUrCarQrvbXTmGFlw8IjYiMRKhUpFk/brFehoqxYu+hk+Z6cJHTRHFWPfijw08vE1P8XEbpIgaqP0hFwRwnzr6UWLw9B4h/QENVspShxNHf+Aw5AKeVxB6v1s3e+7jLN0epI5nTpWThgKOlTpab7xDEUaNsMZ0dHsmTOEHmh5rVIlKkvAmjil6rETxExkS7OVicAbt+7x6hf5nNw6pzY8TM6pclEgpIARnvImkBelAPWBpx/Xeec3DE19sTGqFRHghs8LCack48uRnx55odPf39wdBRK693yvOEsFsv4Cd16vbvvxPFchXxz0rN5a97r15P65SvRob4qo37t9q2Deb5r3OZRw4i5wB2UTbUQqsLkDuO1R2rygX1coYtSwDwrloO3Km4qntoxRf6nzeFK+I3L2fc2dLchxwPfo+rgLESVNPjEKKuQrDC+n45AE2AzSqBvfWaUiipo1ZgEiWD8BxyAQhdVMjh6LT9VdtkNV4tzXieLY6zSJ6UMPxd+9X61I50uXI0IGgCMQWnYn0dW2TPO0eJQ277vd/NmcvrKJWb1HZjwEL/iV6q+cSwB7ARmSE3OELpoD9SQmmzxik/zrcHU2BMbv1JB+AdUABpvubt/lofVzfYg+pF1bfDOveOvLc5pQ2ZCCYslRrnfVc8azrZt/zag/b4Tj/1Np69eJujeXWp//QWBwbcpX6hwiVotyx1cFeIfg4ox3g7sl5oMSziekcrdG2WH/zIG26qCB5odPVxq/tkMTl6ZeYK2mcUlY0Mb0hkYjYq5/xIVsTMUOCx0kSzKERgx2R+hBHoa4Gcgv9TkjRca4D9aRlbooiiw9GbUnY823tm7ZcWt7Tcn5On955WIG3ndLC5Budyy6PNvrl91NSJoBqoYWDmUSWrvhfDAkDxuWWPHWrxtEz990eNJh4kbMNAUtfqZbfxdBZVdbZJImIL9VWDc4DX10pNQgvCK8bM/6sYoCdQB1gpdpJCanPuM0doRX9gSFR3NpoB9rBr6Ay5OzrQZNlCILQjK0FJq8qmJHEIXOVCJT+FASanJK0IXo69H3j6cwcnrIwxtc/f9P6rmdct6KI1jqrEY2qb0kwBNhS7eBcYBJ1ANR7byuBzBYHuNm/8ShmDrhOpqtQP1f9r0XzyXl8Vozr4O5RTfZKxUghd03lDVSxca4Cg1uVzzK8VA/ef2wCJUJvKHwC9BkXcO2QX73ZAHnL12hQqFij7pUI+M47mglI+2cb5fP5Kqh2oyxazu+IowlpupUUlCv6NMI0uBQ8CPUpMHUZmn3wldfP6Mof4WGumTNi3vV6lGCncPnBwdaVWrDn+dvmRFNcl+4lyELtqhHHjLgFqGUPdDCbPO+JWy4VdqGX6l6lc83H592t9rTcKv1PKEJgSpyd9QpYIPoLILS6A0uMrAViPS4Y1H6MJN6KKd0MVeVGLNdaCw1OR7UpMb3hKh7o2KRBksNbnE2Pwej7M8LwC+9v2NRLkWqDDJZcDICYFLHCJtUTEAZ69dwdsrLY4Of9MX45YE+ApVJmO7MYdsqGv8r8Q9u7cbU7C/OtJgZA+iBHtFYCRQBOXcbCQ1eQK1DO0mdNHPeBgk5G+hkU38avDLts2ERYQjpWTlru0UzJoj6EmOTKPt3jLUDVVdanK00enJE5gJdJSaDE7wsRPAU4s+SU1GSE0ORTlkSwObjHP7DVVXvsEzv5kkROiioNDFT6hV1Acoc5Kv1OSguGnvyR2hi1TABmCm1OTkOG81BlYYv8cT7AYZUVVLawM5A0JOZnWyOAYAlM5XkLMLVpCQwIhb14GVRqXSHqhVq53KqOxr09mXiJimmFeHD3AXiEZFo6Qx/t4NXAZ+ErrYLDV5QeiiMkpzSiV00ct+kQtdiFE5v7r8mc8H8Qbu3KgJdx48oOSnHxNji6FortxySLvP4oU3Gp+vA0xDOTpbSC1e8aZRwDapybVPmPsJ1FL7mRh9W98zmo1MQDlrOwHjjAJkvZ5Wp+Z1Yiz/m6Bs5zmB6UAJqclLSTqxJELowg3V1nEb6sFm354Htco8YGyKFexCFxlQ3b5aAZNR3+OSs2FX9IcxYQ3dra6rI2IiSztbnWKVxRgZExFhizpZ8mDrtDcigzuiTJAzE4Q0+mHa1xMdMyrmFSF0URtlSzwmNdnSCEX8GRVJsgBV7Ouy1GQfY38vlK3zGEo4egJTLYh8NytudErrmCrv0451PuxaYA7XTFnsZhPjxh0BNATaSE1uSzC3uqh08CJxI2XivF8Y+EVq8qmRMk/4jCvKKfs5ygZfFFWqtbnU5OkXHScxEbrIixLmrVEmsMnA2kTv2fkfwmifuAKlZLSJG+UjdNELtXr5zPjbilox/gi0R/lnhklN3jTeT416OKzK65ptZBGPXEFz8w/aERR5J8v58EDvydeW2Zbc2rw6BtsE1IPEA8giqx4IxSgNvPv+0Wp53bIfTOOY8kdgxZsePfRfwTTFvDp8gPsojR0Mc4zU5B6UGWAH0F7ooiCA1OQdVFxvDpRJ4whw04asUvTARzGBEbcuoEw7sUTaImPOhV29UfFw+yixvfRMst2cAAAgAElEQVQnAEIXJVEJS155XLMWl1UPpME/YO3MPt/+4ebsEn3xt9VtLIipQLsnCXWD04Cv0IXTi56s1GSY1ORAVAx/GSAfShP7Xeji4xcd598idOEsdNFc6GKbcfwIoKzU5LtSkyvecqFuQa1WBCpMNaEQfQ/DDGNECPVBreqzA8WlJrvZhTqAkX36DtDsVNilcUtubdnrXK1C7ax7G3xU9UjHoEW3NuaIwXYflcwVjiTSdYbztv7TJ50H5sbExNT7Zc5mt4qftK+cs8V7S4YvmH3WCBc2+ZeYgv3V4Q08AOxOOLudHZQ23RHQgYlxbOthKIFfCQhGacAjAiNvH/39/tFcQKsd9w4FB0XePbz1bsCDVie/Dat5tHO+G5HBtYBBQhfzUDfRIFn1QLdTZZf9Csw9c/VyvaFzZxa2WCxWH6e000+XXW6VVQ88tauTYT65DOR62ZM2ltn1UYWeGqOW9f2FLuYYdv1XgtEy8HvUvP+HSsLKKjXZV2ryrU98Ma6xUSjFoSkDqSeECME/oEnM1n1rP6nX8GrWaRnLpRrlOV1kEH8QyjmgIGplOfNpnbqkJoNQCskHwF38A6whlf0LrCs8NleU397VsuqB3EN9O/8qgsjINJzkTVk8lbtHVsBlyprlnL56meMzFxEwZY6YtX6N79bDAVuMfACTf4H5Bb46fFCC3a6x7weKGCaLdYAjcBa1PG0tdJEJlQhTFdXD9E+U+aB6MY88nzVNX/N9oJ2DsLo6WRweTL++KnzZrW07L/QOtK8KbqLs4l1k1QOLUUlSZR+Fh7u0Gvoto7uoZFcni5M1p2vmjMDq59xAz3SgPgupSWnE5xdA2d1TG+d0UOiixD8Z80kIXTgKXXwgdLER2AtYUWnpNaQmf3nRqoNvCX1RUVgNGEgmq8UyxtXZ2Q2YO3P9mnqXblzPdHrGMhG4cn2mjyvUy+0+w+WIkTD0J393oCbkGhCawdGrUsNvu9+d+MvSuXXSVLQ6CKsfUO+rzC3a+CxJ55DFIUNIE78asR9asXM77eo0wMHBgdSeKWhe/R2W+2/Nj1o5mPwLTMH+6vABQjAEu9Hd/U+glLEEHomKDuiEsmEeQgn2moZ2NATI5u2U1vbl7eYHPetUWQLUq5CyqNuW3w/4nRhzPn326d7vuqRzOs5DDqBii+sAEzYE7/kKZeOm46jv6NjgfeI2gTAoyrNvoH8s2O1ITT6SmuyHWqk8wOjXKnTR9SkRQC+E0EU2oYshKO38S1Qj7yxSkz2Typ7/JiN08SnQAajNQCKAebP6Doy0CIsFcLE3g3F2csLV6izqFa3oki+db3njwf+kyJiEFBY3iMk6L6Pblv0HPC1CxAvKGPfLYhERGeVYp0iFNFbxWORcCbpJlnSPi4ZmTpeewOBbVszG1f8aMyrm1eGDuinifsd2c8xOVKTKEFTZUiuw2wghtEdxLHYQ1p5z0gwc0Gn88Ax2H3fAXyf4/McR7Jkwg+zePpYWo/rnXTTlt5W2+3KU8dnOFiHmAi4TVy7BwWrlk7oNidsEwsDe+X15wjcMTqBMKv8aqcnTRmJTE9RDrD/b6Ch0YUESnT2j96PtP069137E4GIXrwc63wl5cOduyIP7KIHiL6VsaGTM1kOZsMqgHmQ1jJBRk6cgdNEE1UvXT2oyUAwUc5tVqxVQoWDh9vZ9yhcsErv/3ZAHDJo9jU8bNHZBPfgvYFQKNR7G7kCqOK/UQKtcR7O4dWnc1HXbwYB4x99++CAb9u+hU8P3uRPywDluiJRqRvL4+S6RWC1WeIGy1ibPxtTYXx3eqOSkuN2P4trZc1mxWFukr13jQSX/AzuKTa17a9OmXfgHfGDFMgo4eybfijvfjJmY3m5GAZi3aT3t6zYiu7eqFjnu0562JT2+32p/X2pyaR7XrJcBZm1Yy4G/TlCsfQvq9ukW2wQi8HZs/apn3UAngBeOinkehnlmCZCHk2zgCPnS9UuVMXjTFkvjytWKfzdvRq3NoyakO7tgRYo7a7Zk3DZmstVisTygIoOFLgYCF1E+h8Uo7bybKdSfjdBFDVT0Uz2pybNCiM5A9Og+X5W0CItzwv3PXbtKlS8/pVLhYnzxfjPHrXcDZqJqAzUUurgHRAG3UavLlcBPqLj0GjN6f2tr8059a9zxAm/fouv4UczvPxirxYog/iIta/oMBAbfirP/bTKnS8+ZR1fSCF2YTtR/gamxvwKmLuzn0DRtTW/N939NrQhX/APyADO9HFLsuRP9YIrQxafpHVJ/V3ZjIedC+XN4eBZwq17QkoPPhg2vePjMqYq5nLLI+2GhgztnGT6yU8MPRFwzyumrlymSIxeN+vXg4o3rFPbN6TTs088bo5yFAGR39TkD5Nk/eXbs5+I2gYjDs+rCnwLyCF04/NO+q09CajIUaO32teuojWUn/O5mc85/Pfg2vsaDCiAyKsql89jvC/3Qq2toT5exv9mQC4G6UpN/JNY8kjtG9cSFqC5aRwBw5nPcyFal46cuTtIx9kG/7vsfOXXlUsJmMLhbXUA58TOjcjFArS4djJcLkALwshH/GomKjuajwf0Y0+UrvNOkjd0eN7i6USU/ZqxbTYPylQkNC2PR1o2M7/Z19NirC0KA00IXf6AeICukJi8k8leUrDEFeyIihGjlYLX2zeGTyTe1ZwqHsC/D85bKV4CSn7bO+ig8vG5amSr8ftRD55jMMcOyPfR22nLhgEeVAsUB+GrCGDxc3Tg5ewkxNpvI36Zpr1uhd6MTmlGioqNZs2cnW0ZNJH1qL3pN/onW331bYnvTenGnMlNKWUMI4cJTCIuJkBMDl1zsqZe2PKliodTkQ6GLGyhzyJnE+o7sPKq/M+cy/60ONUd1xtnJiUGfdIx9b/q6VfikScsX7zRzbhld59P0tWotTOzj/5cRQoxCFdK6k9ozRcoSefI6bx418a88rT4oEXT3Tsj9iNBQvMiFB/PkOblD6KI4MIS+uAM7JxTpVS1vRDYn+4P+0Om/ntQMhrIpCu1ElYEOAVqizIt547zyAFmBcCsiFEhn/2zAqROcD7xG9wljALhxJ5gYm40U7u4U9s0JwGcNP+DctasU7dCCyKhoOjZoTI0SZQ7WoEyViYFLnVDO3veA3kIX1zGEPPCHman6bEzBnkgIIfICI8/MXxGYPaO367q9v/P+t704OXsJ565d5daqTcLRwcH1cMip8FYDBlz/snGzPJsP7o/9/MFTJxnftRdWqxWr1UpUdLTLX5cukbCXZrpUqaldpjwZDS2oXZ0GTP9tVRqhi0MoU8/ulFaPPXcrbT1KnLrw2b19CN2wI/Z40TL6eK9z40oCu4QuOsdqdfGxO1ATXbAD7T7wq+70gV91fl67gne//oKz81dgsVgYs2QhU3t8g4PF6pjeKXVLlOZp8pgK5QsW+Wz3hOkDUALW5WFYmHfQ3TvcWLnB+c/wC+k6nvruq4OhJzcLXfyCCkd8hBLMKTbe2bc9l1sWP5Qzm74/T0Ai6TN1PH2mjgcga8aMMntbH3dUuKMLKq/iBGoldwqYY/z8BthRMVWxWyi/hwsou/2VJb/GTnjgzKncuBdMzZZlxtZPW9kvRsYUdHBwcBprVIIMiwnnTNiV0Jx73zt9PvxaJ+N4/lKTvwpddAIqED/O3i7kd79QXR//ACtGUhSPSyrPJJkmRZmCPfGI6NrkoxnZM3p3ByiVNz837gSz69gRPFzdqN3rC4Lu3qVq8ZJO8wboWYunye8YV7CXLVCIuZvWUbFwUSIiI8mVKQsR0ZGPdv00zXLpxnWXuL00e076kW9atiNNylQs9t8sPTzdTt8j9HPUxd/0fkzoWJ89dWK2FZ18J6drZk9Hi4NjnHmGA0c9Hdwb2rDdRjlQfxO6WAR8KzV5HwD/AGuFgCJZLh248UueaVkjs2f0efB9xy++KZ4779x/eyMIIXKtHTbGu175SgB8UqchnUYP527IAy4H3SQ6Jhq/Yioqcte9IzUq66UXosIZ9wBH3uYwRiGEM1Dc1dl5buF2zVPnyZKVMV26cy7wKh6ubtTr3c0l6O5dihTMNfJQ0ZNCOmJB+dKOocoB+M+8sTpzv7Kf/Ba6YUd++HszGIDzYddu5NvfZD6qONcAYFLCyqFGZuo7qESmq6iGIk/tInU/PPR+k/Q17DV949WtvxcduqDsobaXw22RRYBiKAFcUOjiGkrIHwG2oGLx06GE/DjAR+hiNUrIb0lQNgMhxOcOVuvn2TJ4Z82fzdd5eq/+FmdHJ9qPGMzJyxfqhkVEhD8MD//h5p3gb1/k+/+vYJYUSEz8A9YC9aSUtB76LeGRkXz8bl2WbN/Cj1/0wM3ZhZZDB5A2TSqmdP2GtsMGYm+ecS8khJ6TfmTviWNk9EpDjZKlWb9vd/C04QNsTvcd0hVq1zxW4560aikTVizBJiWpU3tG7Ct3fEz0pJi+9mkY0Qs5HIVDxU8yNvyiYdoqxV0sztZoGR227d7BdaOvzJ8dKaN224t/GYXChgF1gZ6hlXds2bL3wPbPxgzPv2/iTDKnz8DcjetYsXO7bfngEQdQ3YCC/unXJISonDZlqo0nZy9xSZsqFXN++5VRv8zn6PQFjF2ygOMXzjOtV38A7kWHbE+9q/osVDeockBu1E2+B0PYv1XFu4TwzZI+w9K1w8cWLOyb0/mHxfNYsHkDA9t+ylL/x9dZ8yH9+FOcizhb/eoy4BzKbJIX9f2FZHZOf35r0Um5srv4pH7Sg584/2OjaNoFqckx8eaii/LAFKlJFVbjH5D+bNiVP7I6Z0zrZHGMdaSGxUTI21H3rmRxyVD6Za4bIxIqD0rQ21/FUab6I8Y8r6ECFcqjCuxtRAn5dQwkF7Ds9qrNt9KkTFmq58SxhIQ9wtnRCYsQjP2iBw/Dwsjd6v3I4Af3q0VERu5+0bm96Zgae+Li9jAsjLbDda4E3WTDiJ9I5elJw4p+sTt807Id7w3oqdpcxOHBo4eM6PQFXilSAqoTTXofL8eqRzoG/Vp4jGfIen8wlrmfNWrCpw0bR1iF9UjFQ+0nxzywNY87lmF/PAecE7rIPuX68q3AVFQDDnfU0ecb2tBulAlnFDDDgph0ISxw8ukrl1LUKlmGzOlVnPH7lavRYeQQS2RUVFknR8fV+AdUEFVLSyHE7HdLl5PrR/yU5vb9e54fDuyT5/CZU1H3QkNDgdlSyu8TfklSyp2Nqvot8uv2aVtHqwM+adOxcshIAM5cu0L2jN72XcNTOXiOk5pcjtGUwcheLY0S8m2ASUIX4ShBbxf2h96E4mOvAinlBfwDrqPKJdOzWSsGz5lOkZy5aFTp8XU2oFV76vTr6kR1HFElBNai/sen46zKXrTj09Ni2euhku0AENtLZ7EgOFt2RXtf10xNo2zRHr/fP1r0tzt7tg3L+XmTl13pGU77E8ZrAcQqLd48FvQVjJ+ZUaahjCjz0DQGsvu7zF02pk6RonV4RATXbt/C19uHoR06ExOjrDfXg28jpXSa3L1PKdS9kCwwBXsicvLSBVvzQf3InzU728ZOwtXZhTW7d5DS3YMqRZVpQUoJFmwxMiYaiK3FMnn1Mh48fMj4br24eSeYn9euIGerzFyPvJ2y4uEOVR9V2ZUZaHc78p73odC/Cmy6u2/zyJxdG+1+8IcXqlLk06JXKgITpSbPGVUkd6LCBmujasRXRDmpvgU8/ufT+GJu1ywedwsU4qfli7l04zrZMnozc/0aIqOiCH5wH+80aYvO2rC2i7Oj44dCiArVipeyAQ6DZk+jSI7cbB0zOfzBw9AbXg1qdBFC7JBS7ok7IaGLTJZq4r3dxWdQNmWheJOd0K133D+P8rg2uPr+NBmCau6x1RhLoCoN2jX61qiyyMeIL+yvJAeHmxCiyNjPu/t2bfJR7DYpJbuOHeVK0M1415kTDuFSk0+v0vniHZ8uANWfsL0eKkHMXodmog35jW/tRrOFLhaiCn8tA/437JNZifLdG//DQOP1+KGiHviFeSzwI4DKxVLnqbp6l79Dh5FDYp30QggcHBxoNWQAS/230rhyVVrVqvsOKnwzWWCaYhIJIYSnh6vr2e4ftvTS23WMfWBOWrWUmevX4P/jFJwcHGk5ZEDMX5EXTy3vPzL1oLE/e9tNMSGPHtJ6qMbZa1eQSJo2rikHp5wWY0NOkZqMbcQhVJPqW6gCY5mlJmOELo6jinodiDcnZQO9A+SSRvNloYtCKFvlx0bTjLj7Z7pYbvXqbC7eJQCm/7qKCSuXYBEWPqnbgAEzpnB67lLSpExFM73vxarFSkbH7cUqpSQmJgYHBwfOXr1Cuc7toh5FhBd/FB7+Z5xjFEY1/HAo7J5r4B+lFzbk2Q2gX9rkY3xHpXgs7Muj8gnsdvo9KK3+b60D32SELpz4ixHua1y7Hpu2EF/vTExcuYT5mzfQqladeNdZ6+803F1czv68duXfUo7/wXGLAvOlJgvF2ZYJ+APIIDUZLXTRAeWvqYRaIcxHOWebJma47MsgdOFwv9K2XSkcPMoC/Lx2BcPmz4p10gOEPnrEB1pvcmfOcnH88l+el2H7n8EU7ImEEKIvMCRPlmzhrk5OsYk/W0ZPZPiC2azds4vomBhK5MkXtLLktrbpvLz0NYVHFS7ikdtiFdZYzT3KFh11/OG5mCZ/9l5yPvxaS5TzqlBcbVPo4iiq1kxXo53ZBOC81FT2aZz9igBLpSbzJNheEaUJ15ea3BfvRPwDtgLVQh495OadO+TKnAWAa7eCKNK+BbdXbbJnCx4DcrcdNtDFLtjt2DWhRpWqxMzsozV3e6fSUuO4NVFaVhQwXGpy8OtoAG1o9b48FvLlUclXfxLHVg9cehO1eqGLd4CBKMekKHOuYGTozkfONpskc7r0TO81gMzp0tN7yrjY68yvaImYYZ92aZGuUa1fEuH4KVAasmecXgEdUJm/HwldpEGZS2qjbN8TUN9vnYTOzNeJECLXqqGjZjesWKUCQExMDE61KrCg/2AqFymOT1oVnTlr/Rqm/boqaNexIxmeOeB/CFOwJzb+AekPhpy8UsQ9t4jrlIqIibRdj7p9PbuLTwmxvfQj4I4Fy6qYqvsWbb0bMKO4R55TQVF3XfWLP6dbcXvb++G2yFUoYbcUJXTq2jVMoYtpqHTuEKnJdkIXHwKtpCYbxp2KESZWVmqyXcJpCl3URzXhqCY1eTL2DcMBfOryRWp078KJ2YtJ4e5B5zHDsQgL47v1AkBKGSSESB/XARwXuyaUwzvTmUmrluYRumiNCi+7b/z8OimFqFGzviTxhT08FvJ7gQCjxk9SzC8LqglGY5RfJBr1IOprxfLugZKzOxX3zPfUPAXUqqhCIj4cg1GNve0O1RXAcqnJuUL1u42UmvxC6EJHxb5XfUZZ6NeCEKKyq7PzykuL17ilS5Xaxe6kL5U3Pw5WK5O79yUyKoqG/Xtwzyvk2P5yf9Z/WhXL/xqmjT2REdtL37YgRM8srTd8nLFunoLuOQOBR2fCriwvGvDRMBsyO8qrL2zYZontpdehBN0sVAW+iqia2SOkJtcKXTRC1XPZK3TxnpGBtx9lF29kVIvcAUwRurAmiOmtgLKp/w1j7N7ABqGLSlKTV4y3ZgI18mbN7tKnRRvKftYOm7RRqXAxxndVTZrCYiJkYOQt95yu8dub/rZ/D4Vz5MInbTo83Nz4qPo7zFi/xkvo4htgMCqCYRNJLNQhtijbTuNl1+qz8ljIjwQKCV2cJL6wP/9Sc/cPsLb5Thu96/jRdlaLRTg5OEa1r9do+FdNW/yQUOgaUSDdgc9QNdAfojI95xrzCQQWxWCTex4cK1LcM99cnm3GSsz4bLsDNUjowhllc/9U6KIMqqFLfqGLL1A9USsltVAH5aS3Wq0Dynf+5AcPV9dYJ31qjxR0Gj2Mwu1UzIFfiRI3Jxdathk4LHSxGRgjNbk3SSf/LzE19kRGqBZix1E31yipyfVx3vsQGIQyRQSiqjnOQt00D1A3Sx3gfZTGE2N8bg7K618Q+BhVoncBSlBOlZpcInRxCvhQavJonOOdAxpKTT619rrQRU+UbbSy1GSwYRrZzTPikW3Stv9CeKBLTtfMReJq7O1HDI6nCTUe8DW+eTLdnZhzSQpUSvopoNkLJZS8ARgPzeI8FvblUcrQXh4L+wNSkw+fOIB/QPojZ09vrNPry6KHfp6Hd5q0rNv7Ox1HDZNXlqzdj+FDMGq6DOSxLyAYJawnAeOlJm8IXeRHlWJeDfSWmox+HWasON/FEmCZ1OQioYtaqOu4Empl8BPqmh6JEuoXE/PY/xrVvGM1z/HlGCandqiosZvAGNSqJEl8BP8GU2NPfHxQQrs4qhZ5LFKTvwhd9Ee1vZsBfATYUE6m2qhEkm+AcgmEX0/Uw6KX8bkpKO1yHCrVewlKa/dDXagI1TjYi8c1Pp6I1OQPRsGltUIXNaUmH3b+uekX7TI22F3CM2+MVVjjFosKB45ahKVhTtfMlaWUsZmGAKM+6xZPE2pQsbI8VfpSCu6wG9VEpOV/RaiD6gqFesjFhsEZJhK7+WYYqsb+aeLb6s/KqgcEsDqVu0fRaV/3j62XUipvfm7eDRaRUVFlL0ZdP55fL+OMqsl/CfWAlyiBMttuBhKqp+xMVA/ZWbETfPGolsTgIo9DHusCv6IamoQBQahw1BpvnFAH8CsVhH9ABZ7zEDRWGT8KXYxHrUK+An4QuhgH/Cw1eS9J5v8PMDX2RMa4CXui7JEZE7xXCBVLHulicerRKK3f1LYZ6rukdUodUtwj794Ofw3OMy9o/Q9R30ZPfsK4nVChfB+iBHle1JL9Z9QNVxd4T2qyibH/+0AHqcm6LzBngRIc6YFGwE9WrMHzCgyK8HFK27VKqhJ/kPBG8A+wSCl3CyGeqtnve3BcVjjUfqUNW0ag1lM12/8whlnCrtXbBb5bR5/3L47L9XWRuH6WuIlrSwd9T1hMhPzyzMij026s8kIJ9lHAGnvtHuP/0gsVUthEavHDRl8nQhedgaJSkx2NB1lHVKXN7sBo1LWXbOLA7QjVarIbKrRzPvCT1OSrKLGRqJiCPZExogWaA1FSk3XibHdgP6fYjpMD1uj8WbJnm9i1j6iQrwh9po7n1727EAi806S9W75g4YqDZk87mWBcK0obnIyqybEfyIQqoboU2IDqdZpBalIKXfwA3LXXeH+BeTuibPnhKPt9PqAySst+/0mfKfJD7n7z8g/uU9g9p0PcgmNhMeH88fCs/OhEvyUXwgPzo2qB332ReSQHjLDRVdlcvEvatz0pcQ3g93tHgyod6dAMVRclbuSTK8q5nRclNK++5tOIh9BFHZQG2wXVS3Y9asX/LirUdv0zPv6fR+jCB3Xun6LuwzHA9qT2FT0Nsx574uODSjyKZ4bhDN+xjczuwrXs7dWbHw5v94VoMbA/M9at5uDpkxyaOo/jsxZTPHfe1H+cO7sjYds6w4TRCbX890TVyb6I0hK7Gc7PhzyuoV6Bl8ikk6rJczNjvEuoWHkvVBz83xC6KHTs4dlulQ53KC6EaAX8Ghr9aM+G4N2RH58c+KjCofb7LoQHNkGtUP5xt6T/EkIXLkYo6Ud3oh5ktW+/fPMGFT5vj9ViYdvYSbFCXX0IT5RZI0To4ozQxQ6j9skFVAG2iUA+oYuCQhde4l90nvpH5ySEsFgsc6pvLtVxU9EJFU6VWvZr/V2VUnlOcmvLOFownYMMZMPrnFNSIDUZKFU3sGyoLN4JKGdrW2PV9kZh2tgTHx8gJXEEu9BFHtLQgfR0Xj5mxEdOwrGAvUhY7sxZYtuSgbLB7v3zmBeqyFG87kZSk4eELhYDw41XRqAWsMcIOdsBVBG6OI9yFO3n5XBEhdY9RJkAQDny4mFcyPOB3g/6h54FzgpdXEFlgwajHj69UM61dqja2mOAH4167MkCw95egceO1UIon8aeVA4eV4F0IY8eUrVbR9q8Wx+t7f/+Nkb5FEW2osIDPVGp8jVQnbX2GGPVMLb7GD+dhSpha38Fxvk97rbgJ5VjfqnzEyK/s6PjVCFEhXcKlLPVTF3GYdb6NbkfBocTOHe9DIq4ey1f4yY+UUQ3QZkHkz2G32OqEXL8DmoVM0zoYhIw2R4OGo8kqCxpCvbEx9t4HYbYVOtpeDGIduyWcNjF4iT+N2EIDStUwa9Y7Go9ti1Zp4YfWHh627oBwAkPq9vs+mkqpZqWt//Qc2FXg4Ki7racc+PXe/NvbvC0YTsGnPwHNu3OKG2kL7ALlRy1/Qn7DUHVoplpnGNDlL31EiqscRRQ3ehwtEfoYiSgox4Aw1E3QJIlrvwTjIdZCeJHyDjxOJP1a+LEvQdv3twi2hYza/yKXxwv3bzBip3bWLFzW+x4W0ZPxN3Dzdbx9NB8KKfjZqGLxqjomI+lJtc+ZR5uPL7GfOL8njfBNk+hi5s8/QFg/zvoaQ5tIUSXMZ93z7jvxHGL1UjVjLHZeBgehsVmEemtqbP5ZvRJd/76tWRZl+dZGA/NDahw4YKoSJpTQhfLgLFSk8eFEIWdHR0nZ8/oU8zdxdV1as9vRMm8akF9N+RBjbKftbVlSpv+vW2HAzYl9vxMwZ74ZEFpveeNvzuhvudfgW1ZSX/hw4F989ltrXbOXbvKe/17UqlwMbo0bgpPaFtnb7Dg4G61eadL4x+VLVq46641i3jk5l5ICF+NGO0+/fP+7w2NnhF8NuzqSzmyDJtuV1Qz7WtC9Sg9ghLgcferjopVLmrY8j9D2RuPooTSbFQrtti2dYazqYWRCTsY6CF0MQiYZZiA3jiMlPm4QrwocBpl3lqFKlX7t5h2IxqpiwXR8VjpxaF9W7ZL3bfl3/LDAAiKvHNuYdDG/qhCZo4o02hV+YyWf8aD4xwJ/i9PmL8zakUXV/h7o0xtcbd5CV3c5gnC/+f5/UPbedfPsu/E8dhx29auz5Ltm8nUpC7RMaxTIgsAACAASURBVDHULFnG5dS8ZW+1HDHCiT8VuuiHcipvFN+Ik1gpPquPFtS8xrtuq3b503LIAP6au5R1e3/nqwmjXS7dvMHPPfuPxj+gaGJr7m/1P+QVkRU4LjVpE7rIhor3/RDYyEUm1J/avW/pvAVii4QBbDsc8Le2ZDy5bV0FJwfHj8LX/j5KCBGbHWRcKFy8cZ1C7jnFPJ/B7Sseaj9N6EK8hHOnHbBfavI4xDag3gu0dijqcEP8Sb+QTTt27Cz2s5+vq8/R4Gv364gUYhTNSUEmtqC0+FWoOPUDTzqAVK3tGgldlDP27yV08S2w+N+aDf4NQhdOqMJR5XlsWnHjsTbeDxWv/lQzkhHx9BVqyb3IhqxUwN333omH5//K7ZrVI2Fp3JDoh2eKHGiRMUpGW1BKQFZUY+h+Qhf95b9sBSdVdctLxuupGA+U9Pz9AVCsgLtvowThruizfyZdqtTcXPEbYRERvNe/p6X35J+GfO8352lN0d8ajHpMQ4QuRrKN4Wkzp6zQqGrVPAANK1aJbf/407JFzOs3iKZaX1ydnXPzBLPrv8UU7ImIEbmSGjhgOLmmoMIRJ/OAKcymk0d1t3szv9E8XK3OAnhaW7JwVGjh47GNBgs+adONLtyueem8WbMxpkt3smbIGO9CASjinks0T1+r3vyg36YJXXR5ntnDyHj8GqWJx8Wa/brPrKig6MH3HENwsTi9UylVMdbt/b1Mt/Gj5jiGOeAVk2LTTe70RiVbdZCa3Pa3AyTAyOqraSTmDAX6GvH9a15HlIHQhb1+t/1VDKUB70HVshkAnHneXIz/cU1UQ+eiKIdaHqnJ28b7hS2IiOBKWzqnsni2Ik78tKeD+8qbUcGNUSas1ajKhC7GWAFCF3OBIfaxXhXGiuma8YpHxLbd+YF49VOW79jGuK5f4+ToiJOjI23ercf0davNxtNxkJqMEAPF9ULFct37fNSIjEfPniGVhwcjOn0JwIY4jU0s6r5+mtn1H2NGxSQu6YBIVNjhxygtqAEwh1UUBbL9ceCMc7G2LcKKtW9BsfYt6D1lXGxbMvu2Gj06R5KgXK0x1tZ5/QeFH5u5SJQrUJhG/XogpWTDyHGUzlcwdkdXqwsz82l/oBxyO4UusvJsPgQuJ4yTFhGk8djk+r+JX/SKt/NPyxYxv/9gfNKkY17hQVktiPVAT6nJ1S/zZUlNbkEJ1n4YDkPD1IMQopUQ4qj4f3vnHV/j9cfx97k320isEHvv2rsqKDVLqVV7q1V7tfS61N6t2aJqr6KE2mK0ithqlJqVGDET2fee3x/nJiISgkjI77xfr/sSz/Pc85zn5ub7fJ/v+X4/XyFOZEyT9sLOKbP2B207sKdxlerXUruk8BVCHBdCjBJCvPA7LMzCXphFGWEWvYVZLBdmcQWludIZVe1rAjykSRaXJvmlrHpkaffjTTrnnpflUf5s2QNK5y/ov9Y8oUf0LCVhFo7CLNqhQlVTUcY5pzTJmIZ4sBU5w+3jaivxLFMfzzLVbf+uE95la6EqSyei0korS5MMlCZpRmXD2AHnhVl8I5RaZaIhzKKYMIv5ex74VIi5r1T+gqzesxNQ/Xc3/rmPggVzWIVZuCXmHN8D7A/+fcq9a/1G+Py4mN6Nm1N3SB9Cw2Jt/vVc2PVNeX889newZ6EQoheqSEjmzOQRdHLKcstdx4cOP85bN/b3k3+6B4QGWSjCAT6hDG3Ih6ooPRRXiXOwJVSeefKv5dPT/SKEd9lG0lNGVRRKKa8AdW3qi1ENFq7e8iWXR5bn5mZvsHdEFS31Bw4Ls2gtTXLnc9egvM6hPM2CiSLb9kz5vmrcXBTL/azya3SPw8nRMf/oXN0Xft121tJX+OiisHnFm4RZbEalW84T3YQ/BvL1bfxF1Wm9+s/3Ori/UMeJo/N3qPMpQSHB3N6wPcTRwf66W71quQKCgnoAM6NdjzvPeuOlUWmhf6J0akahmk08/53Z6+MeGBy06ZetXuVOLlhO3qzZmLZmecoFW377oUnVj9t+v2xQ2z6XJjcBeqHULQcD22Pz7IVZRBaN9YqxXaAK2PoBjaRJ/iHMYgewWigtoD+lSd4GegmzmI56ovlHKHGthW+rvN321NYAVQyVD5id2znLl6inkKjv6LSe/eg1YxIF2zTBaDRQtURpi7Wq9Tx3uSLMYhkq8+mdL+BJBHyzZ/QIKF+4qCtAw8qedJ70HZf9blIox3PqwAkuNPfOG/bYeha6p0nL7A1r+MlrQ91HgYGhdx4+8HoSEtxaysTrmiOEKA0M/KHPoI97NWq2rP+saaVnrVxjVzxPPgIeB2W6uXSLPH3vUnCVXl2rWDJbF1OUUjKyq08cJc4nAv/ZXPl4pylWpB8wXZhFQWCsNEkphCgGFJfeR6K+BFJK7I2x/woDIp5Im8GZIlSj6+U2QzExhiGqC1iAZ7XZhehRo1o5+y71G4mrfr5xfg5OBgdRM035T2xl18GxvELi2P7cS5rkCmEWawmmv2jKgC5tP9sHpClXsAi37t/jyPmztKj+Cc6Ojk5A+bkDhqVpNXFEIWEWVp7GxtPxtLR/DHBIRnYMehHKI9+IpJxE8uiJCqcHBgfh4uRkAMpXTP3B30YMSy1Ya0mTPP2SEQegdHyizi3MwgkVmiuCuslfB5AmuUco9csNwizqSpP0sW2/BDQXZlEWVbfQX5jFMGADI2mFCp9Jd7c0zsuGj76zaKtXzr/Onkl9P+Dx/QcBjx+hCtj8pLS1rosFYRZpUU8vPVF9S79H6aOE2z6TrouGjYyqLk7n6saKb5/WvEVYLcfsDMaqc73XZUJlVf0hzOIQMB3Y/a4W8CQCv1+75fv9kfNnQ8sWLOy47+QxhBDkypT5mYOsymYtjH2I1+edNuyRxvPWum1307m6Og+cPZ0RC+dSq2wFfli3mj9mzhduKVM51R78VfVdRw/3R+VPJwpSyqO1y1fK36tRs30hoaHl/e75k8sjM+v3e9P100akckghKnkUT92jWpM7M39dE2hdY332phOLzkdFymA93jECJabkjTL8BYVZdEFpyny/Yb/31599VPXjOb+tdSqWJ29U67roBFtCGHn1x9Cp5qpGaZIWm+Eoh6pQLSvMooNUnYhApTaOj1H1KLCn+6VLN0SJTi0Ji4ggOCyUEp1asmXCjCgd60jc7dM8AS4CzrZXGlToyPkFL6eY22wGOpg8BH/hXptcTlncpJT0nzWNBpWqUDxvPlbt2UETz49xsLdn45/78qdM7WwNJLgTagFyBco7D0LdLAxACWEWcd1MQqJddyOgeEoXF+b2H0alXp1Il9oVi9XKHz/MB6B0qkIREVUPbcKzzAuNuu2poSUqpBK5LTOqF+dVVNjlGS9NmuQ2W9WylzCLWtHF3KRJHrGtR9QCJuDHCIxk79vo2Sea66ujMiQdzl+/+rBI++ZhVqu1bRxz/ADoDTRFPT1+HnlDiUJJRzTwD3+4L6XBJZ+T0SEqHCWlDLkYfCOg5skeD6+H3hbSJH2B4cIsxqL0i74HLDZnYvn7lt76pkgpbzna29fvOGGUl5TS0dHBgXWjJuLk+GwtU3Bo6EWeD7u+Me+0YZdSHn202Xuwa8qUv0TvWbh42xYGNGsV1R906TejXE7+e/FuYs9v68TvP123b3fJrpPHRrXdWrdvD9kyPDW2RXPkSZMzk0e5Vxh2PmqVvDSwGpUtsYuRNGIkvRuNGDQ0V6bM5MmSlRUjYlcLuBf+OKhmmgrVzyy9HNr7n+Z3xnXq2U9WPbJGeJetAsxAhWYaAelRKXG/CrNIiVKXrA3U5hucZ30wxFo33YeGq36+FO3QghMLlsd6vhzOHv9Kk3yjtmK2EIU9NiM/M9/gldYwq2ez8cOiyvBdnJz4+qdZVOzZkTSpUtO8Wg0OnT8THkjw77b3pUV5qbHeOGJ5OQizCAWCtxX7wfmTtBWcTl++xKhf5nN20WryZMnK97+u5HPTEE7MX4ZBySbEZ6GrD7BSmuQt27WVs71nNjAuLi9WmuRGW5riVmEWH8dIGZW27TsI5CvxOcO6tGv0zBNNWHg4Dvb2AE69Z0wqMbxNx2vmDt1ORfuMjag1n69Qee9zgYK20E/seJa5k8lsPPJdru77h+Zo74Ht6VIIsbDvpSle10Nvb0Glu35lm2cQ8JOtgKcmSmdlnDCLucCcyM/k/4HQ8PC97PXJQxzKkldXbXwb8srA+6AVs9fHa8N+73qRPQu9p8+l4TcDaV2zDvtOHsP3nj8fFStBx9YN/y5zps2PKP1qO9vrbfwc9f+dxWfn/jhN2ZTwtO2WndGOJV+bKV9YdRH7yWs9K3dt99t17Mizz2AvwJYLfRIVxpiMSkdrDXwqTfLMC2L0WLFaL167Qf8fphkOnTuDuX1XejZtJu9HPL52Mfh6laoNu90QZtEJVbl6B1XdmAYoh5Jg3YpaFBzeOH01z6WFRnH7zn2KdmhB4NZ9z8wzZ/MGrB45LrRcoSIt8Szz2qv6tvhuUVST6rJAuZWZx34wdsLPhkLZc/Lz0G9xdnTi1j1/JEQpJS7fuZX5mzf47z7mkyHu0V94XgO2G8CTj/ZvdDE6VZq8cgmnr/zLL8NGAk+77txet430bm6cCrx4q7hPy/GoArQTMobuuFDSr5eBctIkL9tCLFNRGUO/xXNerVG/n2pxxasf7trTIoXBebGdMNpHFxYD+P3QH/SdOZW/F60OsTMaWwnvsnuATqhwix9Pwy2xruTFmIuT7T2FpUn6xbLfDbV+MUea5A8x99uOKYQy/C1QKbHTpUmeeNm5kw2JKK8cyTvtsdtw+eyjqnz2UVV+8lpPrUG9MRqM7PA5xG9jJuPk4Ei7cSOZuPCXHJQjH0rPOgIVN478OTSO7a//8wEyP3QMGE9F9bjdsU4Dvpw6nirFSuJ77+nDg6+/P1kzZHylBS+p9Ld7oEIyX6Nil+eB3cIs2kuT3BIZo9/14PCiEikLXDj0+EzJfE7ZyJciu2H+xg10rteQ7LYwjbPRUWQxZsjpF+b/r53ZuAIlDWtAhQpCUVWhu1A3rG9Qf3zO6/29+Sf4elBxj/wuMY06wNVVG0HdBOL9KCmeNp8uh82Io25QN1ASCEfwZXnf76ds+bLB587Ry/A3/rkPr4MH+G3MFJ4EBzNtzXI61m3wwjztF2FbQA0Cgtjr8wBU1sfM9Wu4ff8eGdOmY8OBveTKlJn0birpw0HY3wMKcpje+JBLzBIR6RxdQ6f16X//k+LlH3Y91yjLip3bXALuBW0Xv4rbNCYTgmqR9QHxnNdSm+e+U5hF1dhy2t3sUrV+Ehxs33L8cGIWu01bs4JhLdtjZzQ6+Tw+NxUlceGF0uuPtcbgBdRG3cCeM+q2uT4UStH0T2EWl6VJbo7lmHNAd1sBT1dUuOkiKg7vFVfla7IhceWVgXfcY4+rZ2HhHLno+mkjejduDsDmgwcYNGfGw7PXrqRJxLl9lN7Vbfu5X9Y4pXdzI7LtVud6Ddl+5C/Wj55EYHAwFXt2ZGyXHgcbDR9U6eWjxjiHymV2BKqhMhZAfTkmorIPpDCL00CrHpmbzpuc56sKzsanT3sx29YFW0LocH7Ug1V3d9ij8pY3oJo+w3buc4nGAGldXMXwLzsayhQsHBohI0RBct7+pH+vbD8P+ZYyBaPCxvFqOG3LGY804JEeeSBwhEhDDkefWWQUYhiCMR/kzisM0fTDtk36ga/nz+avs6exWKx0qtcwYlCLNs3f5GnBNkfD19k7rBmeo1MjZ6OjmLV+NTPXr8HB3p60qVIzs88giuTKQ5g1zNLmnClo9eGdy1hM425NG38yuVvfxbsPHSnca/pEu7n9h/HN/NnsmD6LCyFXw6v1624N94hYQF2mAldetQhLlBeLuMwXPOASFh5N69V/Q98mX1TpPWNSkc1/Hcju6+9v8EiXjmM/LSFNKhWWvPvwAXlbNcJ37e+kcHbmn6DrVwoc/rzS64ZAhFksB/ZLk5zzkuMqAJtQ8swv9MZtRVGfozKD0qGeIH6Otu6jeUPedY/do8WorwteW7UpJINbGqdlO7dSNFceOtdryOo9O+lcryFODo6s27/H4ujgkKha1VLK/Y2rVFvs2bdrF3ujnYhsu5UtQ0b+vfkfxTu3JCw8gs71GkY0+qja5Nc8TW9UJ/jpqIW3Kqjsj02oVmS9UE8QxiHZ29pFN+qx4Wx0YmWRsX+u8t4xHeXBdQW8uUtNTpEyfU+3gK2Vf3C4ftrPsc/UKVxf7eW45a8/8JzZNdvVW37ce/LoKCr3O9ZHSWEWrqgbRXRv3JmnRnwmqoIzTiMjzEIwEgcD4vqfHy14lNLo8kxGx4LBI6L/9yhvuPBkyxFfPP76L+6mnF2OAaV7NmpGz0bNnjvWweDgs/X+wVY4YRbNcRnYrs22lEbnjBUKFeXW/Xus8d5Jyxq1SZ/SjfQpS9iP/KzLg282zGmMimu7CtWE/Hi019m4JBWEEAWAWnRjnEeO9G0mhXzlMHTOrPEl8uQX244cxColQ1u24+S/F5m/eSODbDfvP06fpGyBwqRwdgYgv0v2s29g1F1QWVN9X3asNMm/bE+ZG4VZVJQm+VzBU7Rjw4GVQgnaVUAZeJMwi0XADzK2Zh3vYLrzu8w7bdjj6lmY3T0T9x8/pnTXtlisFvJmyfbw/uPHXyT2/NaNntQdFUZ4ptnE9N4Don72eXxWOu398H6I56tnYtoeczuivsBjUPHviqi+qMtt/wewS2mMd42DC8pbWgUUA6pjh4uox32vStPSlk5VkGyF3KMW4yKLkZqahuFkdHQEauBZxmqLvZbD+xlvPCvKYB1BLfwO4hV6hNpK+38CClmRFVIaXay8vKXZa/9RC7PIahv/lBVrSweDvevLzvdoeOAdoPXfW1Z3zu6YcU70rB2/e/7UKlsx6k1lshdOkfZh6of3TI9yC7NIj6pwLYlSBRwC5BCqp2p0Y3/KJl0QCnSWXxz5/VqIX0fnYMdsHR6MIjQ8jLsPH/LoSSDr9u/hqp8vh8//zbIdv7Nr6mwu3rxBTltKnZQyRAjxJql0dVHCZnE+kUVHqhaNeVF1CVVeJMFgO15ik22wyW/0RFXdeqOcmT8YSSs7o3FY7sxZc6ZNlcrph68GGYrlyUfv7yex7+TxuqHhYSEPAgIWPQwM6C1lMg/pvALvtGEHsFgss9nrs5YYf3Cm9l0wte8S/Q/85bnKCY0tHSzm3AAirJbwU08uWludGzE3VIatFmYxQJrkklc9hVSqf+tRns1ilJhYVVSno0moAqkcd8MfOKe1T/3S8W6H3XdELaTdBS4Bj0jDuM/zfTy6WMq8RDdUDvb2zxQjOTrYF+x3cdqW6d7LM6B038+jjPhe21zOvm4BjTCLNKjMkYcoISyVDhgt3/9YwPnyae1cr+V09hjLGy482