ADSP(신창의)
신창의
2025-05-14
# 산술연산자
2+2## [1] 43*3## [1] 94/5## [1] 0.82+2## [1] 43*3## [1] 94/5## [1] 0.8x = 3
x## [1] 3y <- 4
y## [1] 4a <- "hello"
a## [1] "hello"# 주석실행안됨
0/0## [1] NaN# NA 결측값
# 공유하는 데이터는 C 드라이브 아래 data에 저장합니다.
data("airquality")
df<-airquality
df## Ozone Solar.R Wind Temp Month Day
## 1 41 190 7.4 67 5 1
## 2 36 118 8.0 72 5 2
## 3 12 149 12.6 74 5 3
## 4 18 313 11.5 62 5 4
## 5 NA NA 14.3 56 5 5
## 6 28 NA 14.9 66 5 6
## 7 23 299 8.6 65 5 7
## 8 19 99 13.8 59 5 8
## 9 8 19 20.1 61 5 9
## 10 NA 194 8.6 69 5 10
## 11 7 NA 6.9 74 5 11
## 12 16 256 9.7 69 5 12
## 13 11 290 9.2 66 5 13
## 14 14 274 10.9 68 5 14
## 15 18 65 13.2 58 5 15
## 16 14 334 11.5 64 5 16
## 17 34 307 12.0 66 5 17
## 18 6 78 18.4 57 5 18
## 19 30 322 11.5 68 5 19
## 20 11 44 9.7 62 5 20
## 21 1 8 9.7 59 5 21
## 22 11 320 16.6 73 5 22
## 23 4 25 9.7 61 5 23
## 24 32 92 12.0 61 5 24
## 25 NA 66 16.6 57 5 25
## 26 NA 266 14.9 58 5 26
## 27 NA NA 8.0 57 5 27
## 28 23 13 12.0 67 5 28
## 29 45 252 14.9 81 5 29
## 30 115 223 5.7 79 5 30
## 31 37 279 7.4 76 5 31
## 32 NA 286 8.6 78 6 1
## 33 NA 287 9.7 74 6 2
## 34 NA 242 16.1 67 6 3
## 35 NA 186 9.2 84 6 4
## 36 NA 220 8.6 85 6 5
## 37 NA 264 14.3 79 6 6
## 38 29 127 9.7 82 6 7
## 39 NA 273 6.9 87 6 8
## 40 71 291 13.8 90 6 9
## 41 39 323 11.5 87 6 10
## 42 NA 259 10.9 93 6 11
## 43 NA 250 9.2 92 6 12
## 44 23 148 8.0 82 6 13
## 45 NA 332 13.8 80 6 14
## 46 NA 322 11.5 79 6 15
## 47 21 191 14.9 77 6 16
## 48 37 284 20.7 72 6 17
## 49 20 37 9.2 65 6 18
## 50 12 120 11.5 73 6 19
## 51 13 137 10.3 76 6 20
## 52 NA 150 6.3 77 6 21
## 53 NA 59 1.7 76 6 22
## 54 NA 91 4.6 76 6 23
## 55 NA 250 6.3 76 6 24
## 56 NA 135 8.0 75 6 25
## 57 NA 127 8.0 78 6 26
## 58 NA 47 10.3 73 6 27
## 59 NA 98 11.5 80 6 28
## 60 NA 31 14.9 77 6 29
## 61 NA 138 8.0 83 6 30
## 62 135 269 4.1 84 7 1
## 63 49 248 9.2 85 7 2
## 64 32 236 9.2 81 7 3
## 65 NA 101 10.9 84 7 4
## 66 64 175 4.6 83 7 5
## 67 40 314 10.9 83 7 6
## 68 77 276 5.1 88 7 7
## 69 97 267 6.3 92 7 8
## 70 97 272 5.7 92 7 9
## 71 85 175 7.4 89 7 10
## 72 NA 139 8.6 82 7 11
## 73 10 264 14.3 73 7 12
## 74 27 175 14.9 81 7 13
## 75 NA 291 14.9 91 7 14
## 76 7 48 14.3 80 7 15
## 77 48 260 6.9 81 7 16
## 78 35 274 10.3 82 7 17
## 79 61 285 6.3 84 7 18
## 80 79 187 5.1 87 7 19
## 81 63 220 11.5 85 7 20
## 82 16 7 6.9 74 7 21
## 83 NA 258 9.7 81 7 22
## 84 NA 295 11.5 82 7 23
## 85 80 294 8.6 86 7 24
## 86 108 223 8.0 85 7 25
## 87 20 81 8.6 82 7 26
## 88 52 82 12.0 86 7 27
## 89 82 213 7.4 88 7 28
## 90 50 275 7.4 86 7 29
## 91 64 253 7.4 83 7 30
## 92 59 254 9.2 81 7 31
## 93 39 83 6.9 81 8 1
## 94 9 24 13.8 81 8 2
## 95 16 77 7.4 82 8 3
## 96 78 NA 6.9 86 8 4
## 97 35 NA 7.4 85 8 5
## 98 66 NA 4.6 87 8 6
## 99 122 255 4.0 89 8 7
## 100 89 229 10.3 90 8 8
## 101 110 207 8.0 90 8 9
## 102 NA 222 8.6 92 8 10
## 103 NA 137 11.5 86 8 11
## 104 44 192 11.5 86 8 12
## 105 28 273 11.5 82 8 13
## 106 65 157 9.7 80 8 14
## 107 NA 64 11.5 79 8 15
## 108 22 71 10.3 77 8 16
## 109 59 51 6.3 79 8 17
## 110 23 115 7.4 76 8 18
## 111 31 244 10.9 78 8 19
## 112 44 190 10.3 78 8 20
## 113 21 259 15.5 77 8 21
## 114 9 36 14.3 72 8 22
## 115 NA 255 12.6 75 8 23
## 116 45 212 9.7 79 8 24
## 117 168 238 3.4 81 8 25
## 118 73 215 8.0 86 8 26
## 119 NA 153 5.7 88 8 27
## 120 76 203 9.7 97 8 28
## 121 118 225 2.3 94 8 29
## 122 84 237 6.3 96 8 30
## 123 85 188 6.3 94 8 31
## 124 96 167 6.9 91 9 1
## 125 78 197 5.1 92 9 2
## 126 73 183 2.8 93 9 3
## 127 91 189 4.6 93 9 4
## 128 47 95 7.4 87 9 5
## 129 32 92 15.5 84 9 6
## 130 20 252 10.9 80 9 7
## 131 23 220 10.3 78 9 8
## 132 21 230 10.9 75 9 9
## 133 24 259 9.7 73 9 10
## 134 44 236 14.9 81 9 11
## 135 21 259 15.5 76 9 12
## 136 28 238 6.3 77 9 13
## 137 9 24 10.9 71 9 14
## 138 13 112 11.5 71 9 15
## 139 46 237 6.9 78 9 16
## 140 18 224 13.8 67 9 17
## 141 13 27 10.3 76 9 18
## 142 24 238 10.3 68 9 19
## 143 16 201 8.0 82 9 20
## 144 13 238 12.6 64 9 21
## 145 23 14 9.2 71 9 22
## 146 36 139 10.3 81 9 23
## 147 7 49 10.3 69 9 24
## 148 14 20 16.6 63 9 25
## 149 30 193 6.9 70 9 26
## 150 NA 145 13.2 77 9 27
## 151 14 191 14.3 75 9 28
## 152 18 131 8.0 76 9 29
## 153 20 223 11.5 68 9 30getwd() setwd(“C:/Users/super/OneDrive/문서/01 Study/ADsP”)
getwd()
a<-c(1,2,3) mean(a) max(a) min(a) median(a)
install.packages(“ggplot2”)
library(ggplot2)
data(“diamonds”) df<-diamonds df
x<-c(1,2,3)
mode(x) is.numeric(x) is.logical(x) is.character(x) length(x)
1:5
5:1
a<-c(1,3,1,3) a
class(a)
a*3
b <- factor(a) b
class(b)
levels(b)
b*3
x <- c(“a”,“b”,“c”)
x[1] x[-1] x[c(2,3)]
x[-2]
c(2,3)
gender<-c(“male”,“female”,“male”) bloodtype<-c(“AB”,“O”,“B”) height<-c(170,175,165) weight<-c(70,65,55) df<-data.frame(gender, bloodtype, height, weight) df
class(df)
car<-c(“kia”,“bmw”,“toyota”) df2<-data.frame(df,car) # car 변수 추가 df2
data(iris) head(iris) str(iris)
df<-iris df
iris[,c(1:2)] # 1,2열의 데이터를 추출한다 iris[,c(1,3,5)] # 1,3,5열의 데이터를 추출한다. iris[,c(“Sepal.Length”,“Species”)] # 1과 5열의 데이터를 추출한다. iris[1:5,] # 1~5행의 행을 추출한다. iris[1:5,c(1,3)] #1~5행의 데이터 중 1,3열의 데이터를 추출한다. iris[ ,-5] #5열의 데이터를 제외하고 추출한다.
iris$Species
iris$Sepal.Length
library(ggplot2)
data("diamonds")
df<-diamonds
df## # A tibble: 53,940 × 10
## carat cut color clarity depth table price x y z
## <dbl> <ord> <ord> <ord> <dbl> <dbl> <int> <dbl> <dbl> <dbl>
## 1 0.23 Ideal E SI2 61.5 55 326 3.95 3.98 2.43
## 2 0.21 Premium E SI1 59.8 61 326 3.89 3.84 2.31
## 3 0.23 Good E VS1 56.9 65 327 4.05 4.07 2.31
## 4 0.29 Premium I VS2 62.4 58 334 4.2 4.23 2.63
## 5 0.31 Good J SI2 63.3 58 335 4.34 4.35 2.75
## 6 0.24 Very Good J VVS2 62.8 57 336 3.94 3.96 2.48
## 7 0.24 Very Good I VVS1 62.3 57 336 3.95 3.98 2.47
## 8 0.26 Very Good H SI1 61.9 55 337 4.07 4.11 2.53
## 9 0.22 Fair E VS2 65.1 61 337 3.87 3.78 2.49
## 10 0.23 Very Good H VS1 59.4 61 338 4 4.05 2.39
## # ℹ 53,930 more rowsx<-c(1,2,3)
mode(x)## [1] "numeric"is.numeric(x)## [1] TRUEis.logical(x)## [1] FALSEis.character(x)## [1] FALSElength(x)## [1] 31:5## [1] 1 2 3 4 55:1## [1] 5 4 3 2 1a<-c(1,3,1,3)
a## [1] 1 3 1 3class(a)## [1] "numeric"a*3## [1] 3 9 3 9b <- factor(a)
b## [1] 1 3 1 3
## Levels: 1 3class(b)## [1] "factor"levels(b)## [1] "1" "3"b*3## Warning in Ops.factor(b, 3): '*' not meaningful for factors## [1] NA NA NA NAx <- c("a","b","c")
x[1]## [1] "a"x[-1]## [1] "b" "c"x[c(2,3)]## [1] "b" "c"x[-2]## [1] "a" "c"c(2,3)## [1] 2 3gender<-c("male","female","male")
bloodtype<-c("AB","O","B")
height<-c(170,175,165)
weight<-c(70,65,55)
df<-data.frame(gender, bloodtype, height, weight)
