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 элементы (в графе они называются *узлами*, nodes) и связи между ними (они именуются *рёбрами*, edges).  Самый близкий нам пример: социальная сеть (не просто же так она сеть). Пользователи -- узлы. Наличие \"дружбы\" между пользователями -- ребро. "
   ]
  },
  {
   "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. "
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "## networkx: создаём граф"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 1,
   "metadata": {
    "collapsed": false
   },
   "outputs": [],
   "source": [
    "import networkx as nx"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "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": {
    "collapsed": true
   },
   "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 два узла 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": {
    "collapsed": true
   },
   "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": 6,
   "metadata": {
    "collapsed": false
   },
   "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": {
    "collapsed": false
   },
   "outputs": [
    {
     "data": {
      "text/plain": [
       "[3, 4, 6, 7]"
      ]
     },
     "execution_count": 7,
     "metadata": {},
     "output_type": "execute_result"
    }
   ],
   "source": [
    "# Какие есть соседи у узла 1?\n",
    "G.neighbors(1)"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 8,
   "metadata": {
    "collapsed": false
   },
   "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": {
    "collapsed": false
   },
   "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 узла) 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": {
    "collapsed": true
   },
   "outputs": [],
   "source": [
    "# вес ребра можно добавить так:\n",
    "\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": {
    "collapsed": true
   },
   "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": [
    "## Сохраняем и подгружаем граф\n",
    "\n",
    "Когда граф построен, его можно сохранить в каком-нибудь специальном графовом формате. networkx умеет работать с разными. Например, можно использовать XML-подобный формат для хранения графов .gexf (Graph Exchange XML Format). Чтобы сохранить граф в виде файла в этом формате, достаточно вот такого кода:"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 12,
   "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": 13,
   "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`:\n"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 4,
   "metadata": {
    "collapsed": false
   },
   "outputs": [
    {
     "data": {
      "image/png": "iVBORw0KGgoAAAANSUhEUgAAAhcAAAFkCAYAAACThxm6AAAABHNCSVQICAgIfAhkiAAAAAlwSFlz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\n",
      "text/plain": [
       "<matplotlib.figure.Figure at 0x7fc83029d828>"
      ]
     },
     "metadata": {},
     "output_type": "display_data"
    }
   ],
   "source": [
    "import matplotlib.pyplot as plt \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": 15,
   "metadata": {
    "collapsed": false
   },
   "outputs": [
    {
     "data": {
      "image/png": "iVBORw0KGgoAAAANSUhEUgAAAhcAAAFkCAYAAACThxm6AAAABHNCSVQICAgIfAhkiAAAAAlwSFlz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\napTlQpIkNcpyIUmSGvX/AfiNYofjJTNoAAAAAElFTkSuQmCC\n",