XLD16PCAJNsRiZeLdQAiqTI/dmT4GC7VuNHRMW4m5mHEV0tXQjhkMEtTVoAW0XqTtsrcg4pUDfXSIPfHigszOIGI5WhX3Z7a7kWGT7J0G6yiQaVqlCrXEWaeFZnxa7t/Hf3DkVy5WHvjHmR2TBRnjvA2aArIS3PDt960vOf1/2YmqEcgFdhPJAXVTfRKL7xc2mS11DaQaOAdsBCbhGKHdn+WfLr5VweWVy2/PUHjb8dTN8mX3D34QP+XrRKWK1W59Ld2rYJCHpyAOXsaHgPDDsQ756F78rcLgbdSDf1v6VBi29t+TLIGrIT1RtymjCLPID5NYo2hqK8ud9Q6pGrgIbSJPsLJZn74+TrS/+blX9IuMOzYlPPEGwJlT3/mVAGlbXhilr4nAKs6ZalcZg1TNpHTy+MiZ3BaNctc6Os028u74JaUAt+xeuIFWEWuVEaLZtRfT2fGoNoC0+lzWVHAxZpkm8aU2+KSj3sIk3y2VBOPBe6zly7lKHVqG8plD1nlKBbdvdM+N57qijg63+XzOnTx6leKZWscqTQWOTc7FHdq0oCJdNbXdu0MH/tFPk7WbhlI1f8fPFb9zsOdvZ0mDCKAbOn80OfQdGHDrFK66n6p/v+dzXEb5Mwi4Yv855jYkt/rYVauI838qni51bUd+ulYZwY7w8EZgmzmMN92lfvUHZ4Jvf0JUD1Krh1/x69GjWjd+PmGAwG7j58QGhYWIp+TVsWfJXzJHfeD8MOSbKyHG9izC2/uWxq4DoqTawvKmXxE1RzitzCLLpEVaHGA2mSQba0uU2oGPaPKKnXrrZzzFx467cpw3N29M3h5BGl+rjIlrIXycXg60/W+e9JiUpvbIgSnloHbH1yL7hKpXGdnjFUsVEwRc47MTVl3gTbott6YLQ0ydkvOfwMyot83XMJYDiq0vKli3yxvN8AVCOILzMuSluue90mzzTPaFi5CuZF8+lavxF2RiOLtnpRt8KHccaaY8MWfz4NnBZCePfKMqlz6fwFo34n6/btoVXN2qRyUfIxXes3oteMiaAanET1pjUIw4arIX4C9V3ZKsyiXrwqcJ9SDzj4OiJk0iTDhFl8jsqU6SlNctZrjGEFFrLXpzGQK+aTJMDQeT8wc/0ayhQoJEa07VTmVc+RnNEiYG8BW27zBqC1NMllKG90Ciq7JSWwzVbK/SpjHkapRc5DVQuWQhkpC3DTinxU8VgHy6FHpwmxhD3zBGORFkKsoaF3wx44t85Y56YB8R/qJjMXmEYAx7sNG5ei8UfVWGkaG6dRt5FguhY2z3kTKsf7ZUYdlGEv+prnckZdc32g/KsYdWEWWWypepeAKWzE4fad+3Ldvt0yUritRKeWVCpSjMZVqlGuezuKdmhByXwFIvo1bTnqteYrRCrA+5My5X2j/05K5S/Aun17iIiIQErJuv17qFD4A6SUf0UXGcOzjNX25NMF9bS38xW/c81R6ySvhVQ9buuhqlFf2lD9Bbg8CQ6m2chhXLr5H/MHDY/aMb5bbx547SZnJg9aj/m25BucI9nxTqc7vs8Is6iCUu8riqqo3IMy8ONRuh/1UQ0pXtgwIcaY9igdlHmouP5BlKFdh4rVWg2ITz84k1c8/CtAuNg5ibyZszF/0HDSpXal14xJeJ84KkMsYfJ2rnuG4I9DHyEYjTdm9pKiWK68UoinUeJdU2eTzlXlbydUMZLtOgRqYbU3qugqXkbWdv2PgbSvEgayFXxtQPUR7Rif99rOVQ/l3VdChb/mA8ekSUpb0cmfxFg4j8EhoNLrhAqFEMOA79KkSn09Wwb3HJG/l83jpzNm6UJ2Hj2Co709xfPkY0rvftaBvjOuL729ZThK2/6ZdQ7b5z0BlZNe42WLocIsUqF0Y3LKN2xCLsyiIuq7WiO6TEJ8Obd4zc4Wo775OHqh2h+nT5LBzY382XIA4H38KB0njgq47Hvz5YtM/ydow/6WsP0x/QO0kiZ52KYV4oPq6L7NFof8Fmj8KqENYRaFgX3p7d0qrisysU6AJWhaenu3AEeDvf93Vxfm/PX4Lj+5lqy75s6JqO5Rxm7g7OkEBAdRsfAHLN6+hR2TZ2KVkhJdWoacT3l1svVzORR4bMSwJKLqoQq8JUMVbf52KMXACqgb23+v+P5TQHtpksfieXxxlGFZCIx62fqGMIt8qMXldigPfT6wVsbWZjCOCmDimeMfL+JxA5FSHnLa9+HoMBk+GNVseQpKCTJqzrbvownlidd4UTqiMItWwBfSJOu/0dyfjtcctbhewaYpE7/3CZEqpbPzpf7NWqU1d+gWFTYevXg+f509w2/fTcZgMNBl8hjLiYsXth7953yCzDc58P7E2N8zbItIi3jamchXmMUXKHnW8tIk5wizuIbK++0hTTJ+zYBHcs45h+ONVlVrn65cqYQUQhjSN6jhmjWDu6sVSb7w7O75a2c/WtG9aOno+jqRvSpDw8OxWq0YhdGxRply9bZz6F8gpQVr3c9OD+z1fb4B8zPYp8kWPSc+xBJmvRt+/79sTpneNL0wNerxXqKEsF6nICUyHPNSw25bWJ4P9JYmGWd2hy1M8znKOy+Eau9XTZrk+ReeIDEW9V+QeYXtBiKEaBD6bdgdYLNtzWIwMEKYxWxgpjRJf9sNbaQwiyBgrzCLGrHmiyua8QZhmJhIk1wVIw0yvr14ewUGB6dfuXtHyG8H9kbZqm2TfsDvnj/FO7fEIAx8kDvvveDQ0OYJNd/kgPbY3yK2POlTQNbI9D1hFv1R6ncfSpMMEWZRAhVnnsnzkrrPjidEIWCWk4OD5+iOXxoGtmjDhetX+fTrAfyz9Oma8sOIQOl90EdE19fJ7ZGFekP7cujc30RYLHxStjxd+nwWVud0n+uoHPRPgJkGhHOj9NVcVhUZt9UoDM5A0KHHZ7wqHes42op8pdL4GJ9FNlTWyx8oQ/u6aZFfA27SJJ/Tj492TKTmeR/UE9HhOI4riTLmLVBPI/NRJe4v1VBJdF5Rb0SYRQHUZ/A5am1haqQ0ga2wbRDKc78Y431uqIX/bK+42PpCbL+ThSihtsavJCOQGE9GyQxt2N8ywix+B5baFlEjv+ArgQBpkp1t27ICXqzGwFncgPtpUqV2LZW/gKPX2GkXWn43IvfuY0cMj54EpsjmnvFKleKlipfIk884sEUbfv59IxNXLCG9qxuPngTSxLM6w1p1sNrb2RngqThZ65p1uOLny4LBIyJ7VVKweE7r3Fy/FpYmecE2j1bAIlQ1axFpkpejXUdnVOpb+biqJV/wGZRC/WFOQxmY1/7SCbP4FOghTbJOHPsdUIvCJVHx+/9i7HcDvkAZ9HQoY/OzNMkbrzundxmbpEMf1CLqNpTzcEKUFT9xjXY84DIR3I+UK5jmtbz47LVrMvn7P/R7GBh4GmgrpbyXQHNxwCYyJ02y/yu9OQmEtN5ntGF/y9gyP76UJvlxtG0pUSX2U6VJzrdtS8Usrqev53bZt+3vVnuDXVHAaerqZRw4fYI15gkhEZaIk6W6tfkgXcrULg0qyX7YtQAAIABJREFUVWFgizb85LWeU/9eYnzXXoRHRFC9f3cqFy3O97a85kh9nfxZszO73xCqlVRZYYt+38S8LesfHjx1Kk20ea1Hee5HUSGJgcBiW1hJoDzuI9IkTa9w/fVRlbNfSpN841RVoToT7ZMmmS2WfelRC8n3UBlJT2zbBVAZZcwbogzcfGDXq+q3vK/YwmDdgL74cpkFFKYtIzLlS2eaENw76Ju5c3KsHz1RfPp1fw7OWkhOj8whHSeMevjr3t3bHj0JbJ+A80iDWvSf8TL9Gc3row37W0Yolb7/UDKuV6JtLwjsB+pKkzxia1b9yLNsKe75P3LMny17VLPq8IgI7O3suH3/HlX6dCW7eyZqla0QJe4VndGLF/DdkgXcWL3Z6p4mjSFSnKx4nnykcHJmTv+hhEdE0MQ0RD5+8mTlnuM+LW3zyYLqBZoStVAXjnqEP48yyvdsC8DHgfoyHiqBwix6oxp5NJImeei1P8NnWxAGjx3Ts+Tnuar/6WCwf/z7oT831h3Sx0QTmlKUJajsleHSJK3CLDKiFkE7oZ5C5qOenhJdu/9dQZiFI//yFSF8ZSgibl0svz5LyhBnj6xN69G5XkPSpnLlu87dAXgUGMhN/zsnCufMXTohvWJbod4BVIbS7wk1ruYpOo/9LWMrRFqOKhePvv08yoNaa/M0M2dzz/j3918O5NTCFURvVm1vZ8fQeT+Qp2UjMqVNR8Y0T9ORl2zfwql/n4ZJr/r5gpRkb1bP4FqvKou3bWbDd5OY1rMfDwMDSFWnChkb1SJFaucgq7R2iDalTigjbkE9Kp9Cxd5vACdsi22+qMf6xbYFx1gRZmEUqnNOd9RawpsY9cgWhA2k95HARh9VK+G94ajRwWD/0eJtm+t1nzp+LpA5Qz63jSj54RFAbWEW62zXUwD12ReVJjnt/9mog/o+ysVyEkXIMS//N7s87NNnjCz8uXrLjwhLBA2/GUDxTi3pOX0C6V3dCqIavyTkHP4FmqC+R3G27dO8PtqwJw4Lgfa2ysUobKXxK4AVjOT69dVefsXy5HMUQjCweWv+9b3J1VsqOyyyGCNXpswcPPu0M9uZK//y7cJ5WCwW/jhzkmU7tzKmWw++nNUktF3d+uTOnJVcHllI5+pGyXwFcHJwpGn1jzld7d/gfY2Ol4CoFMTO2GQGIhe2pEmG2GKhHYCfhVlMBTZwhHuM5hF7fZqw18erd+PmV3Jk9AhIkyrVdYOdWEYYG1B59R/KWLTEXwUp5dFa5Srm79Wo2TJbC0K7dKld8fW/y4YD3myf/IMA2F1i7kMjxryo1nPfomoGskuT7CRN8uCbxPWTI9IkrU1SVy/edrTJEFn4Ex4RwaaD+5nXfxjHf1pKprTp6Dp5bGTXqIQ+/x+o5hubbOsAmgREG/ZEwFaYcQ/Vei4mwwED/zB3xtoVz7Qvl1Jy/fYt/rmheknY29nRvvan3Hv0KMpImdp1IW3q1HzQ8QvajzPTp0kLatYuH9g4bVWHu/cekN5V6XR7Hz/K1sMH+bJBY+yFHT8XHJFarGZ7rQoVl16v4HXQ8/dSHrkWZS7oNjNVPiHECSHEIyHERtv8d6KEqrJzhxPGHYbczvaO9hZpWep9/Gi9HT6Hcp5fsibl3Y27MlQpU6p56r0psgK137S4JZLIFoRZm9Zj36njdKjzKZnTZ2Dd6ElRRSqu9inz9M36RUlUaKuCNMn5r5lO+X+BECJ72W7tKhsNBvZMn4NbqlRkTp+B2uUqkildegwGAx3qfBrpRMRbOvRVkCa5AqXmuckmiKZJILRhTzwWEovnY0v7+4JU1B++YE6BK36qbmTOb2splicv+04dp9+saURERGC1Wlm283fqV6x8o3OTz/4OtoTg4uTEwiHfcvaX1VxY+mvIhG69D41d9/Ppxh0Hi0gj6Ot/lz4zp7Bs+GiMBiMPAh4z8NsZ9k7/OqauWrz0F9mcMpbxnjDP7vKi3/Bfs9N5z7S5RoPB8Bgloxo5z3tMoi2LsR8/qLe7AQNGYXS0WC2EhIURHBqK1WJxcpaOxoH5W7vJqkdeK50xOsIsnIRZZHoYEdC7cZXqDv4bdzKyfRdqDeqN1fpsyNfZ4MjkvH2ENMkXNprWxC1X0MSzOl4HD3Dv0UMA1u3fQ9kChSEBZSSeYyQPmUoepuFnMIiNB2cv7Bjw+94tjT6q6pvLI/Njt5SprhuEWChE3KE/zfPoAqXEYznwnTCLNDE9WWmSd4RZfFakSe7d9Yf2c7ZKKbJmcGfFiDFkSpuOvjOnRBVjVCpazDKua68h6Q7U6NU6Y52rvxQa+ffpwH9L3o946Oz98JjXtBvLv11Zf8zFVe3G8ZPXej4Z2JusGdyZ1rNfVK/Q05cvMbRVe5Ezowf2BuMzN3dLhMWpx/QJRRcOHvFPu9r1n61OfMK85tVqbm1UpGqnkfxoBPi4dDlqlilH9maf4mBvT4FsORjcsl0m4DNhFl6AWyyvNHFsj7nfgD+Plx3emqpnpabA0xaEDwIeR8kdROOteJbJkF5AjhW7t18/cPpElIzErqmz6dvkCzz7dMMqJTkyZmL+oOEhKKckwYlcPyED+bJ2dv+t+sGy1Rdu2Vg3Y5p0xlQuKfh3+QasUto3/GZAg0Nnz9xHZWlp4oE27ImENMn7wiy2onKonxO8kiZ5yH6U3YAjzRZPLZEq/zPeyex+Q6P/1yfbwXrbrFiXLb69+dNfvvTaUsxctjPQiLtU5R6/pCqWIgKwizSC/o8e0n/WNABu3b+HxWpl9zGfWOe5YMtvZE6Xnna162dHLZqtAxBC9AAiVprG5rjq5+sYeXxsMrIDZ093qtO6UmSF6QOUxnpcrxvRfo481hEoDVQlgDqmyfPsmy+sSXo3NyK7aMVi1OFtepbJCCnlOGBcbHIF3Rs2oXvDJtEPP8kbdql6wTyOCiHyyQVHLA+DApy67xifIotHBqoUL0nOTB4YDAYM4ORZvJSTg519O/b6DNY56/FDG/bEZSEwllgMO0CEtMxr/Pcgzy3FZtQs4JwjhRAiqsrOIq2hxwPOG2b7ru33X+id8SgxrMhUscPAAB4j8KKyX627IbgSZQRPLnjaf2Dkzz/i/+ghM/sOpv24kc/NYdqaFfw44GtQFX4dbbntWXCmL0bc8rZrlNYBe4LDQinRqSVpU7vS5pM6z8nITvuq3wFUWf5LFy1tef2eKB2TmoAHsBvYQS5MVYqUHBKzBWFMJPKteZbJlnjIFfCGXapehpQyvOdnTSes2rOjlKODA6M6diNf1uxR+6/d8mP62hXM7T8sNdEcDc2L0YY9cdkFuAuzKGZLJ3wGWyFQxyKHm/35Xa4eR4flaJ8JW5WdURgWVjzeMX2EtMwHcgNzohnNs0BW8hDCR4R07j8mZHSaBc5ZMriL2IxgXBy/eIEISwSeJUoBcDTgfAWU3ruRIRwBfHZXmFPH+sBapmiHFpxYsJxvF85l3b49tKlZF6PRGCUjayfsAuMy6sIsjChd+Zq2V2mUQNoOVAbO0WdKzqv6xNqCMOpz8z4Cb9GzTNa8A01sZvUbUmRWvyH85LWeWoN6c2nZegwGA0cvnKPRiEH0atSMBh9WcUCtUWnDHg+0YU9EpElaogmD9YvjmGBhFp9/fWXWwa+vzPpcmuSByH0R3haBKg13AGZEe0+EMIt7wGPKUySsYnjVhSW/PVA6VSGHmOOP7NA1zvntPXGU6iXLEqncm97e9SrQGLhhu+lkHnvt53p9U7a0Ylt4/7pVB/rPnkbh9s2jZGRn9h38nPdsK0qJNOTVAF+UIZ+AqiSNu8PPO+BZJmuSqImNECIvkEl6H3GBZ9dPdvgcpsf0CczsM4iWNWpHvkWvocQTbdgTn0XAX8IshsQlNiVN8rIwifasY5vdNOOUiN8OnQLaR3geSrnswtbi3YaMMYS3jmiGkkKNLLPPiKoWPRBsDV3V6uyI2efLr61IDEMYbo0IvxP+IDStXaqUMc+rGiFHpRSH5HDyGCtN8rowCyHMojUwdb7fb3Nmew6JCNy6rxyAk6NjzDUAgJOZ/6yz18/bvwlPjbkzypBvAHpJk/R7pU/tHfAsNQmOB7Div7t3/s6awT0qdPjn36f46ofJbJ/0A2UKFo5+vF5DiSdaUiAJEGaxByWnGquHFKniiJHKfVq3sE5r318KIZwWb9uM6ecfuXrLl+1LZobPfLj609967d0mzGIjyov3RDW8bg/UsxPGEt0yN25YO02lyi5GR+yE8b7XvQN/zLq5ZrVP6cXfF0qRK01s57dxCKgkvMtmQDUMyQ+0lSZ5LC61PYu0hF0Pue3/0fHOt2+G3c2LKhvfYXv9rYuENDERQnR3S5lyWHb3TFmzZHAXs/oOpvbgr7j/+DFZ0meIOq5ikWKWOf2HNnvTJi//L2jDngTY+pe2kCZZL9b9Qsw0GgwHG1SqMr1S0WLpB7Zog6//XXrNmMj4rr0o0KYJdzfs4LrxVmiFYx16hMsIExAM5LENYQAuAttRsesfbdvSSJN8IszC0fV8ytvhGyJc72/ejbBC7+8nsf/UCaSU8sOixW+NaNupVM7zDT4CfkCJeI2U0fq0rlkz3pDGLlWfLI7unZ9YQzLdDXuQetWd7VeW3t66xoJlB6pfZrz7umr+j3nL3aj+H9GhmKThV2CGMIsssXWykVL2Yq/P523HmqI86shKy+gUcsnlWD/dRwvW+++5iuqcY0Tl+t5BeddfAQizmIuqfM0NnOZvugduC3J0kPZWkIaZ69dw9+EDzvy8EovVGl6mW5vUJZe23kgZXIHPpEn+ZRsnM1ADFVqpgbqZRHrku6VJ3l+UkJ+S5v8DvYaS4OjK0yTA1nRjDdD2BYd1MAhhfNE4zkZHunh8FoFSLryD8tL/tY1dwtbmDVQ++V0grxDCBW9Gze419L5BGAyORgf6N2vFKtM4DAYD9x8/cggLj0gxoUyvPBnt01YG0gqzmCbM4gyqe1EDVIjlQ2mSuaVJdpMmuVaa5P03+Eg0/++oRhmVgNYoeeg9tn9boTx13UjjFdAee9KxEFgqzGJ8HLHneGUAuNqlDAXyAlaUMuPPKPnd+8BKYRZrUJ68BfiQ1HQtU7OwsUbRsumijxOpIDlz/RrKFCjE52U/dtt+5dC1tf67DqM88o7ETEPUaBKSJMrOSY5ojz3pOIzKYvkwjv3xygCIkBEhQCDgj1LLO4sSFotc8HRHGfYs/EUPclFzZOMuzgZhcIw5VqSCZM5MHvT7fqpheeHRe6VJVpUmOUaa5GFt1DWa9wNt2JMIm5ceqzCYjZ+t8sWG1CItYTP+W5kWFR6ZCHQFigD7pUnOQC1IHUPFwtdylAhuQt++U4PrDu0bVT36x+mTzylIHvvnPPYG++eMv0ajeffRhj1pWQI0EmaRKpZ96xd/bfaJrUuS9D5Cejc3jgVcMGzw37tVmuQeYCpwBeWd57UdOgf40vbzPXoSSi92XFy6bs+W8dNxdnDkxILl7D5+5DkFyeqlyoDOG9Zo3ku0YU9CpEneBvYCTZ/bqeKNDW6G3r0aYgl7JhsgzBpmuRB0zb/+6b5WK9ZWtrEkqnAHoK/tXy8gJyCAR6jmzQsW+W06GWINi4rrD/miHTkyZqJ455YU79QSO6MdY7v01NorGs17is5jT2KEWTQABkuTrBzbfqPZuL1pho/Lzco/5JS9sLP/89HJUscDLywefmVOUytyvjTJgTHGm4JqSVdemuRpYRYjUX1Hv0cZ/CUGRI1rFbwsWZ3cc75gajpvWKN5T9GGPYkRZmGPkq71lCZ5Ica+NKhG2FeBosA2VDPpzqiMprwxe3gKs/BENW22onqWprKNfwIoDJwC6uZ2yjJ5VZFxLcukKmQh7rxhnWKm0byH6FBMEiNNMhwlA9Ahlt11UfnnS1HNf7MAn6IWRH+MozHzUSAz4I0KpfiijHwJlFFfLk3S/3LIzYrlj7b3QucNazTJDu2xvwMIsyiEkvTNbmuVF7n9V+AToBxKHuAcqoK0FlBYmuStOMY7A3QCZqEyYj4EwoChqIXVr4BQoLU0yVVv6bI0Gk0SoT32dwBpkueAayiDDYAwC2egNqraswNwE8iEqjBdEpdRt3EYdUNwRIVjrCjDbkDpyZREZc9sSuhr0Wg0SY+uPH13iMxp32z7/8fAE1RcvQ+qcrQ+sAX44CVjWYGvgQGojJiZRozHvszcuNlnGaoWzeyQfsON0DthtdJWqMNen/V6gVSjSV7oUMw7gjCL1MB1IJ80ybvCLBaj0iCPoypIu6M6DaWWJtkjjjFcgOkoTz9UmmQ+UUkcMF4yVMrh7EGhrLnEwkEjsDMa6T5tPMcvXpBGgzH48ZMn3930vzMuUS5Uo9G8dbTH/q4wkurYkWLsgp6TrN6HM3gXn1fLgjWo2/SxZS5duHGTL9kNzAVKxfZ2W5x+NXAatVB6Q+QVn+BPxe1zZ1mqe5SxGzh7OiMWziUkLIyUzi6c+2WNsFitLjUG9Bhsb2d3JjwiQodmNJpkgI6xvwMIIfIZDYZpzkZHQ7+sLdsYhKGuZ5pSRv8TD1I9PPHYvkrGUm4FnHMMA9ZLk7z23PvNoh2wD+Wtt7IpLZ6mDZ90G9f4cEX3D4whoaHc9L9LutSuHL1wLqpHqYO9PU2r1kiRL0u2WFv1aTSa9w9t2JMYIYQLsHTRsJFhBmEwOBkdDADnrl1h4oolfNuuC6mcXdyWFBrVJ5Uxxfhn3msWKW0hm8FANWmSC6IpRR4Gvvg2T2ex7c+DImvTeuw7dZwOdT6lfOGiLNmxhfCICAKDgli/39s+lUuKool64RqN5q2hQzFJz7zm1Wr6fFi0WKfIDYFBQbQZY2LR0G/xuXAOgOIp84r/Km4uJcziCZAWle3yHUofZhnQUphFWtu+dKhipIz/BF3P+NlHVfnso6pRXeB95i1m8NwfKNm5FZnSpqNmmXL8fuigvslrNMkE/cechAghegARK01jcwhElJJip0mj6d24GUVz54061sHgYNz/8PhK1GLqDuAn4DZwCWXIn6AqRn8FxgN/40/gg7OPfSLH6FinAddu3yIgKIiJX/bmzKJV7Jw6Gykhu3vGx4lwyRqNJhHQWTFJiBDiMOCSL2u2HHZGu5QXblwjV6bMXPa7STGbUb8f8JhHTwL5sGhxNoybvM9xX6VbQAGgeUwJgqhxzcINuMpV7JxXOoZdWP5rmmxpM7J422amrF5GvQof8vjJE2b2Hczt+/eo0KOj7NWo6dABs6dPTLSL12g0bw1t2N8F9vp4XfXzrVe0QwsCt+57Ztei3zexdu9uvMZPY8f9Q0GfnOq1CBggTTIk8hhHe4fGVmldFr7rr12AS752jSveeXLf+tj6xEowxrSOqZ2zpctI5vQZmNV3MOld3WgzxsSlmzeQSHo0bPpvz0ZN8+t8do0meaBj7O8GP0tkDVSlaKwEW0LlxeAbs6VJDoq+vVm1muXd06Rd/iDgsSNQ70lwMHf9H3Brw9aw8yHXLHVP97kPGH4tOVHkcc7qhk3wa8OYyaAbBWs0yRLtsSc1e32MQGPgR8AtrsOCLCEnXIxOpaMb4MI5cqUwGo23xnTunrLl6BEEbt3HnuM+tBljokD27Nx58IBiRfOGrvhg2x2Dg2FDRNVDe4EOUkqX7Q/+qpTS6NL/Q9fic7VR12iSF9pjT0r2+rgDG7//dWWpeZvW2QsEebJk5aeB3+CeJi0AYdbwCDthPOZidPo0pgG2Srml/+ctHIvlzhe1LSDoCdVKlmZG7wG4ODrR4rtvHPPsz5bu0sc3DHiW+RX4VQC1zeV+BBylSWqjrtEkM3RWTFKx18cAbDx64Vz5qauX2/85cyFnFq0iX5ZsjFg4F4BgS2iwg8G+uUEYKsaU0RUG0TNvtqz5Otf/zD769gYferLkm1GkTe2Kk6MjI1p34tG5QGeUZkx0NqJ6pWo0mmSG9tiTjkZA8dIFCnFx2Trs7eyIrA7N5ZEZAGejo7gRctsl+1/1y+BNAZRmTAGgAB4U/fvGZVGiU0vCIiKiGlP3a9qSXB6ZqVJcKQ9IKbG3sxMoNcfo7AKWC7NIa6tU1Wg0yQRt2JOODtgWMu3t7Niw35vOk77D0cGBUR27RR7jdPrJpUWoBhkXbK8NwAW68s+VqhtXAPWu+vlStEMLTixYzpzf1tJmrAkXR0cMwsCjJ4HUq/whX5Vt/qlripQdjUbjzQcBjx8BUIuLVKQOqsBJo9EkE7RhTzpcov8nZnXopWXrMRgM1ElbaZ80yeqxjrDX52eUvG9Ua7sy+QvxMCAAJ3sHImQEaVO7Yg2zYn/PLnPGtOn4Z+mvmVCFTQ2Ed9lPUeEYbdg1mmSEzopJKvb6eAH1Lv13g1v371G5WAkALBYLDjUrcWf9NtK5ugFsxrNM/TjGMAB/AuWjbw6PiIgK7XSYMIpcHpnJlzUbE1csIb2rG4+eBFKjdLn/FuXyKv/A5fFZwF2aZNjbvFyNRpN46MXTpONnIMTvvj8tRn2D/8OHACzbuZWiufJEGvUQVAOO2FFZMg2AQ7ZjgaehnejCXxEWCzVKl2PrxO/ZN+NH/jp7OnPFfR98h2q35/nWrlKj0SQ62mNPKqJ523N+W8us9WuwMxqjqkNzeWQBZbArvTTPXI3VCBW3dwGKAO4AP3mtZ9yyRVGhnUh+3bub0Yvn3z/Z5uJkILM0yd4Jf5EajSYp0IY9CVm++rtc+ZyzX/wgRV4RKdcLKnfdwWB/FFUReucFQzyHECKv17hpq+pVrFwKnoZ2Fg4eQcl8BSiWR+W8r/XexcSVix8caXH2I1S7vZzRJH81Gs17jA7FJCJCiA+EEN5CiONCCJ9dh45MCrOE3+0xa5wo0PZz8rdpHP7RgM6B/Y9O24Ly1F/JqNvwaD/eXDhmaOfstSt8u3AeFouF4NAQZq5fTcMPPW8AZ4EIoFjCXalGo0lKtGFPJGwNNbYDE6X3kVqLvzanOrDmxOfn/riS6drVW+LU/BVcWPyrJW/WbGLhzI25XrfMX0q5/6NiJRZ79u0qS3Rqycrd29nw3SRM7bqQNnVqPuj4BcU6tqRC4aIRQ1q2M9u8dF2spNEkI3QoJpEQQnwGDJTeR6oAf0opy5++fIknIcE42jtQKn9BAFbv2cGEVYtDjs5dkuK1NVziyJaJQVT8XphFNWCiNMmyr3U+jUbzTqE99sQjP3CraPvmO0p3aVOu5oCeRFgsVCxSLMqoPwh4zKhf5tOmRl174LPXPlO0bBmrtIbE2BuCMurRFR0PAHmEWWR57XNqNJp3Bm3YEw97oO7kHn0dj/60RPRu3Jy6Q/oQGqbSx/+9+R9VvupK5Q9K0OfzFkag4xudTcXnK628s33C/ofH7wF7gM1AK2LE76VJhgO/A7Hny2s0mvcKXXmaePgC52qXqxgG0LCyJ50nfcdlv5vcun+P5uavGdyiDQNbtIk83iXOkeKLZxlrK3PZK8AWaZJtX3L0RqAtMO+Nz6vRaJIU7bEnHr8DuXYePWwPsO/kMYQQPAh4TKPhg1g8bGR0ow4QlEDnzQr8F4/jtgIfCbNIkUDn1Wg0SYRePE1EhBBV0qdzXeqeKm02JwdHZvQawOglC/jr7GlyZcocdVyOTJmsv42Z2hTPMuve+JxmMQc4LU1ydjyO3QHMkia54U3Pq9Fokg4diklEpJT77MzGbUcrLK2V3SlTNoBtk3547rjAiKAzKBXHhCAr6mkhPkSmPWrDrtG8x+hQTCIizCK1BWuTxmcGTToZ+E+QlPK5jJVjAedDh16e2SkB29VlI36hGIBNQH1hFjG12zUazXuENuyJS0tg19HA853LHW3/hRCiNSpTJSpjpezRtgGzfNdcT8BzxjfGjjTJq4AfL85/12g07zg6FJNICLMQQDeUV5wjTIZvwrOMBH6NfpzVWy4FniTQOZ2BVID/K7xtEyoc82dCzEGj0SQ+2mNPPMoArigVRlNsglvCLAyophnBCXTOLMDNV2xYreUFNJr3HG3YE49uwF8obzyuxUwXIPgVDfGLyArceMX3+ABphFnkS6A5aDSaREYb9kRAmEVq4HOgNDDyBfK4KUigMIyNeMfXI7HdVDYBnybgPDQaTSKiDXvi0Ar4B7gHbHvBcS4ksWG3ocMxGs17jDbsb5loi6YexBFbj0aSe+w2dgGlhFmkS8C5aDSaREIb9rdPWZRRvwbsfMmxKUg4KQF4tRz2KKRJBgO7gToJOBeNRpNIaMP+9vkS9Tm/zFuHd8djBx2O0WjeW7Rhf4sIs3AFmgMXUUVIL+NdMuybgU+EWTgm4Hw0Gk0ioA3726UNIIFh8WwUnWCG3WaQ0wCv0zcVaZK3Uf1QPRNiPhqNJvHQhj0BEEJMEUJcF0KcSJva9UqNMuV8pfeR3duLzZzYPmP928IsGgkhvOIxVEJ67JkBP2mSljcYQ4djNJr3EG3YE4ZKFYsU6y69j4Tc37Qr084psz2EENVqpi3vXNO3fDbXFCl7Ojk4OsRjnIQ07G8SholkI9DAltmj0WjeE7Rhf0OEEI5ASWdHxyUfdGhR/vNvBztdv30LgHPXrjB11XL7UR272ZUvVKSsrcn0i0how/6qVacxOQeEAcXffDoajSax0Ib9zcmczT3j39N69Xc5tXAFFQp/QMNvBhAQ9IQ2Y0wsGvotqZxdcHFySs3LG1QnZIHSG3vstnUBHY7RaN4ztGF/Q6SUV66v9vIrljuvoxCCgc1b86/vTTpP+o7ejZtRNHdeAAzCYODlDaoT0mN/rRz2WNCGXaN5z9CG/Q0RQhSbsXZFrujbAoKesMZ7F9PWLKdEp5Z8+/M89p8+TuVenSu8ZLh3LcYO8AeQS5hFlgQYS6PRJAJaj/3NsQ5fMCdfgw+rkMsjC3N+W0ulosX4Y+aCqAMW/b6JtXt34zV+2l8vGSshK0/fyLALIaYATYH7bhlTOpbIUeDvoAoHjrce823unT6H7AOCg26jxMJjFnpfAAAGYklEQVRGSplgapQajSYB0Ib9DZFSnmlbq96c+sP69bZapciawZ0VI8Y8d5xVWq3AwpcM9y557JUqFinW/c9ZC0ZEWC0OdgZjCtPP86oGhQRze8P2EEcH++tu9arlCggK6gHMTKA5azSaBEDIeNXNaF6Iynb5kxe3lDsEVHpRL1NhFtuBKdIkX6QA+VKEWdijbhAu0iQjXvn9KtPnUfVSZYPuPLifJn+27Ezr2Z8e0ybQxLM67esoRd8Vu7ZdaDl6+C0pZdU3ma9Go0lYdIw9IVDGugHKeD/XoNq2vUE8GlQnlMfuAdx5HaNuI9ZMn/KFi7Bqzw4Cg4IICw9n4x/78qZySaEbcmg07xg6FJNQeJa5w16fSqjWdx1QqYtBqPDLhngYdUg4w/5GYRgp5RX2+vgBpQAGNm/N6MULaFa1Bo8CA6nYsyNpUqWmebUaxkPnzqRKgPlqNJoERBv2hEQZ71+J0aD6FUioPPY3Kk4SQhSb3qt/rj5NvojaJqUkhZMzA5q3ZnKPvgAs37mVnJk8Qt94thqNJkHRoZh3i4Ty2N80h906fMGcfFf8bgIw57e1FMuTly2H/qDblLFIKQkMCmLamuU0rVrjWgLMV6PRJCDaY09iHO0dGluldVn4rr92NTpcLdOpkxfPpZ3ieu9BwONHQBbAT0pZ7BWHfdNQTKyZPpnTpefQub8p2qE5FouVTvUaRnRv2GTs655Ho9G8HXRWTBLSrFrN8gf/Pr33QcBjx8Ct+6LvCjl//er5Iu2bu1ut1npSyhOvMq4wizXAWmmSq157cgmU6aPRaBIfHYpJIgrnyJXi3LUrO2f1HRRbIwun3jMmlRjepmO49D5y6jWGf/Oq04TL9NFoNImMNuxJhFXKLX0+b+FYLPfz2YK/H/qD63duMaJt54y8XDgsNhJGTsCzzB2gEtAa1VFpj+3fVihP/bWaeGg0mreLjrEnAUKIHvUrVs7duf5n9lf9fJ/bP23NCoa1bI+d0eiEEg5bF++xzcIOyAj4Jchk3zzTR6PRJDLaY08a2p+9eiVNiU4tqTu0L8FhoZTo1BJf/7vcffiAQ+fO0LRqjchjXV5x7IzAPWmSYQk7ZY1G876gPfYkQEpZjr0+XkC9q36+FO3QghMLlgOwYb83ZQsUJoWzMwAPIwKE26sNn1CqjhqN5j1Fe+xJx888vyjJxZs3yJkpMwBh1oiIbhfGlRRmsVGYhWc8W9Rpw67R/J+j0x2TinimExY/0rL6qScX2wADgEfAFFQqY0R0aV2AvFmyPdn041S375etyuK1c7/dg4CAgCchwT9KKUdK/YvWaP5v0IY9Kdnr447qUFQccIq2JwQ4iUonvAMgzMIA1AcGAtmBGZhpgaSf9D5yKXKcLX/94fTN/Nkc+GE+BoMh5KOvuoQ/Dgzs/89/1+cn5qVpNJqkQxv2pEZ57q8kHCbMoixhDGICTXHnUl5D1qzF8uRzmtazP6MXzyd/thwMatEGUE0+Fm/b/GD39Lnpdc65RvP/gV48TWpeI51QmuQRIcQQHMjQsn1t8dPH3+SdtXYNDb8ZgHuatHxcqlzUsVkzuPMgMMANlQ8f77RJjUbz/qIXT99TpJRXZKistqzW6EAXO6eoJtpWq5XoS6wSsDMaBS9vpK3RaJIJ2rC/pwghigkh2hAtz11KSY6MHvje8486ztf/LlkzZIRXz4fXaDTvKdqwv79Yge9PX74k4am0bsPKVVi2YytPgoMJDQtj0VYvPqvsCQnXJFuj0bzj6Bj7e4qU8owQoneVr7qMzZgmnczmnlGsGDGG7Bkzcfryv5Tr3o6w8AgafliFNrXqhfDyRtoajSaZoLNi3ne0vK5Go4mBDsW872h5XY1GEwPtsScXXiMfXqPRJE+0YddoNJpkhg7FaDQaTTJDG3aNRqNJZmjDrtFoNMkMbdg1Go0mmaENu0aj0SQztGHXaDSaZIY27BqNRpPM0IZdo9FokhnasGs0Gk0yQxt2jUajSWZow67RaDTJDG3YNRqNJpmhDbtGo9EkM7Rh12g0mmSGNuwajUaTzNCGXaPRaJIZ2rBrNBpNMkMbdo1Go0lmaMOu0Wg0yQxt2DUajSaZoQ27RqPRJDO0YddoNJpkhjbsGo1Gk8zQhl2j0WiSGdqwazQaTTJDG3aNRqNJZmjDrtFoNMkMbdg1Go0mmfE/bo/vFPVo1UkAAAAASUVORK5CYII=\n",
      "text/plain": [
       "<Figure size 432x288 with 1 Axes>"
      ]
     },
     "metadata": {
      "needs_background": "light"
     },
     "output_type": "display_data"
    }
   ],
   "source": [
    "# scale - во сколько раз увеличить дефолтное расстояние между узлами\n",
    "# iterations — сколько итераций проходит алгоритм укладки (чем больше, тем сильнее \"расползется\" граф)\n",
    "\n",
    "pos=nx.spring_layout(dolphin_G,scale=5, iterations=50)\n",
    "nx.draw_networkx_nodes(dolphin_G, pos, node_color='pink', node_size=100) \n",
    "nx.draw_networkx_edges(dolphin_G, pos, edge_color='green')\n",
    "nx.draw_networkx_labels(dolphin_G, pos, font_size=12, font_family='Arial')\n",
    "plt.axis('off') \n",
    "plt.show()"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 17,
   "metadata": {},
   "outputs": [
    {
     "name": "stdout",
     "output_type": "stream",
     "text": [
      "3\n"
     ]
    }
   ],
   "source": [
    "# Из графа можно извлечь подграф, где будут, например, только интересующие нас узлы:\n",
    "\n",
    "dolphins_sub = ['15', '38', '46']\n",
    "sub_G = dolphin_G.subgraph(dolphins_sub)\n",
    "print(sub_G.number_of_nodes())"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "Там можно найти и другие данные: [сотрудничество джазовых музыкантов друг с другом](http://konect.uni-koblenz.de/networks/arenas-jazz) — 198 узлов (музыканты), 2,742 связи между ними (сотрудничество).  Или [племена Новой Гвинеи](http://konect.uni-koblenz.de/networks/ucidata-gama). И много всего другого. А еще можно скачать граф своих (или чьих-нибудь еще) друзей Вконтакте с помощью [вот этого приложения](https://vk.com/app3861133_4520142). В общем, пространство для экспериментов огромно!"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "## Графы и лингвистика\n",
    "\n",
    "[Вот тут постоянно попоплняемая библиография работ о применении графов в лингвистике](https://www.cs.upc.edu/~rferrericancho/linguistic_and_cognitive_networks.html), её можно изучить и сделать что-нибудь великое. Но начнём с простого."
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {
    "collapsed": true
   },
   "source": [
    "## Задание\n",
    "\n",
    "Давайте возьмём некоторый большой текст (например, [такой](http://www.adventist.kz/download/education/gom/_plungyan_v.a._-_obstchaya_morfologiya.rar), только не забудьте пересохранить его как plain text), выделим в нём существительные, приведём их к словарной форме и построим граф, в котором все существительные будут связаны между собой в том случае, если они встречались в тексте на расстоянии 3 (или меньше) друг от друга больше 2 раз.\n",
    "\n",
    "То есть в тексте \n",
    "\n",
    "*Произвольность знака, по поводу которой мы выше допускали теоретическую возможность перемены. Углубляясь в вопрос, мы усматриваем, что в действительности самая произвольность знака защищает язык от всякой попытки, направленной к его изменению. Говорящая масса, будь она даже сознательнее, не могла бы обсуждать вопросы языка. Ведь для того чтобы подвергать обсуждению какую-либо вещь, надо, чтобы она отвечала какой-то разумной норме.* \n",
    "\n",
    "\n",
    "найдутся существительные *произвольность*, *знак*, *повод*, *возможность*, *перемена*, *вопрос*, *действительность*, *произвольность*, *знак*, *язык*, *попытка*, *изменение*, *масса*, *вопрос*, *язык*, *обсуждение*, *вещь*, *норма*.\n",
    "\n",
    "На расстоянии 3 от слова *повод* находятся слова *произвольность*, *знак*, *возможность*, *перемена*, *вопрос*.\n",
    "\n",
    "Теперь давайте узнаем самые центральные существительные в этом графе, его диаметр (можно узнать только если граф связанный), плотность, ассортативность, кластерный коэффициент. Ну и, конечно, нарисуем то, что у нас получилось.\n"
   ]
  }
 ],
 "metadata": {
  "kernelspec": {
   "display_name": "Python 3",
   "language": "python",
   "name": "python3"
  },
  "language_info": {
   "codemirror_mode": {
    "name": "ipython",
    "version": 3
   },
   "file_extension": ".py",
   "mimetype": "text/x-python",
   "name": "python",
   "nbconvert_exporter": "python",
   "pygments_lexer": "ipython3",
   "version": "3.6.7"
  }
 },
 "nbformat": 4,
 "nbformat_minor": 1
}