df## gender bloodtype height weight
## 1 male AB 170 70
## 2 female O 175 65
## 3 male B 165 55class(df)## [1] "data.frame"car<-c("kia","bmw","toyota")
df2<-data.frame(df,car) # car 변수 추가
df2## gender bloodtype height weight car
## 1 male AB 170 70 kia
## 2 female O 175 65 bmw
## 3 male B 165 55 toyotadata(iris)
head(iris)## Sepal.Length Sepal.Width Petal.Length Petal.Width Species
## 1 5.1 3.5 1.4 0.2 setosa
## 2 4.9 3.0 1.4 0.2 setosa
## 3 4.7 3.2 1.3 0.2 setosa
## 4 4.6 3.1 1.5 0.2 setosa
## 5 5.0 3.6 1.4 0.2 setosa
## 6 5.4 3.9 1.7 0.4 setosastr(iris)## 'data.frame': 150 obs. of 5 variables:
## $ Sepal.Length: num 5.1 4.9 4.7 4.6 5 5.4 4.6 5 4.4 4.9 ...
## $ Sepal.Width : num 3.5 3 3.2 3.1 3.6 3.9 3.4 3.4 2.9 3.1 ...
## $ Petal.Length: num 1.4 1.4 1.3 1.5 1.4 1.7 1.4 1.5 1.4 1.5 ...
## $ Petal.Width : num 0.2 0.2 0.2 0.2 0.2 0.4 0.3 0.2 0.2 0.1 ...
## $ Species : Factor w/ 3 levels "setosa","versicolor",..: 1 1 1 1 1 1 1 1 1 1 ...df<-iris
df## Sepal.Length Sepal.Width Petal.Length Petal.Width Species
## 1 5.1 3.5 1.4 0.2 setosa
## 2 4.9 3.0 1.4 0.2 setosa
## 3 4.7 3.2 1.3 0.2 setosa
## 4 4.6 3.1 1.5 0.2 setosa
## 5 5.0 3.6 1.4 0.2 setosa
## 6 5.4 3.9 1.7 0.4 setosa
## 7 4.6 3.4 1.4 0.3 setosa
## 8 5.0 3.4 1.5 0.2 setosa
## 9 4.4 2.9 1.4 0.2 setosa
## 10 4.9 3.1 1.5 0.1 setosa
## 11 5.4 3.7 1.5 0.2 setosa
## 12 4.8 3.4 1.6 0.2 setosa
## 13 4.8 3.0 1.4 0.1 setosa
## 14 4.3 3.0 1.1 0.1 setosa
## 15 5.8 4.0 1.2 0.2 setosa
## 16 5.7 4.4 1.5 0.4 setosa
## 17 5.4 3.9 1.3 0.4 setosa
## 18 5.1 3.5 1.4 0.3 setosa
## 19 5.7 3.8 1.7 0.3 setosa
## 20 5.1 3.8 1.5 0.3 setosa
## 21 5.4 3.4 1.7 0.2 setosa
## 22 5.1 3.7 1.5 0.4 setosa
## 23 4.6 3.6 1.0 0.2 setosa
## 24 5.1 3.3 1.7 0.5 setosa
## 25 4.8 3.4 1.9 0.2 setosa
## 26 5.0 3.0 1.6 0.2 setosa
## 27 5.0 3.4 1.6 0.4 setosa
## 28 5.2 3.5 1.5 0.2 setosa
## 29 5.2 3.4 1.4 0.2 setosa
## 30 4.7 3.2 1.6 0.2 setosa
## 31 4.8 3.1 1.6 0.2 setosa
## 32 5.4 3.4 1.5 0.4 setosa
## 33 5.2 4.1 1.5 0.1 setosa
## 34 5.5 4.2 1.4 0.2 setosa
## 35 4.9 3.1 1.5 0.2 setosa
## 36 5.0 3.2 1.2 0.2 setosa
## 37 5.5 3.5 1.3 0.2 setosa
## 38 4.9 3.6 1.4 0.1 setosa
## 39 4.4 3.0 1.3 0.2 setosa
## 40 5.1 3.4 1.5 0.2 setosa
## 41 5.0 3.5 1.3 0.3 setosa
## 42 4.5 2.3 1.3 0.3 setosa
## 43 4.4 3.2 1.3 0.2 setosa
## 44 5.0 3.5 1.6 0.6 setosa
## 45 5.1 3.8 1.9 0.4 setosa
## 46 4.8 3.0 1.4 0.3 setosa
## 47 5.1 3.8 1.6 0.2 setosa
## 48 4.6 3.2 1.4 0.2 setosa
## 49 5.3 3.7 1.5 0.2 setosa
## 50 5.0 3.3 1.4 0.2 setosa
## 51 7.0 3.2 4.7 1.4 versicolor
## 52 6.4 3.2 4.5 1.5 versicolor
## 53 6.9 3.1 4.9 1.5 versicolor
## 54 5.5 2.3 4.0 1.3 versicolor
## 55 6.5 2.8 4.6 1.5 versicolor
## 56 5.7 2.8 4.5 1.3 versicolor
## 57 6.3 3.3 4.7 1.6 versicolor
## 58 4.9 2.4 3.3 1.0 versicolor
## 59 6.6 2.9 4.6 1.3 versicolor
## 60 5.2 2.7 3.9 1.4 versicolor
## 61 5.0 2.0 3.5 1.0 versicolor
## 62 5.9 3.0 4.2 1.5 versicolor
## 63 6.0 2.2 4.0 1.0 versicolor
## 64 6.1 2.9 4.7 1.4 versicolor
## 65 5.6 2.9 3.6 1.3 versicolor
## 66 6.7 3.1 4.4 1.4 versicolor
## 67 5.6 3.0 4.5 1.5 versicolor
## 68 5.8 2.7 4.1 1.0 versicolor
## 69 6.2 2.2 4.5 1.5 versicolor
## 70 5.6 2.5 3.9 1.1 versicolor
## 71 5.9 3.2 4.8 1.8 versicolor
## 72 6.1 2.8 4.0 1.3 versicolor
## 73 6.3 2.5 4.9 1.5 versicolor
## 74 6.1 2.8 4.7 1.2 versicolor
## 75 6.4 2.9 4.3 1.3 versicolor
## 76 6.6 3.0 4.4 1.4 versicolor
## 77 6.8 2.8 4.8 1.4 versicolor
## 78 6.7 3.0 5.0 1.7 versicolor
## 79 6.0 2.9 4.5 1.5 versicolor
## 80 5.7 2.6 3.5 1.0 versicolor
## 81 5.5 2.4 3.8 1.1 versicolor
## 82 5.5 2.4 3.7 1.0 versicolor
## 83 5.8 2.7 3.9 1.2 versicolor
## 84 6.0 2.7 5.1 1.6 versicolor
## 85 5.4 3.0 4.5 1.5 versicolor
## 86 6.0 3.4 4.5 1.6 versicolor
## 87 6.7 3.1 4.7 1.5 versicolor
## 88 6.3 2.3 4.4 1.3 versicolor
## 89 5.6 3.0 4.1 1.3 versicolor
## 90 5.5 2.5 4.0 1.3 versicolor
## 91 5.5 2.6 4.4 1.2 versicolor
## 92 6.1 3.0 4.6 1.4 versicolor
## 93 5.8 2.6 4.0 1.2 versicolor
## 94 5.0 2.3 3.3 1.0 versicolor
## 95 5.6 2.7 4.2 1.3 versicolor
## 96 5.7 3.0 4.2 1.2 versicolor
## 97 5.7 2.9 4.2 1.3 versicolor
## 98 6.2 2.9 4.3 1.3 versicolor
## 99 5.1 2.5 3.0 1.1 versicolor
## 100 5.7 2.8 4.1 1.3 versicolor
## 101 6.3 3.3 6.0 2.5 virginica
## 102 5.8 2.7 5.1 1.9 virginica
## 103 7.1 3.0 5.9 2.1 virginica
## 104 6.3 2.9 5.6 1.8 virginica
## 105 6.5 3.0 5.8 2.2 virginica
## 106 7.6 3.0 6.6 2.1 virginica
## 107 4.9 2.5 4.5 1.7 virginica
## 108 7.3 2.9 6.3 1.8 virginica
## 109 6.7 2.5 5.8 1.8 virginica
## 110 7.2 3.6 6.1 2.5 virginica
## 111 6.5 3.2 5.1 2.0 virginica
## 112 6.4 2.7 5.3 1.9 virginica
## 113 6.8 3.0 5.5 2.1 virginica
## 114 5.7 2.5 5.0 2.0 virginica
## 115 5.8 2.8 5.1 2.4 virginica
## 116 6.4 3.2 5.3 2.3 virginica
## 117 6.5 3.0 5.5 1.8 virginica
## 118 7.7 3.8 6.7 2.2 virginica
## 119 7.7 2.6 6.9 2.3 virginica
## 120 6.0 2.2 5.0 1.5 virginica
## 121 6.9 3.2 5.7 2.3 virginica
## 122 5.6 2.8 4.9 2.0 virginica
## 123 7.7 2.8 6.7 2.0 virginica
## 124 6.3 2.7 4.9 1.8 virginica
## 125 6.7 3.3 5.7 2.1 virginica
## 126 7.2 3.2 6.0 1.8 virginica
## 127 6.2 2.8 4.8 1.8 virginica
## 128 6.1 3.0 4.9 1.8 virginica
## 129 6.4 2.8 5.6 2.1 virginica
## 130 7.2 3.0 5.8 1.6 virginica
## 131 7.4 2.8 6.1 1.9 virginica
## 132 7.9 3.8 6.4 2.0 virginica
## 133 6.4 2.8 5.6 2.2 virginica
## 134 6.3 2.8 5.1 1.5 virginica
## 135 6.1 2.6 5.6 1.4 virginica
## 136 7.7 3.0 6.1 2.3 virginica
## 137 6.3 3.4 5.6 2.4 virginica
## 138 6.4 3.1 5.5 1.8 virginica
## 139 6.0 3.0 4.8 1.8 virginica
## 140 6.9 3.1 5.4 2.1 virginica
## 141 6.7 3.1 5.6 2.4 virginica
## 142 6.9 3.1 5.1 2.3 virginica
## 143 5.8 2.7 5.1 1.9 virginica
## 144 6.8 3.2 5.9 2.3 virginica
## 145 6.7 3.3 5.7 2.5 virginica
## 146 6.7 3.0 5.2 2.3 virginica
## 147 6.3 2.5 5.0 1.9 virginica
## 148 6.5 3.0 5.2 2.0 virginica
## 149 6.2 3.4 5.4 2.3 virginica
## 150 5.9 3.0 5.1 1.8 virginicairis[,c(1:2)] # 1,2열의 데이터를 추출한다## Sepal.Length Sepal.Width
## 1 5.1 3.5
## 2 4.9 3.0
## 3 4.7 3.2
## 4 4.6 3.1
## 5 5.0 3.6
## 6 5.4 3.9
## 7 4.6 3.4
## 8 5.0 3.4
## 9 4.4 2.9
## 10 4.9 3.1
## 11 5.4 3.7
## 12 4.8 3.4
## 13 4.8 3.0
## 14 4.3 3.0
## 15 5.8 4.0
## 16 5.7 4.4
## 17 5.4 3.9
## 18 5.1 3.5
## 19 5.7 3.8
## 20 5.1 3.8
## 21 5.4 3.4
## 22 5.1 3.7
## 23 4.6 3.6
## 24 5.1 3.3
## 25 4.8 3.4
## 26 5.0 3.0
## 27 5.0 3.4
## 28 5.2 3.5
## 29 5.2 3.4
## 30 4.7 3.2
## 31 4.8 3.1
## 32 5.4 3.4
## 33 5.2 4.1
## 34 5.5 4.2
## 35 4.9 3.1
## 36 5.0 3.2
## 37 5.5 3.5
## 38 4.9 3.6
## 39 4.4 3.0
## 40 5.1 3.4
## 41 5.0 3.5
## 42 4.5 2.3
## 43 4.4 3.2
## 44 5.0 3.5
## 45 5.1 3.8
## 46 4.8 3.0
## 47 5.1 3.8
## 48 4.6 3.2
## 49 5.3 3.7
## 50 5.0 3.3
## 51 7.0 3.2
## 52 6.4 3.2
## 53 6.9 3.1
## 54 5.5 2.3
## 55 6.5 2.8
## 56 5.7 2.8
## 57 6.3 3.3
## 58 4.9 2.4
## 59 6.6 2.9
## 60 5.2 2.7
## 61 5.0 2.0
## 62 5.9 3.0
## 63 6.0 2.2
## 64 6.1 2.9
## 65 5.6 2.9
## 66 6.7 3.1
## 67 5.6 3.0
## 68 5.8 2.7
## 69 6.2 2.2
## 70 5.6 2.5
## 71 5.9 3.2
## 72 6.1 2.8
## 73 6.3 2.5
## 74 6.1 2.8
## 75 6.4 2.9
## 76 6.6 3.0
## 77 6.8 2.8
## 78 6.7 3.0
## 79 6.0 2.9
## 80 5.7 2.6
## 81 5.5 2.4
## 82 5.5 2.4
## 83 5.8 2.7
## 84 6.0 2.7
## 85 5.4 3.0
## 86 6.0 3.4
## 87 6.7 3.1
## 88 6.3 2.3
## 89 5.6 3.0
## 90 5.5 2.5
## 91 5.5 2.6
## 92 6.1 3.0
## 93 5.8 2.6
## 94 5.0 2.3
## 95 5.6 2.7
## 96 5.7 3.0
## 97 5.7 2.9
## 98 6.2 2.9
## 99 5.1 2.5
## 100 5.7 2.8
## 101 6.3 3.3
## 102 5.8 2.7
## 103 7.1 3.0
## 104 6.3 2.9
## 105 6.5 3.0
## 106 7.6 3.0
## 107 4.9 2.5
## 108 7.3 2.9
## 109 6.7 2.5
## 110 7.2 3.6
## 111 6.5 3.2
## 112 6.4 2.7
## 113 6.8 3.0
## 114 5.7 2.5
## 115 5.8 2.8
## 116 6.4 3.2
## 117 6.5 3.0
## 118 7.7 3.8
## 119 7.7 2.6
## 120 6.0 2.2
## 121 6.9 3.2
## 122 5.6 2.8
## 123 7.7 2.8
## 124 6.3 2.7
## 125 6.7 3.3
## 126 7.2 3.2
## 127 6.2 2.8
## 128 6.1 3.0
## 129 6.4 2.8
## 130 7.2 3.0
## 131 7.4 2.8
## 132 7.9 3.8
## 133 6.4 2.8
## 134 6.3 2.8
## 135 6.1 2.6
## 136 7.7 3.0
## 137 6.3 3.4
## 138 6.4 3.1
## 139 6.0 3.0
## 140 6.9 3.1
## 141 6.7 3.1
## 142 6.9 3.1
## 143 5.8 2.7
## 144 6.8 3.2
## 145 6.7 3.3
## 146 6.7 3.0
## 147 6.3 2.5
## 148 6.5 3.0
## 149 6.2 3.4
## 150 5.9 3.0iris[,c(1,3,5)] # 1,3,5열의 데이터를 추출한다.