      "text/plain": [
       "<matplotlib.figure.Figure at 0x7f16056a0c88>"
      ]
     },
     "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": 32,
   "metadata": {
    "collapsed": false
   },
   "outputs": [
    {
     "name": "stdout",
     "output_type": "stream",
     "text": [
      "2\n",
      "3\n",
      "6\n",
      "6\n",
      "0.4\n",
      "-0.733333333333\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",
    "# число узлов и рёбер\n",
    "\n",
    "print(G.number_of_nodes())\n",
    "print(G.number_of_edges())\n",
    "\n",
    "# Плотность графа, отношение рёбер и узлов\n",
    "\n",
    "print(nx.density(G))\n",
    "\n",
    "# Коэффициент ассортативности (насколько вся сеть завязана на основных \"хабах\"):\n",
    "\n",
    "print(nx.degree_pearson_correlation_coefficient(G))"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "Подробнее про ассортативность [тут](https://ru.wikipedia.org/wiki/%D0%9A%D0%BE%D0%BC%D0%BF%D0%BB%D0%B5%D0%BA%D1%81%D0%BD%D1%8B%D0%B5_%D1%81%D0%B5%D1%82%D0%B8#.D0.9A.D0.BE.D1.8D.D1.84.D1.84.D0.B8.D1.86.D0.B8.D0.B5.D0.BD.D1.82_.D0.B0.D1.81.D1.81.D0.BE.D1.80.D1.82.D0.B0.D1.82.D0.B8.D0.B2.D0.BD.D0.BE.D1.81.D1.82.D0.B8_.28Assortativity_Coefficient.29)"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 6,
   "metadata": {
    "collapsed": false
   },
   "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": [
    "Кластерный коэффициент. Важное свойство графа, показывает, насколько все узлы связаны между собой. \n",
    "Так кластерный коэффициент 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": 14,
   "metadata": {
    "collapsed": false
   },
   "outputs": [
    {
     "name": "stdout",
     "output_type": "stream",
     "text": [
      "0.0\n",
      "0.0\n"
     ]
    }
   ],
   "source": [
    "# вот какой коэффициент у нашего графа:\n",
    "\n",
    "print(nx.average_clustering(G))\n",
    "print(nx.transitivity(G))\n"
   ]
  },
  {
   "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": 6,
   "metadata": {
    "collapsed": true
   },
   "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",
    "f = open('dolphins.tar.bz2', 'wb')\n",
    "f.write(zipped)\n",
    "f.close()\n",
    "\n",
    "tar = tarfile.open(\"dolphins.tar.bz2\")\n",
    "tar.extractall()\n",
    "tar.close()\n",
    "\n",
    "dolphin_G = nx.Graph()\n",
    "\n",
    "fg = open('dolphins/out.dolphins')\n",
    "for indx, line in enumerate(fg):\n",
    "    if indx:\n",
    "        line = line.strip()\n",
    "        node_1, node2 = line.split()\n",
    "        dolphin_G.add_edge(node_1, node2)\n",
    "fg.close()"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 19,
   "metadata": {
    "collapsed": false
   },
   "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": 23,
   "metadata": {
    "collapsed": false
   },
   "outputs": [
    {
     "name": "stdout",
     "output_type": "stream",
     "text": [
      "15 0.197\n",
      "38 0.18\n",
      "46 0.18\n",
      "52 0.164\n",
      "34 0.164\n",
      "30 0.148\n",
      "58 0.148\n",
      "18 0.148\n",
      "21 0.148\n",
      "39 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": "code",
   "execution_count": 30,