## Sepal.Length Petal.Length Species
## 1 5.1 1.4 setosa
## 2 4.9 1.4 setosa
## 3 4.7 1.3 setosa
## 4 4.6 1.5 setosa
## 5 5.0 1.4 setosa
## 6 5.4 1.7 setosa
## 7 4.6 1.4 setosa
## 8 5.0 1.5 setosa
## 9 4.4 1.4 setosa
## 10 4.9 1.5 setosa
## 11 5.4 1.5 setosa
## 12 4.8 1.6 setosa
## 13 4.8 1.4 setosa
## 14 4.3 1.1 setosa
## 15 5.8 1.2 setosa
## 16 5.7 1.5 setosa
## 17 5.4 1.3 setosa
## 18 5.1 1.4 setosa
## 19 5.7 1.7 setosa
## 20 5.1 1.5 setosa
## 21 5.4 1.7 setosa
## 22 5.1 1.5 setosa
## 23 4.6 1.0 setosa
## 24 5.1 1.7 setosa
## 25 4.8 1.9 setosa
## 26 5.0 1.6 setosa
## 27 5.0 1.6 setosa
## 28 5.2 1.5 setosa
## 29 5.2 1.4 setosa
## 30 4.7 1.6 setosa
## 31 4.8 1.6 setosa
## 32 5.4 1.5 setosa
## 33 5.2 1.5 setosa
## 34 5.5 1.4 setosa
## 35 4.9 1.5 setosa
## 36 5.0 1.2 setosa
## 37 5.5 1.3 setosa
## 38 4.9 1.4 setosa
## 39 4.4 1.3 setosa
## 40 5.1 1.5 setosa
## 41 5.0 1.3 setosa
## 42 4.5 1.3 setosa
## 43 4.4 1.3 setosa
## 44 5.0 1.6 setosa
## 45 5.1 1.9 setosa
## 46 4.8 1.4 setosa
## 47 5.1 1.6 setosa
## 48 4.6 1.4 setosa
## 49 5.3 1.5 setosa
## 50 5.0 1.4 setosa
## 51 7.0 4.7 versicolor
## 52 6.4 4.5 versicolor
## 53 6.9 4.9 versicolor
## 54 5.5 4.0 versicolor
## 55 6.5 4.6 versicolor
## 56 5.7 4.5 versicolor
## 57 6.3 4.7 versicolor
## 58 4.9 3.3 versicolor
## 59 6.6 4.6 versicolor
## 60 5.2 3.9 versicolor
## 61 5.0 3.5 versicolor
## 62 5.9 4.2 versicolor
## 63 6.0 4.0 versicolor
## 64 6.1 4.7 versicolor
## 65 5.6 3.6 versicolor
## 66 6.7 4.4 versicolor
## 67 5.6 4.5 versicolor
## 68 5.8 4.1 versicolor
## 69 6.2 4.5 versicolor
## 70 5.6 3.9 versicolor
## 71 5.9 4.8 versicolor
## 72 6.1 4.0 versicolor
## 73 6.3 4.9 versicolor
## 74 6.1 4.7 versicolor
## 75 6.4 4.3 versicolor
## 76 6.6 4.4 versicolor
## 77 6.8 4.8 versicolor
## 78 6.7 5.0 versicolor
## 79 6.0 4.5 versicolor
## 80 5.7 3.5 versicolor
## 81 5.5 3.8 versicolor
## 82 5.5 3.7 versicolor
## 83 5.8 3.9 versicolor
## 84 6.0 5.1 versicolor
## 85 5.4 4.5 versicolor
## 86 6.0 4.5 versicolor
## 87 6.7 4.7 versicolor
## 88 6.3 4.4 versicolor
## 89 5.6 4.1 versicolor
## 90 5.5 4.0 versicolor
## 91 5.5 4.4 versicolor
## 92 6.1 4.6 versicolor
## 93 5.8 4.0 versicolor
## 94 5.0 3.3 versicolor
## 95 5.6 4.2 versicolor
## 96 5.7 4.2 versicolor
## 97 5.7 4.2 versicolor
## 98 6.2 4.3 versicolor
## 99 5.1 3.0 versicolor
## 100 5.7 4.1 versicolor
## 101 6.3 6.0 virginica
## 102 5.8 5.1 virginica
## 103 7.1 5.9 virginica
## 104 6.3 5.6 virginica
## 105 6.5 5.8 virginica
## 106 7.6 6.6 virginica
## 107 4.9 4.5 virginica
## 108 7.3 6.3 virginica
## 109 6.7 5.8 virginica
## 110 7.2 6.1 virginica
## 111 6.5 5.1 virginica
## 112 6.4 5.3 virginica
## 113 6.8 5.5 virginica
## 114 5.7 5.0 virginica
## 115 5.8 5.1 virginica
## 116 6.4 5.3 virginica
## 117 6.5 5.5 virginica
## 118 7.7 6.7 virginica
## 119 7.7 6.9 virginica
## 120 6.0 5.0 virginica
## 121 6.9 5.7 virginica
## 122 5.6 4.9 virginica
## 123 7.7 6.7 virginica
## 124 6.3 4.9 virginica
## 125 6.7 5.7 virginica
## 126 7.2 6.0 virginica
## 127 6.2 4.8 virginica
## 128 6.1 4.9 virginica
## 129 6.4 5.6 virginica
## 130 7.2 5.8 virginica
## 131 7.4 6.1 virginica
## 132 7.9 6.4 virginica
## 133 6.4 5.6 virginica
## 134 6.3 5.1 virginica
## 135 6.1 5.6 virginica
## 136 7.7 6.1 virginica
## 137 6.3 5.6 virginica
## 138 6.4 5.5 virginica
## 139 6.0 4.8 virginica
## 140 6.9 5.4 virginica
## 141 6.7 5.6 virginica
## 142 6.9 5.1 virginica
## 143 5.8 5.1 virginica
## 144 6.8 5.9 virginica
## 145 6.7 5.7 virginica
## 146 6.7 5.2 virginica
## 147 6.3 5.0 virginica
## 148 6.5 5.2 virginica
## 149 6.2 5.4 virginica
## 150 5.9 5.1 virginicairis[,c("Sepal.Length","Species")] # 1과 5열의 데이터를 추출한다.## Sepal.Length Species
## 1 5.1 setosa
## 2 4.9 setosa
## 3 4.7 setosa
## 4 4.6 setosa
## 5 5.0 setosa
## 6 5.4 setosa
## 7 4.6 setosa
## 8 5.0 setosa
## 9 4.4 setosa
## 10 4.9 setosa
## 11 5.4 setosa
## 12 4.8 setosa
## 13 4.8 setosa
## 14 4.3 setosa
## 15 5.8 setosa
## 16 5.7 setosa
## 17 5.4 setosa
## 18 5.1 setosa
## 19 5.7 setosa
## 20 5.1 setosa
## 21 5.4 setosa
## 22 5.1 setosa
## 23 4.6 setosa
## 24 5.1 setosa
## 25 4.8 setosa
## 26 5.0 setosa
## 27 5.0 setosa
## 28 5.2 setosa
## 29 5.2 setosa
## 30 4.7 setosa
## 31 4.8 setosa
## 32 5.4 setosa
## 33 5.2 setosa
## 34 5.5 setosa
## 35 4.9 setosa
## 36 5.0 setosa
## 37 5.5 setosa
## 38 4.9 setosa
## 39 4.4 setosa
## 40 5.1 setosa
## 41 5.0 setosa
## 42 4.5 setosa
## 43 4.4 setosa
## 44 5.0 setosa
## 45 5.1 setosa
## 46 4.8 setosa
## 47 5.1 setosa
## 48 4.6 setosa
## 49 5.3 setosa
## 50 5.0 setosa
## 51 7.0 versicolor
## 52 6.4 versicolor
## 53 6.9 versicolor
## 54 5.5 versicolor
## 55 6.5 versicolor
## 56 5.7 versicolor
## 57 6.3 versicolor
## 58 4.9 versicolor
## 59 6.6 versicolor
## 60 5.2 versicolor
## 61 5.0 versicolor
## 62 5.9 versicolor
## 63 6.0 versicolor
## 64 6.1 versicolor
## 65 5.6 versicolor
## 66 6.7 versicolor
## 67 5.6 versicolor
## 68 5.8 versicolor
## 69 6.2 versicolor
## 70 5.6 versicolor
## 71 5.9 versicolor
## 72 6.1 versicolor
## 73 6.3 versicolor
## 74 6.1 versicolor
## 75 6.4 versicolor
## 76 6.6 versicolor
## 77 6.8 versicolor
## 78 6.7 versicolor
## 79 6.0 versicolor
## 80 5.7 versicolor
## 81 5.5 versicolor
## 82 5.5 versicolor
## 83 5.8 versicolor
## 84 6.0 versicolor
## 85 5.4 versicolor
## 86 6.0 versicolor
## 87 6.7 versicolor
## 88 6.3 versicolor
## 89 5.6 versicolor
## 90 5.5 versicolor
## 91 5.5 versicolor
## 92 6.1 versicolor
## 93 5.8 versicolor
## 94 5.0 versicolor
## 95 5.6 versicolor
## 96 5.7 versicolor
## 97 5.7 versicolor
## 98 6.2 versicolor
## 99 5.1 versicolor
## 100 5.7 versicolor
## 101 6.3 virginica
## 102 5.8 virginica
## 103 7.1 virginica
## 104 6.3 virginica
## 105 6.5 virginica
## 106 7.6 virginica
## 107 4.9 virginica
## 108 7.3 virginica
## 109 6.7 virginica
## 110 7.2 virginica
## 111 6.5 virginica
## 112 6.4 virginica
## 113 6.8 virginica
## 114 5.7 virginica
## 115 5.8 virginica
## 116 6.4 virginica
## 117 6.5 virginica
## 118 7.7 virginica
## 119 7.7 virginica
## 120 6.0 virginica
## 121 6.9 virginica
## 122 5.6 virginica
## 123 7.7 virginica
## 124 6.3 virginica
## 125 6.7 virginica
## 126 7.2 virginica
## 127 6.2 virginica
## 128 6.1 virginica
## 129 6.4 virginica
## 130 7.2 virginica
## 131 7.4 virginica
## 132 7.9 virginica
## 133 6.4 virginica
## 134 6.3 virginica
## 135 6.1 virginica
## 136 7.7 virginica
## 137 6.3 virginica
## 138 6.4 virginica
## 139 6.0 virginica
## 140 6.9 virginica
## 141 6.7 virginica
## 142 6.9 virginica
## 143 5.8 virginica
## 144 6.8 virginica
## 145 6.7 virginica
## 146 6.7 virginica
## 147 6.3 virginica
## 148 6.5 virginica
## 149 6.2 virginica
## 150 5.9 virginicairis[1:5,] # 1~5행의 행을 추출한다.## Sepal.Length Sepal.Width Petal.Length Petal.Width Species
## 1 5.1 3.5 1.4 0.2 setosa
## 2 4.9 3.0 1.4 0.2 setosa
## 3 4.7 3.2 1.3 0.2 setosa
## 4 4.6 3.1 1.5 0.2 setosa
## 5 5.0 3.6 1.4 0.2 setosairis[1:5,c(1,3)] #1~5행의 데이터 중 1,3열의 데이터를 추출한다.## Sepal.Length Petal.Length
## 1 5.1 1.4
## 2 4.9 1.4
## 3 4.7 1.3
## 4 4.6 1.5
## 5 5.0 1.4iris[ ,-5] #5열의 데이터를 제외하고 추출한다.## Sepal.Length Sepal.Width Petal.Length Petal.Width
## 1 5.1 3.5 1.4 0.2
## 2 4.9 3.0 1.4 0.2
## 3 4.7 3.2 1.3 0.2
## 4 4.6 3.1 1.5 0.2
## 5 5.0 3.6 1.4 0.2
## 6 5.4 3.9 1.7 0.4
## 7 4.6 3.4 1.4 0.3
## 8 5.0 3.4 1.5 0.2
## 9 4.4 2.9 1.4 0.2
## 10 4.9 3.1 1.5 0.1
## 11 5.4 3.7 1.5 0.2
## 12 4.8 3.4 1.6 0.2
## 13 4.8 3.0 1.4 0.1
## 14 4.3 3.0 1.1 0.1
## 15 5.8 4.0 1.2 0.2
## 16 5.7 4.4 1.5 0.4
## 17 5.4 3.9 1.3 0.4
## 18 5.1 3.5 1.4 0.3
## 19 5.7 3.8 1.7 0.3
## 20 5.1 3.8 1.5 0.3
## 21 5.4 3.4 1.7 0.2
## 22 5.1 3.7 1.5 0.4
## 23 4.6 3.6 1.0 0.2
## 24 5.1 3.3 1.7 0.5
## 25 4.8 3.4 1.9 0.2
## 26 5.0 3.0 1.6 0.2
## 27 5.0 3.4 1.6 0.4
## 28 5.2 3.5 1.5 0.2
## 29 5.2 3.4 1.4 0.2
## 30 4.7 3.2 1.6 0.2
## 31 4.8 3.1 1.6 0.2
## 32 5.4 3.4 1.5 0.4
## 33 5.2 4.1 1.5 0.1
## 34 5.5 4.2 1.4 0.2
## 35 4.9 3.1 1.5 0.2
## 36 5.0 3.2 1.2 0.2
## 37 5.5 3.5 1.3 0.2
## 38 4.9 3.6 1.4 0.1
## 39 4.4 3.0 1.3 0.2
## 40 5.1 3.4 1.5 0.2
## 41 5.0 3.5 1.3 0.3
## 42 4.5 2.3 1.3 0.3
## 43 4.4 3.2 1.3 0.2
## 44 5.0 3.5 1.6 0.6
## 45 5.1 3.8 1.9 0.4
## 46 4.8 3.0 1.4 0.3
## 47 5.1 3.8 1.6 0.2
## 48 4.6 3.2 1.4 0.2
## 49 5.3 3.7 1.5 0.2
## 50 5.0 3.3 1.4 0.2
## 51 7.0 3.2 4.7 1.4
## 52 6.4 3.2 4.5 1.5
## 53 6.9 3.1 4.9 1.5
## 54 5.5 2.3 4.0 1.3
## 55 6.5 2.8 4.6 1.5
## 56 5.7 2.8 4.5 1.3
## 57 6.3 3.3 4.7 1.6
## 58 4.9 2.4 3.3 1.0
## 59 6.6 2.9 4.6 1.3
## 60 5.2 2.7 3.9 1.4
## 61 5.0 2.0 3.5 1.0
## 62 5.9 3.0 4.2 1.5
## 63 6.0 2.2 4.0 1.0
## 64 6.1 2.9 4.7 1.4
## 65 5.6 2.9 3.6 1.3
## 66 6.7 3.1 4.4 1.4
## 67 5.6 3.0 4.5 1.5
## 68 5.8 2.7 4.1 1.0
## 69 6.2 2.2 4.5 1.5
## 70 5.6 2.5 3.9 1.1
## 71 5.9 3.2 4.8 1.8
## 72 6.1 2.8 4.0 1.3
## 73 6.3 2.5 4.9 1.5
## 74 6.1 2.8 4.7 1.2
## 75 6.4 2.9 4.3 1.3
## 76 6.6 3.0 4.4 1.4
## 77 6.8 2.8 4.8 1.4
## 78 6.7 3.0 5.0 1.7
## 79 6.0 2.9 4.5 1.5
## 80 5.7 2.6 3.5 1.0
## 81 5.5 2.4 3.8 1.1
## 82 5.5 2.4 3.7 1.0
## 83 5.8 2.7 3.9 1.2
## 84 6.0 2.7 5.1 1.6
## 85 5.4 3.0 4.5 1.5
## 86 6.0 3.4 4.5 1.6
## 87 6.7 3.1 4.7 1.5
## 88 6.3 2.3 4.4 1.3
## 89 5.6 3.0 4.1 1.3
## 90 5.5 2.5 4.0 1.3
## 91 5.5 2.6 4.4 1.2
## 92 6.1 3.0 4.6 1.4
## 93 5.8 2.6 4.0 1.2
## 94 5.0 2.3 3.3 1.0
## 95 5.6 2.7 4.2 1.3
## 96 5.7 3.0 4.2 1.2
## 97 5.7 2.9 4.2 1.3
## 98 6.2 2.9 4.3 1.3
## 99 5.1 2.5 3.0 1.1
## 100 5.7 2.8 4.1 1.3
## 101 6.3 3.3 6.0 2.5
## 102 5.8 2.7 5.1 1.9
## 103 7.1 3.0 5.9 2.1
## 104 6.3 2.9 5.6 1.8
## 105 6.5 3.0 5.8 2.2
## 106 7.6 3.0 6.6 2.1
## 107 4.9 2.5 4.5 1.7
## 108 7.3 2.9 6.3 1.8
## 109 6.7 2.5 5.8 1.8
## 110 7.2 3.6 6.1 2.5
## 111 6.5 3.2 5.1 2.0
## 112 6.4 2.7 5.3 1.9
## 113 6.8 3.0 5.5 2.1
## 114 5.7 2.5 5.0 2.0
## 115 5.8 2.8 5.1 2.4
## 116 6.4 3.2 5.3 2.3
## 117 6.5 3.0 5.5 1.8
## 118 7.7 3.8 6.7 2.2
## 119 7.7 2.6 6.9 2.3
## 120 6.0 2.2 5.0 1.5
## 121 6.9 3.2 5.7 2.3
## 122 5.6 2.8 4.9 2.0
## 123 7.7 2.8 6.7 2.0
## 124 6.3 2.7 4.9 1.8
## 125 6.7 3.3 5.7 2.1
## 126 7.2 3.2 6.0 1.8
## 127 6.2 2.8 4.8 1.8
## 128 6.1 3.0 4.9 1.8
## 129 6.4 2.8 5.6 2.1
## 130 7.2 3.0 5.8 1.6
## 131 7.4 2.8 6.1 1.9
## 132 7.9 3.8 6.4 2.0
## 133 6.4 2.8 5.6 2.2
## 134 6.3 2.8 5.1 1.5
## 135 6.1 2.6 5.6 1.4
## 136 7.7 3.0 6.1 2.3
## 137 6.3 3.4 5.6 2.4
## 138 6.4 3.1 5.5 1.8
## 139 6.0 3.0 4.8 1.8
## 140 6.9 3.1 5.4 2.1
## 141 6.7 3.1 5.6 2.4
## 142 6.9 3.1 5.1 2.3
## 143 5.8 2.7 5.1 1.9
## 144 6.8 3.2 5.9 2.3
## 145 6.7 3.3 5.7 2.5
## 146 6.7 3.0 5.2 2.3
## 147 6.3 2.5 5.0 1.9
## 148 6.5 3.0 5.2 2.0
## 149 6.2 3.4 5.4 2.3
## 150 5.9 3.0 5.1 1.8iris$Species## [1] setosa setosa setosa setosa setosa setosa
## [7] setosa setosa setosa setosa setosa setosa
## [13] setosa setosa setosa setosa setosa setosa
## [19] setosa setosa setosa setosa setosa setosa
## [25] setosa setosa setosa setosa setosa setosa
## [31] setosa setosa setosa setosa setosa setosa
## [37] setosa setosa setosa setosa setosa setosa
## [43] setosa setosa setosa setosa setosa setosa
## [49] setosa setosa versicolor versicolor versicolor versicolor
## [55] versicolor versicolor versicolor versicolor versicolor versicolor
## [61] versicolor versicolor versicolor versicolor versicolor versicolor
## [67] versicolor versicolor versicolor versicolor versicolor versicolor
## [73] versicolor versicolor versicolor versicolor versicolor versicolor
## [79] versicolor versicolor versicolor versicolor versicolor versicolor
## [85] versicolor versicolor versicolor versicolor versicolor versicolor
## [91] versicolor versicolor versicolor versicolor versicolor versicolor
## [97] versicolor versicolor versicolor versicolor virginica virginica
## [103] virginica virginica virginica virginica virginica virginica
## [109] virginica virginica virginica virginica virginica virginica
## [115] virginica virginica virginica virginica virginica virginica
## [121] virginica virginica virginica virginica virginica virginica
## [127] virginica virginica virginica virginica virginica virginica
## [133] virginica virginica virginica virginica virginica virginica
## [139] virginica virginica virginica virginica virginica virginica
## [145] virginica virginica virginica virginica virginica virginica
## Levels: setosa versicolor virginicairis$Sepal.Length## [1] 5.1 4.9 4.7 4.6 5.0 5.4 4.6 5.0 4.4 4.9 5.4 4.8 4.8 4.3 5.8 5.7 5.4 5.1
## [19] 5.7 5.1 5.4 5.1 4.6 5.1 4.8 5.0 5.0 5.2 5.2 4.7 4.8 5.4 5.2 5.5 4.9 5.0
## [37] 5.5 4.9 4.4 5.1 5.0 4.5 4.4 5.0 5.1 4.8 5.1 4.6 5.3 5.0 7.0 6.4 6.9 5.5
## [55] 6.5 5.7 6.3 4.9 6.6 5.2 5.0 5.9 6.0 6.1 5.6 6.7 5.6 5.8 6.2 5.6 5.9 6.1
## [73] 6.3 6.1 6.4 6.6 6.8 6.7 6.0 5.7 5.5 5.5 5.8 6.0 5.4 6.0 6.7 6.3 5.6 5.5
## [91] 5.5 6.1 5.8 5.0 5.6 5.7 5.7 6.2 5.1 5.7 6.3 5.8 7.1 6.3 6.5 7.6 4.9 7.3
## [109] 6.7 7.2 6.5 6.4 6.8 5.7 5.8 6.4 6.5 7.7 7.7 6.0 6.9 5.6 7.7 6.3 6.7 7.2
## [127] 6.2 6.1 6.4 7.2 7.4 7.9 6.4 6.3 6.1 7.7 6.3 6.4 6.0 6.9 6.7 6.9 5.8 6.8
## [145] 6.7 6.7 6.3 6.5 6.2 5.9as.integer(3.14) as.numeric(FALSE) as.logical(0.45)
setwd(“C:/Users/super/OneDrive/문서/01 Study/ADsP/data”)
getwd()
data <- read.csv(“Data1.csv”,header=TRUE, sep=“,” ) data
data2 <- read.csv(“mtcars.csv”) data2
data(iris) head(iris)
head(iris,3)
tail(iris) tail(iris,3)
str(iris)
tail(data2) tail(data2,3) str(data2)
tail(data) tail(data,3) str(data)
dim(data) dim(data2)
ls(iris)
rm(list = ls( ))
ls()
mtcars<-read.csv(“mtcars.csv”)
mean(mtcars\(mpg) median(mtcars\)mpg) quantile(mtcars\(mpg) IQR(mtcars\)mpg)
mtcars$mpg
summary(iris) dim(iris)
as.integer(3.14)## [1] 3as.numeric(FALSE)## [1] 0as.logical(0.45)## [1] TRUEsetwd("C:/Users/super/OneDrive/문서/01 Study/ADsP/data")
getwd()## [1] "C:/Users/super/OneDrive/문서/01 Study/ADsP/data"data <- read.csv("Data1.csv",header=TRUE, sep="," )
data## Q1 Q2 Q3 Q4 Q5 Q6 Q7 Q8 Q9 Q10 Q11 Q12 Q13 Q14 Q15 Q16 Q17 Q18 Q19 Q20