   "metadata": {
    "collapsed": false
   },
   "outputs": [
    {
     "data": {
      "image/png": "iVBORw0KGgoAAAANSUhEUgAAAhYAAAFkCAYAAAB8RXKEAAAABHNCSVQICAgIfAhkiAAAAAlwSFlz\nAAAPYQAAD2EBqD+naQAAIABJREFUeJzt3XeY3GW5//H3vbtJSIEQxJBQAoQiiKgICkgRUAFBqgdp\nihBUwOPPivWgk1FQRBQVFUSPNEEFaQqKAnpoFpAmVYp0QuiBkLq79++PZzbZLElImeS75f26rrl2\nd2Z29p5Jmc8+5X4iM5EkSWqGlqoLkCRJ/YfBQpIkNY3BQpIkNY3BQpIkNY3BQpIkNY3BQpIkNY3B\nQpIkNY3BQpIkNY3BQpIkNY3BQpIkNY3BQpIkNY3BQpIkNY3BQpIkNY3BQpIkNY3BQpIkNY3BQpIk\nNY3BQpIkNY3BQpIkNY3BQpIkNY3BQpIkNY3BQpIkNY3BQpIkNY3BQpIkNY3BQpIkNY3BQpIkNY3B\nQpIkNY3BQpIkNY3BQpIkNY3BQpIkNY3BQpIkNY3BQpIkNY3BQpIkNY3BQpIkNY3BQpIkNY3BQpIk\nNY3BQpIkNY3BQpIkNY3BQpIkNY3BQpIkNY3BQpIkNY3BQpIkNY3BQpIkNY3BQpIkNY3BQpIkNY3B\nQpIkNY3BQpIkNY3BQpIkNY3BQpIkNY3BQpIkNY3BQpIkNY3BQpIkNY3BQpIkNY3BQpIkNY3BQpLU\n60TE4Ij4UUQ8FxGTIuK4+dxn24h4oIr6tGBtVRcgSdJ8/ADYAXg3sBLw64h4KDN/ChARmwLnA9Mr\nq1Dz5YiFJKlXiYhRwATgw5l5U2b+BTgR2LJx+xHA9cCT1VWpBYnMrLoGSZLmiIg9gP/NzNELuP1C\n4ExgZaCWmeOXZ31aOEcsJEm9zXjgoYj4YETcHREPRMQxEREAmblvZl5ScY1aANdYSJJ6mxHAhsBH\ngEOBscBpwFTge9WVpUXhiIUkqbdpB1YEDsrMf2TmxcBxtPCVaBv0REQcWXF9WgiDhSSpt5kEzMjM\nx7pd9286WYWO9rEw6ItVFaZXZ7CQJPU2fwNWiIj151wzim0YAQxuexZmH19ZZXpVrrGQJPUqmXlf\nRFwGnBERHwPGMohP805mslX7OlnLqVXXqAUzWEiSeqODgZOBa4FpbMVstuJXhorezz4WkqReLerx\nTuBKYJus5V+rrkcL5xoLSVJvdxjwb8raC/VyBgtJUq8V9VgZeB9wetYcYu8LDBaSpN7sAGAQcFbV\nhWjRGCwkSb3ZBOAPWctJVReiReOuEElSrxT1eAPwVmDfqmvRonPEQpLUWx0GPA1cVnUhWnQGC0lS\nrxP1GAx8EDg7azmr6nq06AwWkqTeaHfgtcDpVReixWOwkCT1RhOAG7OWd1RdiBaPwUKS1KtEPVYH\ndgN+XnUtWnwGC0lSb/NBYBbwq6oL0eLzrBBJUq8R9QjgbuCfWcsPVF2PFp8jFpKk3mRr4HW4aLPP\nMlhIknqTCcDDwF+qLkRLxmAhSeoVoh4jgP0pB451Vl2PlozBQpLUW/wXMBw4o+I6tBQMFpKk3uIw\n4Kqs5cNVF6Il5yFkkqTKRT02ALYHDq66Fi0dRywkSb3BocAU4KKK69BSMlhIkioV9WilBItzs5bT\nKy5HS8lgIUmq2s7A6tjCu18wWEiSqnYYcDtwU9WFaOkZLCRJlYl6rArsDfw8a54x0R8YLCRJVToI\nCOCcqgtRc3gImSSpEo0Dx24F7s9avq/qetQcjlhIkqqyGfBGXLTZrxgsJElVmQBMAv5YdSFqHoOF\nJGm5i3qsQFlfcWbWsr3qetQ8BgtJUhX2AkYBp1ddiJrLYCFJqsIE4Pqs5b1VF6LmMlhIkparqMc4\n4N24aLNfMlhIkpa3DwHTgPOrLkTNZ7CQJC03UY8WyoFj52UtX6q4HC0DbVUXIEkaULYHxlPChfoh\nRywkScvTBOB+4LqqC9GyYbCQJC0XUY+RwH/hgWP9msFCkrS87A8MAc6quhAtOwYLSdLychhwedby\n8aoL0bLj4k1J0jIX9Xg9sBVlKkT9mCMWkqTl4TDgWeB3VReiZctgIUlapqIeg4BDgF9kLWdVXY+W\nLYOFJGlZ2w0YjQeODQgGC0nSsjYBuClreVvVhWjZM1hIkpaZqMcYYHc8cGzAMFhIkpalDwDtwC+r\nLkTLR6TNzyRJy0DUI4A7gduylgdWXY+WD0csJEnLypbAxjgNMqAYLCRJy8oE4BHgz1UXouXHYCFJ\narqoxzDgAOCMrGVH1fVo+TFYSJKWhfcBKwJnVFyHljODhSRpWZgA/CVr+WDVhWj58hAySVJTRT3W\nA3YAPlhxKaqAIxaSpGY7FHgRuLDiOlQBg4UkqWmiHq3Ah4BfZi2nVV2Plj+DhSSpmd4JrIW9KwYs\ng4UkqZkmAHcBN1ZdiKphsJAkNUXUYxVgH+DnWfO8iIHKYCFJapaDKO8rv6i6EFXHYCFJapYJwKVZ\ny8lVF6LqGCwkSUst6vFmYDNctDngGSwkSc1wGDAZ+EPVhahaBgtJ0lKJegwBPgCclbVsr7oeVctg\nIUlaWnsCqwCnV12IqmewkCQtrQnA37KWd1ddiKpnsJAkLbGox5rAzrhoUw0GC0nS0jgEmAmcV3Uh\n6h0ibY4mSVoCUY8A7gOuz1p+qOp61Ds4YiFJWlLbAevhNIi6MVhIkpbUBOAB4JqqC1HvYbCQJC22\nqMeKwH7A6R44pu4MFpKkJfF+YChwZtWFqHcxWEiSlsQE4E9Zy8eqLkS9S1vVBUiS+paox0bA24H9\nq65FvY8jFpKkxXUY8BxwSdWFqPcxWEiSFlnUo43SFOucrOXMqutR72OwkCQtjl2BMdi7QgtgsJAk\nLY4JwK1Zy1urLkS9k8FCkrRIoh6jgT1wtEILYbCQJC2qDwCdwLlVF6Ley0PIJEmvqnHg2O3AnVlL\nt5lqgRyxkCQtii2ATXAaRK/CYCFJWhQTgMeAK6suRL2bwUKStFBRj2HAQcCZWcuOqutR72awkCS9\nmn2AlYAzKq5DfYDBQpL0aiYAV2ct76+6EPV+BgtJGuAiYr2IuDwiXoqIhyLi6Dm3rROHcAo7UWfr\niLglInatsFT1AZ5uKkkDWEQEcBnwD+DNwAbAryLiMeBGWvgZ72Ymd7EZj7IrcHFEbJiZj1RYtnox\nRywkaWBbDbgF+FhmPpCZlwNXAdvSypq8hRlszdn5SN6dmScBLwNvq7Jg9W6OWEjSAJaZTwIHdn0d\nEdsA2wNH8hUGASsCP4+INuBDwGDghipqVd9gsJAkARARDwFrAZcCFwLnAPfwdZ4CplNGub/oNIgW\nxpbekiQAIuItlCPRT6WNRxnWtjUbtF/ETRwKjAe2Bk4CDsrMiyosVb2YwUKSNI+IeB/wm/LFoMey\nc9Za3W47GdgkM3eqqDz1ci7elKQBLCJGR8Re81y5Kc8AMLS1nZz9qx7fchew6vKpTn2RwUKSBrZ1\ngQsjYsyca1bnZIYDK3ecCry3x/23AO5efuWpr3EqRJIGsIhoAf4GPAd8hrFszkuczVZM5ko2B+4A\nTqGcaroLcCKwVWbeVlnR6tUcsZCkASwzO4G9KP0p/soUfspWwLZ8IDMfB3YFdgRuBY4C/stQoYVx\nxEKSBEDUYxzwEPBI1nKdaqtRX+WIhSSpy8lAAJ+ruhD1XQYLSRJRj/WBPYDJwAUVl6M+zGAhSQL4\nDmW04qtZy86qi1HfZbCQpAEu6vF6YE9gCnBmxeWojzNYSJK+1fh4fNZyZqWVqM8zWEjSABb12IzS\nBGs6pV+FtFQMFpI0sH0D6AR+mLWcUnUx6vsMFpI0QEU9tqI0wErgexWXo36ireoCJEmVOQ5oB87O\nWj5RdTHqHwwWkjQART12BLqOPj+xylrUvxgsJGmAiXoE8HVgBnBF1vKuiktSP2KwkKSBZxdgm8bn\nJ1RZiPofg4UkDSCN0YpjgReBO4Hrq61I/Y3BQpIGlr2AzRufn5A1j7hWcxksJGmAiHq0UNZWPAW8\nAPy22orUHxksJGng2B94A6Vvxf942JiWhUhHwSSp34t6tAF3AUMal3WyljOqrUr9kSMWkjQwfBDY\nAJgFTDRUaFlxxEKS+rmox2DgXspBY2sC47KWz1dblforRywkqf87HBgHvAScZqjQsuQhZJLUj0U9\nhgLHADcDw/CwMS1jjlhIUv92JLAaEMC5WctHK65H/ZwjFpLUT0U9RgBfAq4BxuJhY1oODBaS1H99\nAhhJCRW/z1reXnE9GgAMFpLUD0U9VgY+B/wB2Aj4drUVaaAwWEhS//QZSiOsVYEbgaurLUcDhcFC\nkvqZqMeqwKeB31COR/ewMS03BgtJ6n8+TzkPZCXgAeCiasvRQGKwkKR+JOoxFvg4cAawB3Bi1rKj\n0qI0oBgsJKl/+TIwg9IM61ngzGrL0UBjsJCkfiLqsTZwBPBj4GDgB1nL6dVWpYHGYCFJ/ccxwAuU\n/9s7KQFDWq4MFpLUD0Q91gcOA75DGbX4WdbyuWqr0kBksJCk/qEGTAZmU7ptnlRtORqoIt3aLEl9\nWtTj9cAdlN0gnweuz1oeXG1VGqg83VSS+r468DDwIrA2sHe15Wggc8RCkvqwqMdmwM2U9RWfBJ7K\nWu5SbVUayByxkKS+7evAvcAk4M3Au6otRwOdwUKS+qiox9bA7sCBwGcpIxd/rrQoDXgGC0nqu74O\n3E4ZsXg3cICHjalqBgtJ6oOiHjsC76Qs1DwaeAi4oMqaJHDxpiT1OVGPAK4FhgDvB+4DPpW1/GGl\nhUk4YiFJfdEuwDbArsCnKW28T6+0IqnBEQtJ6kMaoxU3AtOBfYBHgBOylhOrrEvq4oiFJPUtewOb\nAzsAH2tc96PKqpF6cMRCkvqIqEcrcBulZ8VelG6bv85afrzSwqRuHLGQpL7j/cAmwOHAh4BVgO9W\nWpHUgyMWktQHRD3agLuAeyhrK+4FbsxaHlBpYVIPjlhIUt/wQWADyqjFvsD4xudSr+KIhST1clGP\nwZQRihuA/Sm7QqZkLd9ZaWHSfLRUXYCWvYjYOyI6IyK7Xab2+Lrr8lJEHF51zZLm8WFgLaBG2Q2y\nOXBClQVJC2KwGBheD9wEJPAY0AlcAvwJeAaYCVwJdDTuc3JEvKeaUiV1F/UYChwDnJO1vBv4PPAv\nyr9fqdcxWAwMbwI2ojTUGUH5c98f2A4YCjwAjAV+ALQCg4FfR8R+lVQrqbujgNcC9ajHGyndNk/w\nsDH1Vq6xGAAi4hngcUpoWAtYCZgMrNa4SwIBvEwZwRgErEoJGJ3Av4HPZObly7dyaWCLeowAHgQu\nzFoeEfU4G9geWD9rObva6qT5c8Sin4uInSh73e8GxgHDGjetAswAZlNCRVJCxN+A1Skh5B7KQUer\nAxdHxLjlWrykT1B+ETg26jEOOAD4rqFCvZnBoh+LiCHATymh4WXgz8DVjZsHNT62dt0dWJHyHxfA\nfzJz48zcgbIuowP4d0RsvxxKlwa8qMfKwOeAU7OWjwKfAl4C/rfSwqRXYbDo3yYCfwdek5mHA89T\nDizqmv9aAWhhEJ2Nr7Nx6QCmR8ReEbEvpdPfsMb9r27sHjkvIjaNiOd67CrpiIiPIWmJRMSQiLid\nm/ke5Vj0b8bG8UbO5BN8nRFM5O8R8e6q65QWxDUW/VhE/IeyjqIrOAxpfBw0/+8A2ugEnqGdbwHf\nooTP7gF0KmUBaE/TmDvN0t3TwB6Z+Y/FKl4aABqjiv8E/jszr2l8/UtgLw5kJhfSwUz+mxEcz3hW\no53tuIvtKbtENsrMx6qsX5ofRyz6t3dQVpTPBt4K/JayzXTBaXIoLXQwmgM5njV4BmjvcY+uUDGj\nx/XzCxVQVrP/vduIRmejh8bNEWFzHw1Y3ULE6xtfb0wZYVwXCP7JIGYyjFY2ZRZj2J2f553518w8\nnrIWakJlxUsLYbDoxzLzUeBCyijDMZSpjPUp6ymmUtZczOslSuz4NYN4gjGUnSEQdHS7V2fjngv8\n0T2+fqHb/aNRx1DgkohYvetOEbFSRDweEYcs2jOU+qYeIaLLO4CrOJR9gOARpgFPsgo7MpZgyDwN\nsa4Dtl5+FUuLzmDRz2XmVGAXysjBLsCbKW/8RwGvWeA3djJvPMg5izxhBZ6lrFRf0MhHdLuts3Hf\nFRtfd1BGQTYChgP/iojvRMRbgfsoO1BqEbFnRExb1Ocp9TElRJRwEACZeWpmHs0afA6A4HhgFkPZ\nmFYezVre1+37JwNrLueapUVisBgAMvPuzNyFssbiBsqc7smU9sCTKJ38uhZuzoZ5RifmFcAMXtt4\nrFjIj41uHzu7Xd9COfOgayrlAspBSjcAoxs/exZlpGVoRPz8FQ8csW1EPLCQny31al0hIjPnmVKM\neqzNtRwJwFjuZQXW4nGG8Tgv9HiImcxdMyX1KgaLASQzO4G9KM2yRgLnAucAd1ACwC8prYJbF/QY\nC1mdsSDBvKfoBrAp5T/FdmAUsEbjtm9Tpkw2otvfzYg4OCL+HRHTIuJm4GIWHmqkvulhTuKmxt/t\nd/AbZtJaonZsCBARgyPiR8APgXUj4rjqipXmz2AxwGTmk5m5D2UL6XXAx4BLKZHhJ5m5BXBqz29j\nYaMYi1kC8CjwLOXvX5lPLi6lrL/IbtetBvyMsnX22EbdK2OwUH+yIztEPR7hYvahs2Xu3+0VgNbo\nYFQOinpsSGm7/07gF8DNwEci4iOV1CwtgMFigOo2PbIaZQTjXODJxuFjewBfB05r3D2A/2t8futS\n/uigjbUoLcODef8OjqBshZ3e7bqhwNcy85fAFsAhje8Z232aJCL2iYg7G6ezXhMRmy20iIj1IuLy\nxv0fioijG9ef3ti50tH42HW5cimftzRH1KM16rFj1OPnQLA2dV5gLZ4HpjdmDn9BmTDsyHaep4Up\nnEfZCfJhYD3g98CJwJZVPAdpQdpe/S7qzzJzakTsAnwPuJEyFXFqZh4bEW8CPkpZI7Fd41ve3PjY\nyZIG005KQ/HnCLqPPLyWy3gBaGfonCmX0bTwMc6LerQCBwFfoASPOdtbI2ITypTOR4C/Ap8BLouI\n8T3nsBv3D+Ay4B+N57MB8KuIeIzSQvkL3e6+LvAX4PtL9FylhqhHAG8DDqQcAjiG7pOLK9HJjrRw\nY2sytSPYC/gTyZpcyn1swQW8kTZm0M62lO3jh9rHQr2RDbK0UBHxZ8pIwYo9bppCWaex+NqAtSln\nqr6aNwN7A/8Bzm5c10oHnQRrcBuH8xW+zZt5mb0y822NmkcALwJbZObN83lOY4CTgA9n5suN6y4A\nJmXmx3vc94+N6w9dkqeq/i0iLgMmZ+aExte7U6bs1gceIPgKNR6mtMo/gBJUp1ImOdqAWUxkMIfw\nHONZhbLuaGvq3MgHmcIFtPFuhrEmj3AGq/AyK9LK07QzvXHf04Hj0v/I1Ys4FaJXsxdlh8aLlN0a\nXRYnVMy7cfUgnl9oqJjf6okngOGtJd6000oLLbyGzYBL2ZljGcRb4/Boj4nxHDvxbwYxm0+xc9Rj\nm6jHPKvnG+tMDuwWKrahnBh5a0T8JiKejYhHI+I8YFvgyxGxeUT8tTF18teIcPh5gIuIA4D3dPt6\nU8oup5+xHXuyBY8SXMJkbgOOpLTUn0GZ8msHfsANPA3AWazCRKBOGxO5EYDxHMnLPMVNHMOq/Iu3\nsSKDgbGMYi0+CnwWOBro6DZ119Fot/+XHlN5XZefLaeXRwOYIxZaKo1GP1dStoq2USY65p3imFfX\nQtA2YAYtdJKsQC4k5LYBw9tgSnuJwq+lNAp/I2U0o50Sfe6i3B7AwcD4VzxSJ2Wb3vOUMZBr+BqH\n0skYysLR0ZRFpUdTenz8iXLC666ULbK/oox07AZ8DXi9Q9Hz/a19M+AUyu6fO4Cj5jdy1JdFxCjg\nNkrkvSszJ8SI+CHBXkxlzXk6uazEi3yGNu5mGFeRPM9s4GYOYShrsAEzGErXuqKpnMl5HMX6TM1/\n5JxRwqhHcA6/5H72Z0fghraZrNz+HR7jTZSeGOOZ+29uBuVfwuBuJW8F/Bp4e2besqxeFwkMFloG\nGlMNkyhDvlMoW1h3Yf4jZF8DvkRZtNlO2eo6bygZ1gLbd5a3+bcCzwH3A2+ibFS9phXaOuDtlJZB\nNzZuP4LSgmthnmhUeQnl/Nfhre1s2XE/63Mnp7EvbbzEWpzPo+zKl9iNVqYAU5jIucAtmfk/jee8\nHvAjYBtKOPlhZp7Y43VZH/hXZi6o/Xmf0/it/VzgjMycEBHDKK/+2cDPKY3Y9gfGZ+b0BT9S3xIR\n/wtMYjDjWZV1+CjtPMN2/IMOJvMUu/BVhvAGfsfHWZVWtmQapzKINj7CcP7GGlzBQ4zjk8AgzqWs\nH4IreIS7GcdHeR8rcBklNLwXeC+3si6XAUPaZjG1fTAj22BI+ySe4rWZucDzfyKihfJv8DeZOXEZ\nvzSSizfVfJn5JPMZsYiITspv/q/ruiul1XhX4JhE2aUymDL+8HpgNtM67+NyfkuwDu/hEk7ipwQj\ngOS6tuCldhgc8NZGSN6Dssv/Vsrb/Nyf1U5pADaIroPYuhqKv5vSHePljjZuatuI1vaNGAW8zEqs\nyuEMA1q5bc6jbQM8xs5Rj0NIpjCS8YzmOXbk/5hEC3/g2Ng+tuCdXAdM4V4GMYgasxkS9ViXErhe\nzFr2PIulz2j81n4CpblZlwOAaZnZtQD2UxGxG7AfcNZyLnGOiNibMq7VtZU5gQsy8/0RcQnlb033\n2/bIzN/P97FeE3swhN05mtu4jK5TRv/IqnyIW9iNDViDNfg+TzGMR4H1OJtTuZVODuDLnA38mpms\nyTeBOziWzVgVeJLpjOEmxrEHL7ECBwNnUqZNHgV+B9zMbE5jdvuxMOhw1pl9PQ9wACOIqMdE4NtZ\nK9N7PRxGWS59wnxuk5rOYKHlKYGPZuY13a9snA1yJmUL6r+BJ4HHKG9Yoyjz2B8hGcZE9qVriPdW\n2qG97E5pyz9Rdm9sS7ARo1mPF2hlbmgJugLF1MajbzSnpg5WZxYwjBVbk23bgzspEyfr0sFQpvME\ngylnnowAhjEFmE4rMJqpDGUsyT7MYAgbsjot3EMH09gT2Ie7GcyllMmVyUCZhilF1eNlyvqVKYtx\nmef+Wcvua1+WpxMpYWGNbtdtSemP0t31lNbVlQULSkj9LWXnUPcpA4CNKSMG3c/Oeb77N0c9hgHv\nZRYHE+zB+4FBDGEyf+cZHmRvDgGOZVXez+sIXuYlTudpOrkjr8pDIuKDwCbczaVsxHu4mVm0MIs7\n+D6bcT8wiRsZw4rAJowAxgLfpEzR3Z61MrQcEXsBu8DsPbmNscCBjGQyJ/NVOjgmzojLaWPfvG+e\nvxOfA76bmbbI13JhsNByk5nz7eiZmWfR7U0nIk5vXH9Y4+vdKG9i6wB3A3XKKoqkbA39CdO4P2v5\nHeA7ADExbgXOZne+S/lP+j3AjsAbeI51+DUj+QywYqMz6CTaGA58tqO86VxOeft5J+3cRvI4gzmf\nkbyPIfyHEn9WIoHJrMhMDpgTOlblEVp5HNiMTuBRbmcwW/Awo3iYi3k/8N+UiZc2yiLYkZTzVLo+\nH9V4riO7XVZY0Osa9ZjBIoaQBV2y9sptuQsTETtRtiBvyrwN1cZS1lV0N5nS2KxKGwN3ZObT3a+M\niMGUnRr/zMyn5rmtHoMpU3gHUBYxD+cKJjGYW1iP44G3szIf4LVszo0cxHVtMLUdbmESF7Mq5c/s\ntohoA37NWtT5Ne+hBUha2JO/sBl3U/58h3Ez8HZeAtbLWo86y1bVIezEUVzHd5jFdXQtpk5uYGuu\npo3D+DO7M5IXom3QFDra65S/qWtSmsxJy4VrLNQnNcJHNub130/ZdncE5Tjpj1D6b2yYmc/M53tb\nGvd7jk34BiuxG7fwCd7Os2zPSvyOlbiJ0kdgM+CkxsJRKOMfY4B16ORB4AgmU8Y2RgAjOYnyVr4B\nHRzI4wRdQ9NDeZDRnMUwanNK6VpE+kDjY/fPH81azul22niT6x40Vurx9atdVmLhK05msahBZBov\ncxInsAknsDdX8k1qtDOLr/AhJnIFcG1m1ru93nVg68zceSE/f5mKiJuA7zNxzqblEiC/wabM4gZ2\nZUW2Iil/wjtQ1oXsQ+ny+hBlmm4YJ7Ep02iZM+bRNZHV/TScwZQuK9sxhasYxBhuZk8GcSFbsimd\nrEknN9LG/SRHMJvhtHIFwfW0sBPPsT3PU0LJkG6X7gsx55pOaSHX5S7gvK4vBj0Msy8FVsvM/Rb3\nNZOWlMFCfVL3YNH4+jDKkO8alNUVn8jM2xby/WMoKzHeSRk9ODkzvxURJ1O2BrbwMdZhNFvzJ47i\nX21vZ9v22byBIYygjSsoseD9PR64azHopcBGtLMb0ykjE0N5iDLhU2Mm8AxlamU25U1kZcqulK6p\nm9nAw8wNGvN8zFpOXezXrB5tLCiQPMra/JaDeZ7xDGYmb+Y+dmbyK+73IityZqPy4ZRxiJcbVb+D\ndn5E0E4rI+hkL15mA9r5I0N5llYO4mXm3TG0NB8X73uOo6zsmUQJAZtQxq/upvSvHE+JDyMpsWKD\nBbyIU5i3uf0VjZ+wGnBTK3R2lDf6Qxuvz13Ab4DWgNWzrHaAMtb2Q+AtwDZM45stw5jZCUPbXuIL\n7adQpmlmNi7dP+/59byfX8Ba3M5foPUx6PgGZYdTLTPPWcAzkprOYCE1REQN+DJwQGZe1O36HYAj\nMvPAxtdBC3fyem7gv2hl7v6UleiaXux6QxnRCtt1JG+lk4do4Uyi24gFzHsuCpTfgV+AxiqOcvtw\nyjhJ990kTzGfwNH4+GTWsvvv0Ivy3P8GPAh8hfK2ey5wcGZeMp/7valbzaVHSNDZ2DLcCbTS2jKd\n7GzlcE7k9+xCG7M5jAu7Pefs9vmSfly0+z7IKM7km6zO39iWv/M847ie97Ays3m2ZSTtncGelFf4\nbuAaStPsroW9C3Nx4+fszWyuILiBQRzC04xkKjCNJ2nnXN4EwAotyRc7g7LC5yf8mH1Ym7ewO1fz\nY97B0zGVzM9lZs+zeuYrInam/Dmt2dVhNiIOAr6XmaMjYlXK35N1M/PhRXlMqRkMFhJz+nH8C/gG\n8OMeN7cnkRV5AAATlElEQVRS5qqPpmx6/RxlC+BGmTktIkZThvovAYh6jOdePsa5fBaAEW2zObp9\nMg8yirMY3iNYLI6khI2plHGC2Y3aVqJ09+gyg1dOrXR9fChr8277jIiVKZt435CZdzWu+w3wRGZ+\notv9XkeJTJs1aqDxOhxPWWi7OWXj7v7A/wPeB1wLfIDSHfLMnk8oIlanHKy1IzCNMpD/pcxXLkht\nrDMYQVmD0nVZufFxFcpagrGU8YPXNG5bERjKdAYztFuA6z5lsFIrfKaj6/WdxS8IhjODfbifEvKe\npXROeZIyJvUo8AjwOBP5AdCZmYdHxCPAWsw7MRJAB23Rxgp5B0czgTIidiCnMJRNmca2DOW7tPMi\nH8jM81hEjQ6zd1Gi0Nco54f8FDgpM7/TCMSXZearbbqWmspgIQER8QVKqJjnasp0S2vjcLbvUN44\n/g78d2be2/jeLSlnlKzR2GpLYxfAD2HQ8zD7+Mw8NSLeAfyZiQymvPm9nrI3ZTylyfnqlIAwivIG\nOv959QVLStiYRRkan83cBaLd+xw8TvewMY2H+TanMITTGcWnmMR6lEPnvpSZZ3R7jUYCW2bmn7pd\ndwBl4e2/KGFjD+A+4JeNn71H42evn5nTG2e+jKQrEHyLsxnMdHblYqYxhqs4kHV5mP24t3GfVSi7\nhUZRQsLidAvumrToapvWZQZP8hSnMo7W1qdp7fh6zsyTuz2nb1Gan+2xGD9rwW/0wfd4H9/iQtrp\n5HDgb6zI55jNEfw/ZjKcIRxLsiOnsQ3/k7V8djF+5saUc362ots5P43b3k8JGWss5CGkpjNYSEtp\nnsWg5QC0dSmr8L+RmT/sdr93AH9e0O6YVzxuWbC5GmWaZX3KzP94ym/mYyghZCSLv7urvXFJyojH\nYG6lrDVop/y+vSEPcxDnM+9ox8NZy9lRj0HAKNoZxYmcRztjaGM2I5nEUVzM3byOP7IbLzKKAA7j\n36zJUEo4WImuN/lnKC3FjgaGk8BM/gVcwRA+y8uUYNUzXHVSXuenKSsmHm9cP65xGcu8O2hmcA9P\ncSGr8f/4ACtyZdbyha4pA8phdB2Z+eE5r3s5H+Zfmfm5xXxdF/hGH/WYzOVcz9/ZCFiDkTzFgazL\nGFooUyPXAf/VeH7nUTqX/r1rm6nUlxgspCZY0GLQHvdZrGCxyD+79FgYSwkgq1PeYDegLFccR/mN\nfxgLbrNeFiE+CLzYCut1lEbm76VsJl2QPwL/pOzB+RuQJHvzHOUNdTr/YAR/ZTSf5h5K+BlCWS9S\ntlfOoLylrg+UUZZJ3Mgs/si6HMNPKMGh6/JE4+NoSrOtHSkjPqt0e14djUe8mbJh+HdZy0kLmzKg\nhKZfMfdk3IOBz1NGLB5ZyLNfLFGPO4Erspafanx9XeOZrwbslLX8S9RjNGXZ5xGUAPkvylbec7KW\nLy708V/ZVn1nSkOs9Sh/Oh/vGmGTljWDhTQANNYnrMTc4LEp5Y15PPeyIRczhrbW4MUOGNkGm7fD\n7ZSOG/NzBeXtaj/KBMgVAatm2eTb5UbgnyRH8QhlTcIk5h8WJgHPMxEov7lPzsx9ox6voazX2JVy\nzu1