## 1 4 4 2 3 4 2 2 4 4 4 4 4 4 4 4 4 4 4 4 4
## 2 4 4 4 4 4 3 2 4 4 4 4 4 4 4 4 4 3 4 2 1
## 3 4 4 4 4 2 4 4 4 4 2 4 4 4 4 3 4 4 4 4 3
## 4 5 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4
## 5 4 4 4 4 4 4 4 4 2 4 4 4 4 4 4 4 4 4 4 4
## 6 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4
## 7 4 2 4 4 4 4 4 5 5 5 5 5 5 5 4 5 2 4 4 4
## 8 4 2 4 4 4 4 4 5 5 5 5 5 5 5 2 2 2 4 2 2
## 9 4 4 4 4 2 1 3 2 3 2 4 3 4 5 3 4 4 4 4 4
## 10 4 4 2 2 4 2 4 2 4 4 4 4 4 4 4 4 4 4 2 2
## 11 4 4 4 4 4 2 4 4 4 2 4 4 4 4 4 4 4 4 4 4
## 12 4 4 2 4 2 2 4 4 4 4 3 3 4 4 3 4 4 4 4 4
## 13 4 4 4 4 4 4 5 4 2 4 4 4 2 3 1 4 3 4 1 4
## 14 4 2 4 2 4 4 4 4 2 4 4 3 4 4 4 4 2 4 4 2
## 15 4 4 4 4 4 3 4 3 4 3 4 3 4 5 4 5 4 4 4 4
## 16 4 4 4 4 4 5 5 5 5 4 4 4 4 4 4 4 5 5 4 5
## 17 4 2 4 4 4 2 4 4 2 4 5 5 5 5 5 5 4 2 5 5
## 18 4 4 3 2 3 2 3 2 4 3 4 4 4 4 4 4 4 4 4 4
## 19 4 2 2 2 1 1 4 4 2 2 3 4 4 4 4 4 3 4 2 2
## 20 4 2 3 4 2 4 4 4 4 3 3 2 4 4 4 4 4 4 3 4
## 21 4 3 3 4 2 2 4 4 4 3 4 3 3 4 3 4 2 4 3 3
## 22 3 2 2 1 1 1 2 4 4 3 3 4 2 4 3 4 4 4 3 3
## 23 5 5 5 5 5 5 5 5 5 5 5 5 5 5 4 4 4 4 4 5
## 24 4 4 4 4 3 4 5 3 3 2 3 4 4 3 2 4 5 2 1 4
## 25 4 4 4 4 4 4 5 5 5 5 5 5 5 5 5 5 3 3 2 5
## 26 4 4 4 4 5 2 4 2 5 4 2 2 4 2 2 5 4 5 1 1
## 27 4 4 4 4 2 4 4 4 4 4 3 3 3 3 3 5 4 5 1 4
## 28 4 1 1 4 3 1 5 4 4 3 4 4 4 4 4 5 1 4 2 4
## 29 4 4 4 5 5 4 4 4 4 3 5 4 4 4 4 4 4 5 4 3
## 30 4 4 2 2 4 4 2 4 2 4 2 2 2 4 2 5 4 4 1 1
## 31 4 3 4 4 4 4 4 4 4 4 2 4 4 4 4 5 4 5 2 5
## 32 4 4 4 4 3 3 4 2 4 4 2 4 4 4 3 5 5 5 3 5
## 33 4 4 4 4 4 4 4 2 4 4 4 4 4 4 4 4 4 4 4 5
## 34 4 4 4 4 4 4 4 2 4 4 5 4 2 4 2 5 1 4 4 2
## 35 4 4 4 4 4 1 4 2 4 4 3 3 2 3 2 5 1 4 2 4
## 36 4 4 4 4 3 2 5 5 5 4 2 4 4 1 3 3 5 5 5 4
## 37 4 4 4 4 3 2 5 5 5 4 3 4 3 4 4 4 5 5 3 4
## 38 4 4 4 4 3 1 5 5 5 4 3 4 3 4 4 4 5 5 2 4
## 39 4 4 4 4 4 4 4 2 4 4 2 2 4 2 2 4 2 4 4 4
## 40 4 4 4 4 4 4 4 4 4 4 4 4 4 4 3 4 2 4 2 3
## 41 3 4 4 4 4 4 4 2 2 4 5 4 3 5 4 4 4 4 4 4
## 42 4 4 4 4 4 4 4 4 4 4 2 2 4 4 2 4 2 4 2 4
## 43 4 4 4 4 4 4 4 5 4 4 4 5 4 5 5 5 2 4 4 1
## 44 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2
## 45 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4
## 46 4 4 4 4 3 3 4 2 4 4 4 4 4 4 4 4 4 4 4 3
## 47 4 4 4 4 2 2 4 4 4 4 1 1 4 2 2 4 2 5 4 4
## 48 1 2 1 2 1 1 1 1 1 1 1 1 1 2 3 2 2 2 2 2
## 49 4 4 2 4 2 3 3 4 2 3 4 4 3 4 3 3 3 4 3 2
## 50 4 3 4 2 2 2 2 2 4 4 4 2 4 2 4 2 3 4 4 2
## 51 2 2 4 4 5 1 5 4 4 4 4 4 4 4 4 4 4 4 4 4
## 52 4 4 3 3 3 2 4 4 4 2 4 4 4 4 2 4 4 4 2 4
## 53 4 3 4 4 3 2 4 4 4 4 4 2 4 4 2 4 3 2 4 3
## 54 1 4 2 4 4 3 2 4 2 3 4 4 5 5 5 5 2 5 4 4
## 55 1 1 1 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4
## 56 4 2 3 4 2 3 3 3 3 3 3 3 3 5 5 4 4 4 3 4
## 57 4 4 2 4 4 2 4 4 4 4 4 4 4 5 4 5 4 4 2 3
## 58 4 4 2 4 4 2 4 4 4 4 4 4 4 4 5 5 4 4 2 2
## 59 4 2 4 4 4 2 4 4 4 4 4 4 4 4 4 4 4 4 2 4
## 60 4 2 4 4 4 2 4 4 4 4 4 4 4 4 4 4 4 4 4 4
## 61 4 4 4 4 4 2 4 4 4 3 4 4 4 4 4 4 4 4 2 4
## 62 4 4 4 4 4 2 4 4 4 3 4 4 4 4 4 4 4 4 4 4
## 63 4 4 4 4 4 2 4 4 4 4 4 4 4 4 2 4 4 4 4 4
## 64 1 4 4 4 3 1 4 3 4 3 4 4 4 4 4 4 3 4 4 4
## 65 4 4 3 2 4 2 2 4 4 4 4 3 4 4 3 4 4 4 4 3
## 66 4 5 4 1 5 2 2 4 4 4 4 4 4 4 1 4 4 4 2 4
## 67 4 3 4 4 2 3 4 4 4 3 4 4 4 4 4 4 4 4 4 4
## 68 4 5 5 4 4 4 4 4 4 4 5 5 4 5 4 4 4 4 4 4
## 69 4 4 4 4 4 4 2 4 4 3 3 3 3 4 3 2 2 3 3 2
## 70 1 2 2 3 4 3 2 2 4 2 3 3 4 4 4 4 4 4 4 4
## 71 4 4 4 4 4 4 3 4 4 4 3 4 4 4 4 4 4 4 4 4
## 72 4 4 4 4 4 2 5 4 5 4 4 4 4 4 4 4 4 4 4 4
## 73 4 4 4 4 3 3 4 3 4 3 3 3 3 3 3 4 4 4 3 3
## 74 2 4 4 4 4 4 2 2 2 4 2 2 4 4 2 4 4 4 3 4
## 75 4 3 3 4 3 2 4 3 4 3 4 4 4 4 4 4 4 4 4 3
## 76 4 4 3 2 3 4 4 2 4 3 4 3 4 4 3 4 3 4 4 3
## 77 4 4 3 3 2 2 2 2 3 3 4 4 4 4 4 4 4 4 3 3
## 78 2 4 2 2 4 2 2 4 4 4 4 2 2 2 3 3 3 4 4 3
## 79 1 1 2 2 2 3 3 1 2 1 3 1 1 1 3 3 4 1 1 3
## 80 4 1 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4
## 81 1 2 2 2 2 4 2 2 2 2 4 4 2 4 2 4 4 2 4 4
## 82 4 2 2 2 2 2 2 2 2 2 4 2 2 4 4 4 4 4 2 2
## 83 2 4 2 4 4 4 4 4 4 2 4 4 4 4 4 4 4 4 3 4
## 84 5 5 5 5 5 5 5 5 3 2 5 5 5 5 5 5 5 5 5 5
## 85 2 1 2 4 2 5 5 3 4 3 4 4 4 4 4 4 4 4 3 2
## 86 4 4 4 4 4 2 4 2 4 4 2 2 4 4 4 4 4 2 2 4
## 87 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4
## 88 3 2 2 2 1 2 4 4 4 3 4 3 4 3 4 3 4 4 4 4
## 89 4 4 4 4 4 4 3 2 4 4 4 2 4 4 3 4 4 4 4 4
## 90 4 4 4 4 3 4 2 2 2 4 4 2 4 5 3 4 4 4 2 2
## 91 4 2 2 2 2 3 4 5 4 3 3 3 1 4 3 1 3 3 3 3
## 92 4 3 3 4 3 2 3 1 3 3 4 2 2 4 4 4 2 4 2 4
## 93 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4
## 94 5 4 4 4 4 5 4 4 4 4 5 4 4 4 4 5 4 4 4 4
## 95 4 4 2 4 4 4 4 5 5 2 4 4 4 4 4 5 5 4 4 4
## 96 2 2 2 2 2 1 1 3 2 3 3 4 4 4 3 4 4 5 4 4
## 97 4 4 4 4 4 4 4 4 4 4 4 4 3 4 4 4 4 4 4 4
## 98 5 5 2 5 5 3 4 2 2 5 2 2 4 3 3 5 3 5 4 5
## 99 4 4 4 4 4 4 2 4 2 4 4 4 4 4 4 5 5 5 4 4
## 100 4 2 4 4 4 2 4 5 4 4 5 5 5 5 5 5 2 4 4 4
## 101 4 4 4 4 4 2 5 5 4 4 4 4 4 4 2 4 4 5 2 4
## 102 4 2 3 2 2 2 4 4 4 4 3 2 4 4 2 4 4 4 3 4
## 103 3 4 4 4 4 4 3 4 5 4 4 5 4 3 4 4 4 4 2 4
## 104 4 2 3 2 4 4 2 3 2 3 2 3 4 4 4 4 4 4 4 4
## 105 4 4 4 4 4 3 4 4 4 4 3 4 4 4 4 4 4 4 3 4
## 106 4 4 4 3 4 4 4 4 4 3 4 4 4 5 4 4 4 4 4 5
## 107 2 2 1 2 2 2 2 2 2 3 2 2 2 2 2 4 4 4 4 4
## 108 5 2 2 2 2 2 4 4 4 4 4 4 4 4 4 4 4 4 4 4
## 109 4 4 2 4 2 4 3 2 2 3 2 2 2 2 2 5 4 4 4 4
## 110 3 4 4 2 3 4 2 5 2 3 3 3 3 5 2 5 2 5 4 3
## 111 5 3 3 3 3 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4
## 112 2 4 2 2 2 1 4 4 5 5 5 2 1 3 4 4 4 5 4 5
## 113 3 4 2 2 2 2 2 2 2 2 2 2 2 2 2 3 3 4 4 4
## 114 5 2 4 4 4 2 3 4 4 2 4 4 4 4 4 4 3 2 4 4
## 115 4 2 3 3 3 3 3 3 3 3 3 3 4 4 4 4 4 4 3 3
## 116 3 4 4 4 4 4 4 4 4 3 4 5 4 4 4 5 5 5 5 5
## 117 4 4 2 4 4 2 5 5 5 4 3 3 3 3 3 5 4 4 4 4
## 118 4 1 1 1 1 1 1 1 1 1 4 4 4 4 4 4 4 4 4 4
## 119 4 4 4 4 4 1 4 3 5 4 4 4 5 5 5 4 4 4 4 4
## 120 4 4 4 4 4 4 2 4 4 3 4 4 4 4 4 4 4 4 4 4
## 121 2 3 2 2 2 1 2 2 2 2 2 3 2 2 3 4 4 4 4 4
## 122 5 5 5 5 5 5 5 5 2 5 5 5 5 5 5 5 5 5 5 5
## 123 4 2 4 2 4 2 4 2 2 4 4 2 2 4 4 4 4 3 3 3
## 124 4 4 4 4 4 4 4 4 3 4 4 3 3 4 4 5 5 5 5 5
## 125 4 3 4 4 3 4 2 2 4 3 4 3 4 4 4 4 4 4 4 3
## 126 4 2 2 2 2 4 1 4 4 3 4 4 4 3 3 4 4 4 4 4
## 127 4 4 4 4 4 4 4 3 4 4 4 4 4 4 3 5 5 4 4 4
## 128 4 2 3 2 3 4 4 4 4 3 4 4 4 4 4 4 4 4 4 4
## 129 4 2 3 2 2 1 2 4 2 3 4 3 4 4 3 4 5 4 5 4
## 130 2 2 2 2 2 2 3 4 2 2 3 4 4 4 3 4 4 4 4 4
## 131 4 4 4 4 4 2 3 2 2 2 4 5 5 4 3 5 5 5 5 5
## 132 4 2 4 2 2 2 5 5 5 2 4 2 4 4 4 5 5 5 4 4
## 133 3 3 4 4 3 4 3 3 3 4 5 5 5 5 5 5 5 5 5 5
## 134 5 4 5 4 4 4 4 4 5 4 5 4 4 4 4 4 4 5 4 4
## 135 4 3 3 4 4 2 2 4 2 4 4 4 4 4 3 4 4 4 3 3
## 136 4 4 4 3 3 3 4 4 4 3 4 3 3 3 4 5 4 4 3 2
## 137 5 4 5 4 4 4 5 4 5 5 5 1 4 4 5 5 4 4 1 1
## 138 4 4 2 4 4 3 4 2 2 4 2 4 2 4 4 4 2 2 4 4
## 139 4 4 3 2 2 4 4 4 4 4 2 5 5 5 4 4 1 4 2 1
## 140 2 2 2 1 1 2 2 2 2 3 3 1 2 3 1 2 2 2 2 5
## 141 4 4 4 3 3 3 3 2 4 4 4 4 3 4 4 4 4 4 2 3
## 142 4 4 2 2 4 2 4 4 4 3 4 4 4 4 3 4 4 4 4 4
## 143 4 2 2 2 2 2 2 4 4 3 4 3 3 4 3 4 3 4 4 4
## 144 3 2 2 2 2 1 4 4 4 3 3 2 3 3 3 3 3 3 3 3
## 145 4 3 2 2 2 2 4 2 4 3 4 3 4 4 4 4 4 4 4 3
## 146 5 4 5 5 5 4 4 5 5 5 5 4 4 5 5 4 4 4 4 4
## 147 4 3 2 4 3 2 4 4 4 3 4 4 4 4 3 4 4 4 4 4
## 148 2 2 2 1 2 2 4 4 2 2 3 4 2 4 3 4 4 4 3 4
## 149 2 4 2 2 2 2 4 4 2 4 2 4 4 4 2 4 4 4 4 2
## 150 5 3 5 3 4 5 5 5 5 5 5 5 5 5 5 5 5 5 3 5
## 151 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 3 3 3 3
## 152 2 2 2 2 2 2 2 2 4 3 2 2 2 2 2 2 2 4 2 2
## 153 4 2 4 4 4 2 4 4 4 4 4 4 4 4 4 4 4 4 2 4
## 154 4 3 2 2 2 2 2 2 4 2 4 4 4 4 4 4 2 3 3 3
## 155 4 4 2 4 3 2 4 4 4 4 4 4 4 4 4 4 4 4 4 4
## 156 4 4 3 3 4 4 4 4 4 3 4 4 4 4 3 4 4 4 4 4
## 157 4 3 4 4 3 4 4 3 4 3 2 2 3 4 3 4 4 4 4 4
## 158 4 2 4 4 4 4 4 4 4 4 5 5 4 5 5 5 3 5 3 4
## 159 4 4 4 4 4 4 4 4 4 4 5 5 4 5 5 5 3 5 3 4
## 160 4 4 4 4 4 4 4 1 4 4 5 5 4 5 5 5 3 5 3 4
## 161 4 4 4 4 5 4 4 4 4 4 3 2 2 4 2 4 2 4 3 3
## 162 4 2 4 3 2 3 4 4 4 2 4 4 4 4 4 4 4 4 2 2
## 163 3 2 4 2 2 2 4 2 4 2 2 4 4 4 4 4 4 4 4 4
## 164 3 4 2 2 2 1 2 2 4 2 2 2 2 4 2 4 4 4 3 4
## 165 4 4 4 4 4 3 4 4 4 4 4 4 4 5 4 4 5 5 4 4
## 166 2 2 2 2 2 2 1 1 1 1 2 2 2 3 2 4 2 3 3 3
## 167 4 3 4 4 4 2 4 4 2 4 3 4 4 4 4 4 2 4 3 4
## 168 4 4 2 2 2 2 4 4 4 3 3 4 4 4 2 4 4 4 4 4
## 169 4 4 2 4 4 2 2 4 4 3 4 4 4 4 3 4 2 4 4 4
## 170 4 4 4 4 4 4 3 4 3 3 4 3 3 3 4 3 3 3 3 3
## 171 4 4 4 4 4 2 4 4 4 4 4 4 4 4 4 4 4 4 4 4
## 172 4 4 2 4 4 2 4 5 4 4 4 4 4 4 4 5 5 5 4 3
## 173 4 4 4 4 4 2 4 4 1 4 4 4 4 4 4 4 4 4 4 4
## 174 5 5 4 4 4 5 5 5 5 5 5 4 4 5 5 4 4 4 3 4
## 175 4 5 4 4 4 4 4 4 5 3 4 4 4 4 4 4 4 4 4 4
## 176 3 3 4 4 3 4 4 4 4 3 3 3 2 4 3 4 4 5 2 2
## 177 4 3 2 3 2 1 4 1 4 2 4 3 4 4 4 4 4 4 4 4
## 178 4 4 4 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3
## 179 4 4 4 4 4 4 4 5 5 4 4 3 4 4 4 4 4 4 4 4
## 180 3 3 2 3 3 3 4 4 4 3 4 4 4 4 4 4 4 4 3 4
## 181 4 