Y5o7OJGXM4w5KY6sLgHsW9Bv+q0wZTKD0Q1kLuBP4VGZe/yov6WKJevwf8HjW8uCoxzqUGJfA\n/VnLDXvct4XSC/ZIYE/K2pNzgFOzlrfO57n1bKu+CXALZS/MuZSlqAdTtl/bJEvLnA2ypAGg8Ybb\n1Yvibsp4AwAR8TlgH+g4C9q+xKrtFzKYMTzP+ymLRYdTRhTuBZ7kfNbnbtbmvTzIxrTx3ba1mNUe\nTO5+8hYlcJQGZGs3Lh2Nx3uOsgDyLsooweVAG6vzGybzNj7Cw1GPaczboeElym/w1wIXAdcvTjv0\nzLyb0uxqfrf9nHKuybL0DHMX2B5IeS1aKaMT89ZTdvT8Efhj1GNN4HDKiMoRUY9/UEYxzstaTltA\nW/Ujgb926yXyhcZx7gdTRmqkZcpgIekJyrD8zzJnnwoQEZ8B3kDZAfJmSpfN7biKXbiHYexHJxvz\nPHAtq7cP5cXWfenoGMEFrMr7GAVszO2cwrrMpISSsXRNgZSFqeMoJ658hBspIx6zs/QFGcM6lC4h\ntwBXQVnrsYBzMPqKp5l73u4HKKHi/qzlXxb2TVnLx4B61OM4yuTUkZRmcCdFPc5gOGvx8ivaqo+n\nLDDu7g5KW3WDhZY5p0KkAS4iVqKMYlxBGT7fiPIb/Jcy82fd7le25I7iJ+zHf1iBrWhjS1oYxzDg\nR8xkBI+xBT/jKkbxAkcCm/Q8Wr4xLfNaynqUbTgujmR2tjKsBT7fCWWso52yK6S7FyhrKB5vfJzf\n58/3pgWPETEE+Cd7chNv4Z3AbjzMv7gceJIZJHcDn8vMqxb5MeuxHvBR7ucIfs9IjuJqTiN5hoez\nMw+NiJ8DgzLzg93quB54NjP3bPJTlF7BYCGJiNgI+D7wNspv1ydnzt2C2bjPArfkMpEP8Bi7czl7\n8yTDWQXYmWdYnysp0xfXAnf2bNzVaEp2DLQ+z/iOX3AIuwNdaw7+Sekp8h/KTpg1Kb+Zd/98LPMu\nSp3OgkNH1+dPLW4DsSXRCBW/BPbiPfyQLTmC5ziD0ziCt/Msf2YLyrTI/1DWPzyxmI99O9tzPjux\nLRezPZ3MYF9O4gzu4SFOo/QRuZwyQvJTysLhXZv+RKUeDBaSmirqsQplmmO7xmULyrTr85TFmSVo\nfJdpvMhN9GxK9kG2bxzy1TV18ADwLeAXr2juVba+juGVgaP752sw77bVdsr0z8LCx6SlOTW2Mbpz\nbuPLN7ITx7I9X+UuZnIpQ/g878paGaWIiGcop/5euMAHfOXjfxMYl5kHA8SIuIjRbMiHWINreJI/\nt6wGnSMad/8LpT38yMzs2YReajqDhaRlKuoxnHKcelfQ2BoYxrXM5s8MIudpz901AtJG+Y37JEpA\ngLLo88fAj7OWk17xcxbQxZOJtPNTducpjqed8QzjaXbgGt5KO3MDyJq88pC2ybzK1MuC1n1ExJGU\ndSvHANN4O0ezM9/hYeAMINk3My+KiL0p2103zcz7Fu0VhYj4D2WratfIy5DGxxm0tL1IZ/sa0PYw\ntG+Rmc9ExK+BhzPz84v6M6QlZbCQtFw1Rhk2Y27Q2JbSgruD0oOia+rkOsoulgnA1yk9K7reSH8J\nnNR9+2XjHJNnKS23XkNZ5HgRcCJlR8vXgQuZz/RDt+248xvx6P75a3o8na51HwsOIBN5ljfxYfbh\nfwH4Eb/lad7beC4twGGZedZivYYRazFvN9UTKOHsC8CXoWU/6PxCo+PrUMqIxYcy8w+L83OkJWGw\nkFSpRt+GjZgbNLaj7BqBsqj0Wsp2yo0o2zMHU85DGUlpPX4Sx3Evs7mTckT4MzCnv8OJwMeB0zJz\n9JyfuQTTD41ahzJ3emXR1n1MBD7EdJ5hKNe2Ji923EkZpbgM2Bf4JPDWpWlg1f2034h4CyWUHUzZ\nDXIC5aCyty7p40uLw+2mkirVWEh5V+PyE4CoxzjmDRpdrbcep/S0WL/xcRxwCZ/hP/yTU9iOGd0e\numsU4hngNRGxT7fphxGUFmCLq6sdeidzT6ZtpfxfOogyJfHKDqfBClzXBi+2BxEbZGfncY1bbo2I\nrSjhYkHtyBZLZt4cEUdRzrZZBbiSslVVWi4csZDU60U9VmXeBaGbU97QoewEmUzpnDkV+CmzOZnj\n+CVdXTwjTgY+xkKmHxoHpK3WeJxxjY89L2OYNzi8QGn21fPyCGVNyOeZyMHsx5X8jRt4Mr7M2pl8\nkDdlLW+HOYeebZKZvvmrXzBYSOpzGgtCt6Ic3LUfc9c+lG6cf6SNG+lkcz7NP9gR2B2YwQiuZiTT\neYJ9SVqZO+pQrAt8aM5X03hlWJgnQGQtpzIfUY+3UXaFrMZEhgM7ZOY1MSouYTX24EBmAhtmLR+N\niEuARzLz/zXjtZGqZrCQ1OdFPd5F6cPxei5nGjcwjP0ojbGnACuT7ENwMbAx8DjJCKbybm6nk8d5\nnGlcyEG8heN5LxdQgsNiN9tqrBf5PGWh6M3AQUzkPrqCRcSWwHXsSisb8hKn8U1mMBF4c2be06SX\nQ6qUwUJSvxD1CE7lMp7iPbwPWJn/46fsAMCQgC8l3MQj/ImVaeMcXmZc1/RD46j0SZl56JzHW8D2\n1cyc1diV8RPgHZR1H//DRP4KnNW4/7eAr2YtZ0dEB7BjZl7TeNz3MpxTmM2arMJsnmO3nJlXLoeX\nSFouXLwpqX+YyFeBdzKI/diEVZhOnbfRyU3RycgM4BHaeZFkHGtyFEOYFPX4JP/LJMqW1w16POIF\nlO2r2zB3+2p7RHwZ+D1wH+UclR0JzmUyU1mNacC7spZ/7nqQzGzt/qCZeSlwadTja8BXgO9HPd7Q\nm1qRS0vDEQtJfd6cc0y6d/HckGG8i48wk09wOsN5F7O4hQ6e42E6WY8Pcz1rsA1nMYjhTOJ9HA/8\nJmv5RES8jrJLpef21W9TFoGeCazFRDqBE/kVH2N1bmV73p21cv9FqrsePwcOA67OWu7QtBdEqpDB\nQlKf9yrnmIzm7/yMa9ibacBrmM1g9s8n8qLYMN7EfdzMR7iGNdiGMop7Hc/zO37Do/lY/qrbzzgA\nOI1y7sY4JlKnNOpaH/gscMqSjDpEPf4A7Ar8Mmt50BI8falXMVhI6vcaWzo/zR7cSidv5dq2TrZq\nf5qXmcJdjOKTfJ9y+NralN0m21FCxrXA+czmAo7j/MZ9YG1GsibbcyvJLO5nNl/MzEuWqLbS