3 3 3 3 3 3 3 3 3 3 3 4 4 4 4 4 4 3 3
## 182 4 4 4 4 2 4 2 4 4 4 4 4 4 4 4 4 4 4 4 4
## 183 4 4 4 4 2 4 4 4 4 4 4 4 4 4 2 4 4 4 4 4
## 184 4 4 4 4 4 4 4 4 2 4 3 4 4 4 2 4 4 4 3 3
## 185 4 2 4 4 2 1 2 3 2 2 2 4 4 4 4 4 4 4 2 4
## 186 4 4 4 4 4 3 2 3 2 3 2 4 4 2 4 4 5 1 1 1
## 187 4 4 2 3 4 1 2 2 4 4 4 4 4 4 5 5 5 5 5 5
## 188 5 2 2 3 3 2 4 5 4 3 2 2 4 4 4 4 3 3 4 4
## 189 4 3 4 2 4 4 1 2 2 3 3 2 4 4 3 4 3 4 3 4
## 190 4 4 4 4 4 2 4 4 4 4 4 2 4 4 2 4 4 4 2 2
## 191 4 4 4 4 5 4 2 4 2 4 3 4 4 4 4 5 5 5 2 5
## 192 2 4 2 4 4 2 2 4 4 4 3 2 4 4 2 4 1 5 3 2
## 193 2 4 2 4 4 2 4 4 4 3 4 2 4 4 4 4 3 5 3 2
## 194 4 4 4 4 4 4 4 2 2 4 2 3 4 3 3 4 2 5 4 5
## 195 4 4 4 4 4 4 4 2 2 4 2 3 4 3 3 4 2 5 4 5
## 196 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 4 4 2 4 5
## 197 4 4 3 4 4 4 4 4 4 3 4 2 4 4 3 4 4 4 3 3
## 198 3 2 2 2 2 1 5 4 4 4 5 5 5 5 4 4 3 4 2 4
## 199 4 4 3 4 4 5 4 4 4 3 4 4 4 4 4 4 2 4 4 4
## 200 4 3 2 4 4 4 4 4 4 3 4 4 4 4 4 4 4 4 4 3
## 201 4 4 2 4 4 2 4 4 4 4 4 4 4 4 4 4 4 4 4 4
## 202 4 3 5 3 1 2 3 2 3 2 3 3 1 3 3 2 2 3 3 3
## 203 4 2 2 2 2 2 1 1 2 2 4 4 4 5 4 5 4 5 5 5
## 204 3 4 4 3 3 3 4 4 4 3 4 3 3 3 4 5 4 4 3 2
## 205 1 5 4 4 4 4 5 4 5 5 5 1 4 4 5 5 4 4 1 1
## 206 4 4 4 4 4 3 4 2 2 4 2 4 2 4 4 4 2 2 4 4
## 207 2 4 4 2 2 4 4 4 4 4 2 5 5 5 4 4 1 4 2 1
## 208 2 2 2 1 1 2 2 2 2 3 3 1 2 3 1 2 2 2 2 5
## 209 2 4 4 3 3 3 3 2 4 4 4 4 3 4 4 4 4 4 2 3
## 210 4 4 4 2 4 2 4 4 4 3 4 4 4 4 3 4 4 4 4 4
## 211 4 4 2 2 2 2 2 4 4 3 4 3 3 4 3 4 3 4 4 4
## 212 3 3 2 2 2 1 4 4 4 3 3 2 3 3 3 3 3 3 3 3
## 213 4 4 3 2 2 2 4 2 4 3 4 3 4 4 4 4 4 4 4 3
## 214 4 5 4 5 5 4 4 5 5 5 5 4 4 5 5 4 4 4 4 4
## 215 4 4 3 4 3 2 4 4 4 3 4 4 4 4 3 4 4 4 4 4
## 216 3 2 2 1 2 2 4 4 2 2 3 4 2 4 3 4 4 4 3 4
## 217 4 2 4 2 2 2 4 4 2 4 2 4 4 4 2 4 4 4 4 2
## 218 3 5 3 3 4 5 5 5 5 5 5 5 5 5 5 5 5 5 3 5
## 219 3 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 3 3 3 3
## 220 2 2 2 2 2 2 2 2 4 3 2 2 2 2 2 2 2 4 2 2
## 221 2 4 2 4 4 2 4 4 4 4 4 4 4 4 4 4 4 4 2 4
## 222 3 4 3 2 2 2 2 2 4 2 4 4 4 4 4 4 2 3 3 3
## 223 4 4 4 4 3 2 4 4 4 4 4 4 4 4 4 4 4 4 4 4
## 224 4 4 4 3 4 4 4 4 4 3 4 4 4 4 3 4 4 4 4 4
## 225 4 4 3 4 3 4 4 3 4 3 2 2 3 4 3 4 4 4 4 4
## 226 3 4 2 4 4 4 4 4 4 4 5 5 4 5 5 5 3 5 3 4
## 227 3 4 4 4 4 4 4 4 4 4 5 5 4 5 5 5 3 5 3 4
## 228 3 4 4 4 4 4 4 1 4 4 5 5 4 5 5 5 3 5 3 4
## 229 3 4 4 4 5 4 4 4 4 4 3 2 2 4 2 4 2 4 3 3
## 230 2 4 2 3 2 3 4 4 4 2 4 4 4 4 4 4 4 4 2 2
## 231 3 3 3 3 4 4 4 4 3 4 3 4 4 4 5 4 3 4 3 3
## 232 4 2 2 2 2 3 3 3 3 4 3 3 3 4 4 4 2 4 4 4
## 233 2 2 2 3 2 2 3 3 3 3 4 3 3 3 4 4 4 2 4 4
## 234 2 2 2 4 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2
## 235 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3
## 236 4 4 4 3 3 4 5 5 5 5 4 4 4 4 3 4 4 4 4 4
## 237 2 2 2 2 2 3 3 3 3 4 3 3 3 4 4 4 2 4 4 4
## 238 3 3 3 2 3 4 4 4 4 4 3 4 4 4 5 4 3 5 4 3
## 239 3 3 3 3 4 4 4 4 3 4 3 4 4 4 5 4 3 4 3 3
## 240 4 4 4 3 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4
## 241 5 4 4 4 4 4 2 3 5 4 4 4 4 4 4 4 4 5 4 4
## 242 4 3 2 4 4 4 2 2 4 4 3 2 2 4 2 4 4 4 4 4
## 243 4 3 4 4 4 4 3 4 4 4 3 3 3 4 4 3 2 4 4 4
## 244 2 2 2 2 1 1 4 4 4 2 2 4 4 4 4 5 5 5 2 4
## 245 2 4 2 2 3 4 3 2 2 2 2 2 4 4 4 4 4 4 2 4
## 246 4 3 4 3 3 4 2 2 3 4 3 2 4 4 3 4 4 4 3 4
## 247 3 2 2 4 2 1 4 4 4 2 2 2 3 4 2 4 4 5 3 4
## 248 4 4 4 3 3 4 4 1 4 3 4 4 4 5 4 4 3 5 3 4
## 249 4 1 1 4 3 4 2 4 4 4 2 3 3 4 2 4 2 4 3 3
## 250 4 4 2 2 4 3 4 2 2 2 2 2 4 4 4 4 4 4 3 2
## 251 2 4 4 3 4 2 3 2 2 2 4 4 4 4 4 3 3 4 4 4
## 252 4 4 4 4 4 4 2 4 2 4 4 4 4 4 4 4 4 4 4 4
## 253 1 1 1 2 3 1 2 2 2 2 1 2 3 2 3 2 2 2 2 2
## 254 4 4 4 4 3 4 4 3 4 3 4 4 4 4 4 4 4 3 3 3
## 255 4 4 4 4 2 4 5 4 4 4 4 4 4 4 4 4 4 4 2 4
## 256 4 3 4 4 4 4 3 4 4 4 4 3 4 3 4 4 4 4 4 4
## 257 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4
## 258 4 3 2 4 2 2 2 2 4 4 4 2 4 4 4 4 4 4 3 4
## 259 3 4 2 1 1 2 4 4 4 3 5 2 2 5 4 4 3 4 3 3
## 260 4 3 3 3 3 3 3 3 3 3 3 3 4 4 4 4 4 4 3 3
## 261 4 3 4 3 2 2 4 4 3 3 3 4 3 3 4 4 4 4 4 4
## 262 3 2 2 3 1 1 1 2 2 2 2 2 2 2 3 2 3 2 4 4
## 263 4 4 3 4 3 2 2 2 4 4 4 3 4 4 4 4 4 4 4 4
## 264 2 2 2 2 2 2 3 4 3 3 2 3 3 4 3 4 2 4 4 3
## 265 4 3 4 4 3 4 4 4 4 4 4 4 4 4 3 4 4 4 4 4
## 266 4 5 4 2 5 2 4 4 4 4 5 5 5 5 5 4 4 3 4 3
## 267 4 2 4 2 2 4 1 2 4 2 3 4 4 4 2 4 4 4 2 4
## 268 5 3 4 4 4 4 2 4 4 3 4 4 4 4 4 4 2 4 2 3
## 269 2 2 3 2 2 1 3 4 3 2 4 5 5 4 4 4 4 5 4 4
## 270 4 5 4 3 4 4 3 4 5 5 4 5 5 4 3 5 4 5 4 4
## 271 4 4 2 4 2 2 5 4 4 4 5 5 5 5 5 4 4 4 4 3
## 272 4 4 2 4 4 2 2 4 2 2 2 2 2 4 2 2 2 4 4 2
## 273 3 4 1 4 4 4 4 2 4 4 4 4 4 2 4 4 4 2 2 3
## 274 4 4 4 4 4 4 4 2 4 4 4 4 4 4 4 4 4 4 4 4
## 275 4 3 2 2 2 2 2 2 3 3 2 2 4 4 4 4 3 4 3 3
## 276 3 3 3 2 2 1 2 2 4 2 5 2 2 5 5 5 4 5 5 5
## 277 1 2 2 2 1 1 1 2 2 3 2 2 2 3 2 2 2 2 3 2
## 278 1 2 2 2 1 1 1 2 2 3 2 2 2 3 2 2 2 2 3 2
## 279 4 4 2 4 2 2 2 2 2 2 3 3 4 4 2 4 4 4 3 3
## 280 4 4 2 2 2 4 2 3 4 2 4 2 4 4 4 4 2 4 2 4
## 281 4 4 2 4 4 2 1 4 4 4 2 1 4 4 4 4 4 4 4 4
## 282 4 4 4 4 4 2 4 4 4 3 4 3 4 4 3 4 4 4 3 4
## 283 4 4 4 4 4 4 5 4 4 4 4 4 4 4 4 4 4 4 4 4
## 284 4 3 3 2 2 2 4 4 4 2 3 4 4 4 2 4 4 4 1 3
## 285 3 2 2 2 2 2 3 3 4 2 3 2 3 3 3 4 4 4 2 4
## 286 4 4 2 2 4 2 2 4 4 2 4 3 4 4 3 4 4 4 4 3
## 287 4 3 4 4 3 2 4 4 4 3 3 4 4 5 3 4 4 4 4 4
## 288 4 4 4 2 4 4 4 4 4 3 3 2 4 4 2 4 3 4 4 4
## 289 4 4 2 4 4 2 4 4 4 4 4 4 4 4 4 2 2 4 4 4
## 290 4 3 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 5 3 3
## 291 2 3 2 3 2 2 2 3 2 2 3 2 3 2 4 3 4 2 2 2
## 292 3 2 2 2 1 3 4 2 4 2 3 2 4 4 4 5 4 4 4 4
## 293 5 4 4 4 4 4 4 4 2 3 4 4 4 4 4 4 4 5 3 4
## 294 4 2 2 3 4 2 4 4 4 3 4 4 4 4 4 4 2 4 4 4
## 295 4 3 3 4 4 4 4 3 4 3 4 4 4 4 4 4 3 3 4 4
## 296 5 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 2
## 297 4 4 2 2 2 1 2 2 2 2 4 2 2 4 4 4 4 4 4 4
## 298 3 3 3 4 3 2 2 3 2 2 4 4 4 4 4 4 4 4 4 4
## 299 4 4 2 3 3 4 4 4 4 3 3 4 4 3 3 4 4 4 3 4
## 300 4 3 4 2 2 5 2 2 5 1 3 1 3 4 3 4 4 5 3 4
## 301 4 4 2 2 2 2 4 4 4 4 4 4 4 4 4 4 4 4 4 4
## 302 4 4 4 4 4 4 4 4 4 3 4 4 4 3 3 4 4 5 3 4
## 303 4 4 4 4 3 2 4 2 4 2 3 2 4 4 3 4 4 4 4 4
## 304 5 4 3 3 3 3 4 2 3 3 4 4 5 4 4 4 4 4 3 3
## 305 2 2 2 3 2 2 4 4 4 4 2 3 4 4 2 4 3 4 2 4
## 306 4 4 4 4 4 3 3 3 3 3 4 4 4 4 4 4 4 4 4 4
## 307 2 4 4 2 4 4 4 2 4 4 4 4 4 4 4 4 4 4 4 4
## 308 3 3 4 4 4 4 3 4 4 3 3 4 4 4 4 4 4 4 3 3
## 309 2 2 2 2 2 2 3 3 3 3 1 2 2 2 2 4 4 4 4 4
## 310 2 2 1 2 2 1 4 3 4 2 3 3 4 4 4 4 2 4 3 3
## 311 4 4 4 4 4 4 4 4 2 4 4 4 4 4 4 4 4 4 4 3
## 312 2 3 2 2 2 3 2 2 2 2 3 2 4 4 2 4 4 4 2 4
## 313 4 4 4 4 4 2 4 4 4 4 5 2 4 4 4 4 4 4 4 4
## 314 4 3 2 4 2 2 4 4 4 3 3 2 4 4 3 4 4 5 4 3
## 315 4 4 3 4 4 2 3 3 4 3 4 3 3 5 5 4 5 5 4 4
## 316 4 2 2 2 2 4 4 2 4 2 4 3 5 4 4 4 4 4 4 4
## 317 4 3 3 3 4 4 4 4 4 3 5 5 5 5 5 4 4 4 4 5
## 318 2 1 2 1 1 2 1 2 4 2 4 4 2 4 4 2 3 3 2 4
## 319 4 2 1 4 4 1 3 4 3 4 5 5 4 5 5 4 4 1 4 4
## 320 2 2 2 2 2 1 1 2 1 3 4 4 4 4 3 4 3 4 4 3
## 321 4 3 3 4 4 4 2 5 2 3 3 4 3 2 2 4 3 5 4 3
## 322 4 2 2 3 3 2 2 4 4 3 3 2 3 4 4 4 4 3 3 3
## 323 4 3 3 2 3 2 4 4 4 3 3 4 4 4 3 4 4 4 3 3
## 324 3 4 4 3 3 4 2 4 2 3 3 2 4 4 4 4 2 4 4 4
## 325 4 2 1 4 4 1 3 4 3 4 5 5 4 5 5 4 4 1 4 4
## 326 4 4 4 4 4 3 4 4 3 4 3 4 4 4 4 4 4 4 3 3
## 327 4 4 2 4 4 2 4 2 4 4 2 4 4 4 4 4 4 4 4 4
## 328 4 4 4 2 4 2 4 4 4 2 4 4 4 4 4 4 4 4 4 4
## 329 4 3 2 4 2 1 2 2 4 1 3 2 3 4 3 4 2 4 3 2
## 330 5 5 4 4 4 2 4 4 2 4 4 4 4 4 4 4 2 4 4 4
## 331 4 4 4 2 2 2 2 3 2 2 5 5 5 4 4 4 4 4 4 4
## 332 4 2 2 4 2 4 4 4 4 4 3 3 3 3 3 5 4 4 4 4
## 333 4 4 2 2 4 4 3 4 4 2 3 2 2 3 2 4 4 4 3 4
## 334 2 3 2 2 3 2 1 1 1 3 3 2 3 3 3 4 4 4 5 5
## 335 5 4 4 2 2 1 4 5 4 4 4 4 2 4 2 4 4 5 2 2
## 336 4 4 4 4 4 4 4 5 4 4 4 4 4 4 4 4 4 4 4 4
## 337 2 2 2 2 2 2 2 3 3 2 2 3 2 2 2 2 2 2 2 2
## 