9fMm\nSjfS72Qtj17qJyxVyGAhqV9r9LA4Ajg4M8+P1kGP0dm+BkPbXmLl9hmMZzbvZgjztuvuoPSoCGAU\nfyS4kWQTbuH2eDMt2cI63MEzfJgX2IayWHPLzLx5iWosPTTuB9YBPpu1/O5SPGWpUgYLSf1W41j2\nLwMHZOZFjeuOhEFfhNnHUwLBnpl5ddRjBKUx1trzXH7HDtzCWPYDLm+DKe0AHZnZ1u3nXERpxnXk\nEtdaenM8TAk4B2Zt7jSM1JcYLCT1S/Nd0NmQmZMjYm3gQWBMZj61gMeYM9rBRC7hVL7Mk/FZyIcy\nc9Nu9zueckLp7ktVcz1WoxwTP5Syu+QvS/N4UhVaqi5AkpaRPSn/xx0DPNG4TGp8hNK+O4Hn5/fN\njdGOjwL7Z+b5WctZOSknQn4WWCkiurf23hh4aGkLzlpOBragTMX8Keqx6at8i9TrOGIhST0sbLSD\n0izrLuBSyumpuwAnAW/LzNua8vPr8XbKwtGZwAZZy8eb8bjS8mCwkKQeFrZ9NTNbG8HjFOBtlHUR\nS7wrZIE11GNf4DeURaTrZi2nNPPxpWXFYCFJvVTU4yjKiMnjlHAxu+KSpFflGgtJ6qWylqcAxwFr\nALc0el5IvZrBQpJ6sazlMcAZwCbAVdVWI706g4Uk9XJZy8Moh8DvGPU4p+p6pIUxWEhS3/Ae4Fbg\noKjHiVUXIy2IizclqY9otP5+gNIV9DNZy5MqLkl6BYOFJPUhtv5Wb2ewkKQ+JuoxlnJo2QrY+lu9\njMFCkvqgqMdGlO6gAJtlLe+ssh6pi4s3JakPylreA+zEI7Tybe6IiIyI9oi4OiIGA0TEJyNiauO2\nGRHhmgwtcwYLSeqrJnI9p9NOC3AwLzGErwDbAudHxNuA7wHXAe8Afg18KiIOqa5gDQROhUhSHxUR\n2wDXcihfZR2+DjzGRCYBrwdOBQ7NzFW73X8G8I/MfEc1FWsgcMRCkvquO4Bd8/Q8FvgGj7Amg9ic\n8n/7D4DdACKiLSIOb1w/q7JqNSA4YiFJ/UBEPASMYwWCMTydD+boxvXrAfcwN1R8ITN/UF2l6u8c\nsZCk/mFf4CJmAM/z2ohBnRFxDvAU8HbgP8AQ4MkKa9QAYLCQpP5hf2AP4ASmALQHDNof6ASOB0YA\nZwNHVlahBgSnQiSpj4qI0cDWwLuAI4CDKesu7oTWTui4mtJEazywY+NyVGa+saKSNQA4YiFJfde6\nwEXAR4H9M/N8YAvgKej4H2ArYB1g+8y8p3Hb3RXVqgGireoCJElL7KXGx0eApyPiIODbwPcpUyDD\ngN8Bq0TEF4GDgHdXUagGDqdCJKmPiogvAN9g3tHnbFz+BOzc47ZO4OrM3Gm5FakBx2AhSZKaxjUW\nkiSpaQwWkiSpaQwWkiSpaQwWkiSpaQwWkiSpaQwWkiSpaQwWkiSpaQwWkiSpaQwWkiSpaQwWkiSp\naQwWkiSpaQwWkiSpaQwWkiSpaQwWkiSpaQwWkiSpaQwWkiSpaQwWkiSpaQwWkiSpaQwWkiSpaQwW\nkiSpaQwWkiSpaQwWkiSpaQwWkiSpaQwWkiSpaQwWkiSpaQwWkiSpaQwWkiSpaQwWkiSpaQwWkiSp\naQwWkiSpaQwWkiSpaQwWkiSpaQwWkiSpaQwWkiSpaQwWkiSpaQwWkiSpaQwWkiSpaQwWkiSpaQwW\nkiSpaQwWkiSpaQwWkiSpaQwWkiSpaQwWkiSpaQwWkiSpaQwWkiSpaQwWkiSpaQwWkiSpaQwWkiSp\naQwWkiSpaQwWkiSpaQwWkiSpaQwWkiSpaQwWkiSpaQwWkiSpaQwWkiSpaQwWkiSpaQwWkiSpaQwW\nkiSpaQwWkiSpaQwWkiSpaQwWkiSpaQwWkiSpaQwWkiSpaQwWkiSpaQwWkiSpaQwWkiSpaQwWkiSp\naQwWkiSpaf4/D4OB5hpjVtIAAAAASUVORK5CYII=\n",
      "text/plain": [
       "<matplotlib.figure.Figure at 0x7fa28afb8390>"
      ]
     },
     "metadata": {},
     "output_type": "display_data"
    }
   ],
   "source": [
    "# Теперь нарисуем, возьмёт для разнообразия другой layout\n",
    "\n",
    "pos = nx.spectral_layout(dolphin_G)\n",
    "#pos = nx.shell_layout(dolphin_G)\n",
    "nx.draw_networkx_nodes(dolphin_G, pos, node_color='blue', node_size=1) \n",
    "nx.draw_networkx_edges(dolphin_G, pos, edge_color='green')\n",
    "nx.draw_networkx_labels(dolphin_G, pos, font_size=10, font_family='Arial')\n",
    "plt.axis('off') \n",
    "plt.show()"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 8,
   "metadata": {
    "collapsed": false
   },
   "outputs": [
    {
     "name": "stdout",
     "output_type": "stream",
     "text": [
      "3\n"
     ]
    }
   ],
   "source": [
    "# Из графа можно извлечь подграф, где будут, например, только интересующие нас узлы:\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)\n",
    "\n",
    "[Племена Новой Гвинеи](http://konect.uni-koblenz.de/networks/ucidata-gama)\n",
    "\n",
    "И много всего другого."
   ]
  },
  {
   "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": "3.5.2+"
  }
 },
 "nbformat": 4,
 "nbformat_minor": 1
}