338 4 4 5 4 3 2 4 2 4 3 4 2 5 5 3 5 4 4 3 4
## 339 4 4 4 3 4 5 4 3 3 4 4 4 4 4 4 5 4 5 4 5
## 340 4 4 4 4 4 2 4 4 4 3 4 3 4 4 3 4 4 4 3 3
## 341 4 4 4 4 4 4 2 3 2 2 4 4 4 4 4 4 4 4 4 4
## 342 4 5 2 2 2 4 4 4 4 4 4 4 4 4 4 4 4 4 3 2
## 343 2 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 3 3 3
## 344 4 4 3 3 3 3 4 2 4 4 4 4 4 4 4 5 3 4 3 3
## 345 5 5 3 4 4 3 4 4 4 3 3 2 2 4 3 4 4 4 3 3
## 346 4 3 4 3 3 3 4 2 2 3 4 3 4 3 3 4 2 5 4 4
## 347 4 4 4 4 4 5 4 5 4 4 4 3 4 4 4 3 4 4 4 3
## 348 4 2 2 3 2 4 2 2 2 2 4 2 3 4 3 4 4 4 2 2
## 349 4 4 4 2 4 2 2 2 3 2 3 4 4 3 3 4 4 4 3 3
## 350 4 4 2 2 2 2 2 2 2 2 2 2 4 2 2 4 4 4 2 2
## 351 4 4 4 3 3 2 2 2 2 3 4 4 4 4 4 4 3 3 3 3
## 352 4 4 4 4 4 4 4 2 4 4 4 4 4 4 4 4 4 4 3 2
## 353 5 3 4 4 4 3 3 4 3 3 4 4 4 4 4 4 4 4 4 4
## 354 4 3 4 4 2 4 2 1 2 4 4 4 4 5 4 4 2 4 3 3
## 355 4 3 4 3 2 2 3 4 4 2 4 4 4 4 4 3 5 4 3 3
## 356 2 3 2 1 4 2 3 1 5 2 2 3 3 3 2 4 2 5 3 4
## 357 4 3 2 3 3 2 2 2 2 3 3 3 2 2 2 2 2 2 3 2
## 358 4 4 4 4 4 4 4 2 4 4 4 4 4 4 4 4 4 5 4 4
## 359 2 2 2 2 2 3 2 4 4 2 2 2 2 2 2 2 4 3 2 3
## 360 2 4 2 2 2 4 2 4 2 2 4 4 4 4 4 2 2 4 2 4
## 361 4 4 2 3 3 4 2 4 4 3 4 2 4 4 4 4 4 4 4 1
## 362 4 4 2 3 4 2 4 4 4 2 4 4 4 4 3 3 2 4 4 4
## 363 4 4 4 4 4 4 4 4 4 4 4 4 4 3 4 4 4 3 3 3
## 364 4 4 2 4 3 2 2 2 1 2 4 2 4 4 3 4 4 5 2 3
## 365 2 2 2 2 2 2 2 2 2 2 3 3 3 3 3 4 4 4 2 3
## 366 2 3 3 2 3 2 2 2 2 3 3 2 2 3 3 3 2 4 2 2
## 367 2 4 2 2 2 2 2 3 3 2 4 4 4 4 4 5 5 5 5 5
## 368 4 2 2 2 2 2 2 2 3 2 2 2 4 4 4 4 4 4 4 4
## 369 4 3 2 2 2 2 3 2 4 2 4 2 5 4 4 5 2 4 4 4
## 370 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 2 4 4 4
## 371 4 3 3 3 3 3 3 3 3 3 4 4 4 4 4 3 3 4 4 4
## 372 4 4 4 4 4 4 3 4 4 4 4 4 4 4 4 4 4 4 3 3
## 373 2 4 2 2 2 3 2 2 4 4 3 2 4 4 4 4 4 4 2 2
## 374 3 3 4 4 2 4 4 4 4 2 4 4 4 4 4 4 2 4 4 4
## 375 3 3 4 4 2 3 2 1 2 2 4 4 4 4 4 4 2 4 3 4
## 376 2 4 2 2 2 5 2 2 2 2 2 3 4 4 4 4 4 5 3 2
## 377 4 4 3 3 2 2 4 4 4 3 3 3 3 3 3 3 2 3 3 3
## 378 4 4 3 4 4 4 3 3 2 4 4 4 3 4 4 5 4 4 4 4
## 379 4 3 1 2 2 2 2 4 2 2 2 3 4 4 4 5 4 4 4 4
## 380 4 2 2 2 2 2 1 1 2 2 4 4 4 5 4 5 4 5 5 5
## 381 2 2 2 4 2 2 2 3 2 3 2 3 3 3 4 3 4 3 3 3
## 382 2 2 2 2 2 2 4 2 5 2 2 2 2 2 2 5 2 4 2 2
## 383 4 4 4 4 4 4 4 4 4 4 4 2 4 2 4 4 2 2 4 4
## 384 4 4 4 2 4 4 2 4 4 2 4 4 4 4 4 4 4 4 2 4
## 385 4 4 4 4 4 4 2 4 4 2 4 4 2 4 4 4 4 4 4 4
## 386 4 4 4 3 5 4 2 3 5 4 3 3 4 3 3 4 4 4 4 4
## 387 4 3 2 2 2 2 2 4 2 2 4 3 3 2 5 5 5 5 4 4
## 388 4 4 2 2 2 2 3 4 5 2 4 4 4 4 3 5 1 5 4 4
## 389 3 4 4 4 4 4 1 4 2 3 4 5 4 5 4 4 4 4 4 4
## 390 4 4 4 4 4 2 4 4 2 4 4 4 4 4 4 4 4 4 4 4
## 391 2 3 2 2 4 2 1 2 4 2 4 4 4 4 4 4 4 4 4 4
## 392 4 2 2 4 2 2 2 2 2 2 4 4 4 4 4 4 4 4 4 4
## 393 4 2 4 2 4 5 1 2 4 3 4 4 4 3 4 4 4 4 5 4
## 394 2 2 2 2 2 4 4 4 4 3 2 4 4 4 3 4 4 4 4 2
## 395 4 4 4 4 3 4 3 2 4 3 4 3 4 4 3 4 4 4 4 4
## 396 2 1 1 1 2 1 1 1 1 1 3 2 2 2 1 1 1 1 2 1
## 397 4 4 3 3 3 3 4 4 4 4 4 5 5 4 3 3 4 4 4 3
## 398 4 4 2 1 2 4 4 4 4 3 4 4 4 5 4 4 4 4 2 2
## 399 5 5 2 2 4 4 4 4 5 4 4 4 4 4 4 4 4 4 4 4
## 400 4 2 1 2 4 2 4 5 2 4 5 4 4 5 4 4 4 4 4 4
## 401 4 4 3 4 3 4 2 2 2 2 3 4 3 4 2 3 2 4 3 3
## 402 3 3 2 2 3 4 4 4 2 2 3 3 3 4 2 3 5 4 5 3
## 403 4 3 2 3 4 2 2 4 2 4 4 4 4 4 4 4 4 4 4 4
## 404 4 4 2 4 2 3 2 4 4 3 4 3 2 4 4 4 4 4 5 3
## 405 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2
## 406 2 1 2 2 2 4 4 2 2 2 2 2 4 2 4 4 4 4 2 4
## 407 4 3 2 4 2 2 4 4 5 3 4 3 4 5 4 4 4 5 4 5
## 408 4 4 4 2 4 4 4 3 4 4 4 4 4 4 4 4 4 4 2 4
## 409 3 4 3 3 4 1 4 2 4 3 2 5 5 5 5 5 2 3 4 5
## 410 2 1 4 3 2 4 2 2 2 3 4 4 4 4 5 4 5 5 4 2
## 411 1 3 2 4 4 2 1 4 4 4 1 2 2 4 4 3 4 4 4 3
## 412 3 3 3 2 2 1 3 4 2 2 2 5 4 4 4 4 4 4 1 2
## 413 3 4 4 4 4 2 2 4 4 2 2 4 4 4 4 1 4 4 4 2
## 414 4 4 4 2 2 4 4 4 4 3 4 4 5 5 4 3 4 4 3 2
## 415 4 4 4 3 4 5 4 4 4 4 4 4 4 4 4 4 3 3 4 4
## 416 4 2 4 3 2 3 4 4 4 2 4 4 4 4 4 4 4 4 2 2
## 417 4 4 4 4 2 4 4 4 4 2 4 4 4 4 4 4 4 4 4 4
## 418 4 4 4 2 4 4 3 4 4 4 5 5 3 5 5 5 4 5 5 4
## 419 4 4 2 3 2 2 1 4 2 4 2 4 2 4 4 5 2 5 4 2
## 420 4 4 4 4 4 4 5 4 4 4 4 4 4 4 4 5 4 4 4 4
## 421 4 3 2 2 2 2 4 4 3 3 4 4 2 4 3 4 4 4 3 3
## 422 4 3 4 2 4 4 4 4 4 2 4 2 3 4 4 4 3 4 4 3
## 423 5 5 5 5 5 3 5 3 5 5 5 5 5 4 5 4 4 3 4 4
## 424 4 4 3 2 3 2 4 2 4 3 4 3 4 4 4 4 3 4 4 3
## 425 4 4 4 4 4 4 4 4 4 4 3 2 4 2 3 4 4 4 3 4
## 426 4 2 2 2 3 4 4 4 4 4 4 3 4 4 3 4 3 4 3 3
## 427 4 4 2 2 4 4 2 4 4 4 2 4 4 4 2 4 4 5 4 4
## 428 3 4 2 2 4 4 4 4 3 2 2 2 2 3 3 4 3 4 3 3
## 429 2 2 2 2 1 1 4 2 1 1 2 2 4 4 1 5 1 4 4 4
## 430 4 2 4 3 3 4 5 5 5 3 3 4 4 4 3 5 4 3 2 3
## 431 4 4 4 3 4 4 4 2 4 3 3 4 3 4 3 5 5 5 4 4
## 432 4 3 3 4 4 4 4 4 4 1 3 3 4 4 4 4 3 4 4 3
## 433 4 4 4 4 5 4 5 5 5 5 4 4 2 5 5 4 4 4 5 4
## 434 4 2 4 2 4 2 5 4 4 2 5 4 4 5 5 4 4 5 2 3
## 435 2 4 2 2 2 4 4 2 4 3 4 2 4 4 4 4 2 4 4 4
## 436 4 4 4 3 4 4 4 4 2 3 4 4 4 4 4 4 4 4 4 4
## 437 5 5 4 4 2 5 5 4 4 3 4 4 4 5 4 5 4 4 4 4
## 438 4 4 3 3 3 3 3 4 3 3 3 4 4 4 3 4 4 4 4 3
## 439 2 2 2 2 2 2 2 4 2 2 3 3 3 4 4 4 4 4 4 3
## 440 5 4 3 4 4 4 4 4 5 4 3 4 3 3 4 4 3 4 4 3
## 441 4 4 4 4 3 2 2 2 1 2 4 3 4 4 3 4 3 4 3 2
## 442 4 3 2 3 4 2 2 4 1 4 4 5 5 5 3 5 5 5 3 2
## 443 4 4 2 4 4 4 2 4 2 4 2 2 4 2 2 4 2 4 2 2
## 444 4 4 4 3 4 4 4 2 3 3 4 4 4 4 4 4 4 4 3 3
## 445 3 3 2 2 2 2 1 1 2 2 2 2 2 2 2 4 4 4 4 4
## 446 2 2 2 2 2 4 2 2 2 2 4 3 2 4 2 4 4 4 2 3
## 447 4 4 3 2 2 1 4 3 4 2 5 4 4 5 4 4 4 4 4 4
## 448 3 2 1 2 2 1 2 2 2 1 3 1 4 4 3 4 3 4 3 4
## 449 4 4 3 2 2 3 3 4 4 4 4 4 3 4 4 4 4 4 4 3
## 450 1 2 2 2 2 2 2 2 4 2 4 4 1 4 3 4 4 4 4 3
## 451 3 3 2 3 2 2 2 3 2 3 4 2 3 4 2 4 4 4 3 3
## 452 4 4 3 3 2 2 2 2 2 2 3 3 4 4 3 3 4 3 3 4
## 453 4 3 2 2 2 2 2 4 2 2 3 3 3 3 3 4 4 4 3 3
## 454 4 3 4 3 2 2 4 4 2 3 4 4 4 4 3 4 4 4 3 4
## 455 4 3 4 2 4 2 4 2 4 4 3 3 4 5 4 4 4 5 4 4
## 456 4 3 3 3 3 1 2 4 2 2 5 4 4 4 4 4 4 4 5 3
## 457 3 4 2 2 2 2 3 2 3 2 4 4 3 5 4 5 3 4 4 4
## 458 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4
## 459 4 4 4 2 3 2 2 4 2 2 3 4 4 4 4 4 4 4 4 4
## 460 4 3 2 3 4 4 4 2 4 2 5 4 4 4 4 4 4 4 4 4
## 461 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 3
## 462 2 4 5 2 2 2 5 4 4 5 5 5 5 5 5 5 4 4 4 4
## 463 4 4 2 2 4 4 2 4 4 3 4 3 4 4 4 4 3 4 4 4
## 464 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4
## 465 2 3 2 2 2 2 4 4 5 4 4 4 4 4 4 4 2 4 3 2
## 466 4 3 1 2 2 4 5 2 4 2 3 1 4 4 4 4 4 4 2 2
## 467 3 3 3 3 3 3 4 4 3 4 3 3 3 4 4 4 4 3 4 2
## 468 3 3 3 5 5 3 3 3 5 5 3 3 3 5 5 3 3 3 5 5
## 469 5 5 5 5 5 5 4 5 5 5 5 5 5 5 5 5 5 4 4 4
## 470 5 5 5 5 5 5 3 5 5 5 3 5 5 4 5 4 4 4 4 4
## 471 4 4 4 4 3 4 3 3 3 3 3 3 3 3 3 3 3 3 3 3
## 472 3 3 3 3 4 3 4 3 3 4 3 5 3 2 5 5 5 5 5 5
## 473 4 3 2 2 2 4 2 4 2 2 2 2 2 2 2 4 4 4 2 3
## 474 4 4 2 2 2 2 4 2 4 2 4 2 4 4 4 4 4 4 4 4
## 475 2 2 2 2 2 2 2 2 4 2 2 2 2 3 2 4 3 2 2 3
## 476 4 4 4 3 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 2
## 477 4 3 3 3 3 4 4 4 4 3 3 3 4 4 4 4 2 3 4 4
## 478 2 4 2 4 4 4 4 2 4 2 4 2 4 4 2 4 4 4 2 2
## 479 4 4 4 4 4 2 5 4 4 4 4 4 4 4 4 4 4 4 4 4
## 480 4 4 3 3 3 2 4 4 2 3 4 4 4 4 4 4 4 4 4 4
## 481 3 3 2 2 2 2 2 4 4 2 4 4 5 5 5 5 5 4 4 4
## 482 4 3 2 3 3 2 2 4 4 3 4 4 3 4 3 4 2 3 2 3
## 483 2 2 1 1 1 2 1 1 1 2 3 1 4 4 4 5 5 5 5 5
## 484 4 4 4 3 3 3 4 3 4 4 3 3 3 3 3 3 4 4 4 3
## 485 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4
## 486 5 4 4 4 4 4 2 2 3 5 5 5 5 5 4 4 5 5 4 3
## 487 4 1 4 4 4 4 4 4 4 2 4 2 4 4 4 4 4 4 4 4
## 488 4 2 2 2 2 5 4 4 3 2 4 2 4 4 3 4 2 5 3 4
## 489 2 2 2 3 2 2 2 4 4 3 2 4 4 2 2 4 4 4 3 4
## 490 4 4 2 2 2 2 4 4 4 4 4 2 4 4 2 4 3 4 3 2
## 491 4 4 3 4 4 3 4 4 4 4 4 4 4 4 4 4 4 4 4 3
## 492 4 4 4 4 4 4 4 5 5 4 4 4 4 4 4 4 3 4 4 4
## 493 4 4 4 4 4 4 3 4 5 4 4 4 4 4 4 4 4 4 4 4
## 494 5 3 3 3 5 2 1 4 1 3 2 2 2 3 3 4 3 4 2 3
## 495 4 4 4 4 4 4 5 3 4 5 5 5 5 5 5 5 5 5 5 5
## 496 4 3 2 3 2 2 2 2 4 2 4 2 2 4 3 4 4 4 4 4
## 497 4 4 2 2 2 2 2 3 3 3 4 3 3 4 4 3 3 4 4 2
## 498 4 4 4 4 4 3 4 4 2 3 3 4 4 4 3 4 4 4 4 4
## 499 3 2 2 3 2 4 2 3 2 2 3 2 3 2 3 3 1 2 2 2
## 500 5 5 3 5 2 3 2 4 2 2 3 4 3 4 3 3 2 2 5 2
## 501 3 4 2 2 3 2 3 2 2 3 4 4 4 4 3 5 3 5 4 3
## 502 2 2 2 2 2 1 1 4 1 2 3 4 3 4 3 4 2 4 3 3
## 503 4 4 4 3 4 4 4 5 5 3 3 3 4 4 3 4 4 4 4 4
## 504 3 3 2 2 3 3 2 3 2 3 3 3 3 3 3 4 3 5 3 3
## 505 4 4 4 4 2 4 4 4 4 4 4 5 5 5 5 5 5 5 5 5
## 506 4 4 2 2 4 4 1 4 2 2 4 4 4 4 4 4 4 4 4 4
## 507 4 4 4 4 2 4 4 4 4 3 4 3 3 4 4 4 3 4 4 3
## 508 5 2 2 4 2 2 3 4 4 4 4 3 4 4 3 4 3 4 4 3
## 509 4 1 2 2 3 4 4 4 4 3 4 4 4 4 4 4 3 4 3 3
## 510 4 3 4 2 2 4 4 4 4 4 4 4 4 4 4 4 4 4 4 2
## 511 4 3 3 4 3 4 2 4 4 3 4 4 4 4 4 4 4 4 4 3
## 512 2 3 4 4 4 3 4 2 2 4 4 4 3 4 4 4 3 3 4 4
## 513 3 5 4 3 4 4 4 4 2 4 3 3 3 3 4 3 3 3 3 3
## 514 2 2 2 3 2 2 2 2 3 3 3 2 3 3 3 2 4 4 2 4
## 515 3 4 2 2 2 1 3 4 4 2 4 4 4 4 3 4 4 4 2 4
## 516 5 4 5 5 2 4 5 5 5 4 5 5 5 5 4 5 4 5 4 4
## 517 5 5 4 4 5 4 4 2 4 4 4 4 4 4 4 4 5 5 4 5
## 518 4 4 4 4 4 4 2 2 4 4 4 2 4 4 4 4 4 4 4 4
## 519 5 5 5 5 5 3 5 5 5 5 5 5 5 5 5 5 5 5 5 5
## 520 4 3 4 2 4 4 2 4 3 3 2 2 2 2 2 2 2 4 2 4
## 521 3 3 2 2 2 2 2 3 3 3 4 3 4 4 4 5 5 5 3 4
## 522 4 4 4 4 4 4 4 4 4 4 4 4 4 5 5 4 4 4 4 4
## 523 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 3 3
## 524 4 4 4 2 3 4 3 2 2 3 4 3 4 4 4 4 5 5 4 4
## 525 5 4 4 4 4 4 3 3 4 4 4 4 5 5 4 4 5 4 4 4
## 526 2 2 3 3 3 2 2 2 2 2 3 3 3 3 3 4 4 4 4 4
## 527 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2
## 528 4 4 2 4 4 2 3 2 4 3 4 3 4 4 4 4 3 4 3 2
## 529 3 2 3 3 3 1 2 2 2 2 1 3 3 2 3 2 2 1 4 3
## 530 3 2 2 3 2 2 2 3 2 2 3 2 3 2 1 3 3 2 3 2
## 531 2 1 2 1 2 1 1 1 1 2 1 2 3 2 2 3 1 1 2 3
## 532 4 3 2 2 2 2 4 4 1 3 4 3 4 4 3 4 4 4 3 3
## 533 4 4 2 4 2 2 4 2 4 4 2 2 2 2 2 4 4 4 2 2
## 534 4 4 4 4 3 4 4 4 4 3 4 3 4 4 3 4 4 4 3 3
## 535 4 4 4 4 4 4 4 4 4 3 4 4 4 4 4 4 4 3 3 3
## 536 2 1 2 1 1 5 2 1 2 2 1 4 4 4 4 4 4 4 3 3
## 537 4 3 2 2 2 3 4 2 4 3 3 2 4 4 3 5 4 5 4 4
## 538 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 4 4 4 2 2
## 539 3 2 2 2 2 2 3 4 4 2 3 4 4 4 4 4 4 4 4 3
## 540 4 4 4 4 4 2 4 4 4 4 4 4 4 4 4 4 4 4 4 4
## 541 4 4 4 4 2 2 2 2 4 4 4 2 4 4 4 4 4 4 4 3
## 542 5 4 5 4 3 4 2 3 2 2 4 2 4 3 4 2 4 3 3 4
## 543 2 2 3 2 2 2 2 4 4 2 1 4 4 4 3 4 4 4 3 4
## 544 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4
## 545 4 4 4 4 4 2 4 4 4 3 4 4 4 4 4 4 4 4 4 4
## 546 2 4 2 2 4 2 2 3 2 2 2 2 5 4 4 5 4 5 3 5
## 547 2 4 4 4 2 4 4 4 2 2 2 1 4 4 2 4 2 4 4 2
## 548 4 4 4 4 4 3 4 4 4 3 4 5 4 5 4 5 4 4 4 4
## 549 3 2 2 3 2 2 2 2 4 2 4 2 2 4 4 4 4 4 4 3
## 550 4 4 4 4 3 3 3 3 3 3 3 3 4 4 3 4 3 4 3 4
## 551 1 3 3 1 2 2 1 2 2 3 3 3 4 2 3 1 3 4 3 3
## 552 2 3 2 2 3 2 2 2 2 3 4 4 2 4 3 4 4 4 4 3
## 553 2 3 2 2 3 3 3 2 2 2 2 3 3 2 1 2 2 2 1 2
## 554 3 2 2 2 2 1 2 2 2 2 2 2 2 2 2 2 2 2 2 2
## 555 2 2 2 3 3 3 2 2 2 3 2 2 3 4 2 3 2 4 4 4
## 556 2 2 2 3 2 2 2 3 2 2 2 2 3 2 1 3 1 1 1 2
## 557 3 2 2 4 3 2 2 2 3 2 3 2 4 4 4 4 4 4 4 4
## 558 4 4 4 2 4 4 2 4 4 2 2 2 2 2 4 4 4 2 3 4
## 559 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4
## 560 4 3 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4
## 561 1 4 1 4 5 2 1 2 2 2 4 4 4 4 4 3 4 2 3 3
## 562 5 4 4 4 4 3 4 4 4 4 2 2 4 2 2 4 4 4 4 3
## 563 4 3 2 2 2 3 2 3 2 2 3 4 4 4 3 4 4 3 3 4
## 564 4 4 3 4 3 2 3 2 4 4 4 3 4 4 4 4 4 4 4 4
## 565 4 3 4 2 2 2 2 4 4 3 4 3 2 4 2 4 3 4 4 4
## 566 4 4 1 1 2 1 2 1 4 1 4 4 4 4 4 4 4 4 3 4
## 567 3 4 3 3 3 4 2 3 2 3 3 4 4 5 4 4 4 4 3 4
## 568 2 2 2 2 2 2 2 3 3 3 3 2 2 3 2 3 3 3 2 3
## 569 4 4 3 3 2 2 4 4 4 4 3 4 4 4 4 4 4 4 4 4
## 570 2 2 3 4 2 2 2 4 2 2 4 2 2 4 3 4 4 4 3 2
## 571 4 2 2 4 2 2 2 4 2 2 4 2 3 2 1 3 4 2 4 2
## 572 4 4 2 4 2 4 4 3 2 2 3 4 3 2 4 3 4 2 3 2
## 573 2 2 1 2 2 2 2 1 2 1 1 1 2 2 2 2 1 1 2 2
## 574 4 4 2 4 2 4 4 3 2 2 3 4 3 2 4 3 4 2 3 2
## 575 1 2 1 2 1 1 1 1 1 1 1 1 1 3 2 2 4 1 2 2
## 576 4 3 3 3 2 3 4 3 4 3 3 4 3 2 3 1 3 2 4 4
## 577 2 4 2 4 2 1 4 4 5 2 2 4 4 5 4 5 4 5 4 4
## 578 4 4 2 2 2 4 4 4 4 3 4 3 3 3 3 3 3 3 3 3
## 579 2 3 2 3 2 4 4 2 4 4 3 2 4 5 2 4 3 5 5 5
## 580 4 4 2 4 4 4 4 4 4 3 3 4 4 4 4 3 4 4 3 4
## 581 4 3 4 4 4 2 4 4 4 3 4 4 4 4 4 5 5 5 5 5
## 582 4 3 4 3 3 2 4 2 4 2 4 4 4 4 4 4 4 4 4 3
## 583 4 3 4 3 2 3 2 4 4 3 4 3 4 4 3 4 4 4 3 4
## 584 2 1 2 1 1 1 3 4 2 3 3 3 4 4 4 4 4 4 3 4
## 585 5 4 3 5 3 4 4 4 2 3 3 2 3 4 2 5 4 5 2 2
## 586 4 4 4 4 4 4 4 2 4 4 4 2 2 4 3 4 4 4 4 3
## 587 4 2 4 4 4 4 4 4 4 3 4 4 4 4 4 4 4 4 2 4
## 588 4 4 4 4 3 4 3 3 2 3 3 3 4 2 3 4 2 4 2 4
## 589 4 4 4 4 4 5 4 4 4 4 5 4 4 4 4 3 4 4 4 4
## 590 4 4 4 4 4 4 3 4 4 4 4 4 4 4 4 4 4 4 4 4
## 591 3 3 3 3 3 3 3 4 3 3 3 3 4 3 3 4 3 3 4 3
## 592 4 4 4 4 4 4 4 2 4 4 2 2 2 4 4 4 4 4 2 4
## 593 4 2 2 4 2 2 4 4 4 3 4 4 4 4 4 4 4 4 4 4
## 594 2 2 3 3 2 2 2 2 2 2 2 3 2 2 3 3 3 2 2 2
## 595 4 2 2 4 4 3 2 4 2 2 3 4 5 3 3 5 4 5 4 4
## 596 3 2 3 2 2 2 4 3 4 3 3 4 3 4 4 4 3 4 3 4
## 597 3 2 2 2 2 2 2 4 2 2 3 2 2 2 2 4 3 4 3 4
## 598 2 4 4 4 4 2 4 4 4 4 4 2 4 4 2 2 3 4 3 2
## 599 4 4 4 4 4 4 4 4 4 3 4 4 4 4 4 5 2 4 2 4
## 600 2 4 4 4 4 4 2 2 4 2 3 2 2 4 2 4 4 4 4 4
## 601 4 3 2 4 2 4 4 4 4 2 3 2 2 4 4 4 4 4 3 3
## 602 5 4 4 4 4 4 4 3 4 4 4 4 4 5 5 5 4 5 5 5
## 603 2 2 2 2 2 2 2 2 2 2 3 2 2 2 2 2 2 3 2 2
## 604 4 3 3 4 4 4 4 3 3 3 4 3 4 3 4 4 4 4 4 4
## 605 5 5 5 5 5 5 5 5 4 4 5 5 5 5 5 5 5 4 4 4
## 606 3 4 3 4 2 2 3 4 4 2 3 2 3 3 3 4 2 3 3 2
## 607 4 4 4 4 3 4 4 4 4 3 4 3 4 4 3 4 2 4 4 3
## 608 3 3 3 3 3 2 3 3 4 3 3 3 2 2 2 2 2 3 2 2
## 609 4 4 2 2 4 2 2 4 4 4 4 2 4 4 4 4 4 4 4 4
## 610 3 3 2 2 2 2 2 4 3 3 3 3 3 3 3 5 4 4 3 3
## 611 2 2 4 4 2 1 1 1 4 2 4 4 5 5 5 5 4 5 5 5
## 612 5 4 4 4 4 4 3 4 3 4 4 4 4 5 4 4 4 4 4 4
## 613 4 3 3 3 5 4 4 4 2 3 2 5 3 3 5 2 2 3 5 4
## 614 5 4 4 2 3 4 2 5 5 5 5 5 5 5 5 4 4 5 5 5
## 615 4 4 4 4 5 5 5 4 5 5 5 5 5 5 5 5 5 5 5 4
## 616 4 4 4 1 1 1 1 1 5 4 4 4 4 4 4 5 4 5 5 4
## 617 2 5 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4
## 618 5 4 4 4 4 2 2 2 2 4 4 4 4 4 4 5 2 4 5 5
## 619 4 4 2 2 2 4 2 2 4 4 4 4 5 5 5 5 4 5 5 5
## 620 2 4 2 2 2 2 2 2 2 2 2 2 4 4 4 4 4 4 4 4
## 621 4 4 4 4 4 4 5 4 5 4 4 2 4 4 5 4 5 5 5 4
## 622 4 3 2 3 3 2 2 5 2 2 4 2 2 4 4 4 4 4 3 4
## 623 4 3 3 2 2 2 2 2 2 2 2 3 3 3 3 4 3 4 3 3
## 624 4 4 4 4 4 4 4 2 4 4 4 4 4 4 4 5 4 5 5 4
## 625 3 3 3 3 2 4 1 2 2 3 3 4 4 4 3 4 3 4 3 4
## 626 3 4 2 2 2 1 1 4 4 2 4 3 3 3 4 4 4 5 4 2
## 627 3 3 3 3 4 4 4 4 3 4 3 4 4 4 5 4 3 4 3 3
## 628 2 2 2 2 2 3 3 3 3 4 3 3 3 4 4 4 2 4 4 4
## 629 4 4 4 4 2 4 4 3 4 4 4 4 4 4 4 4 4 4 4 4
## 630 4 3 4 4 4 4 3 2 3 3 4 2 4 4 4 4 4 4 3 3
## 631 3 4 3 4 4 4 4 2 4 3 4 4 4 4 5 4 4 4 4 4
## 632 4 4 4 4 4 4 3 4 4 4 4 4 4 4 3 4 4 4 3 3
## 633 4 3 3 3 3 3 3 3 3 3 3 3 4 4 4 4 4 4 3 3
## 634 4 3 2 5 2 2 3 2 3 3 3 4 4 4 3 4 3 4 4 4
## 635 3 3 2 2 4 2 2 4 2 2 4 2 4 4 4 4 4 4 3 3
## 636 4 2 3 2 2 2 5 2 2 2 4 4 4 4 5 4 3 4 4 4
## 637 4 4 2 4 3 4 3 2 1 1 1 3 3 2 3 4 4 4 2 3
## 638 4 3 3 4 4 2 2 2 2 2 3 3 2 3 3 2 3 3 3 3
## 639 4 3 2 4 4 4 4 4 5 3 5 4 4 5 4 4 4 4 4 4
## 640 4 2 2 3 4 3 2 2 2 2 4 4 4 4 3 4 4 4 2 4
## 641 4 3 3 3 2 2 4 2 2 3 4 3 3 4 4 4 4 5 5 5
## 642 4 3 2 2 2 2 2 2 2 3 4 4 4 4 4 3 4 4 4 4
## 643 2 2 2 2 2 2 2 2 2 2 3 3 3 3 3 4 4 4 4 4
## 644 3 2 2 4 2 3 4 5 4 2 3 2 2 3 3 3 1 4 2 2
## 645 2 2 2 2 2 2 4 2 3 3 4 4 4 4 4 2 2 2 2 2
## 646 3 3 2 3 2 2 3 2 2 3 2 2 2 2 2 4 3 4 2 2
## 647 3 2 4 4 2 2 4 2 4 2 4 4 4 4 4 4 4 4 4 2
## 648 3 4 4 4 3 3 2 3 2 3 3 3 4 4 3 4 2 3 4 3
## 649 4 3 2 3 4 2 2 4 4 3 4 4 4 4 4 2 4 4 4 4
## 650 4 3 4 4 3 2 2 3 4 3 3 3 3 3 3 3 4 4 2 3
## 651 4 4 4 2 4 4 4 4 4 4 4 2 4 4 4 4 4 4 2 4
## 652 4 4 4 4 2 2 2 2 4 4 4 4 4 4 4 4 4 4 4 4
## 653 3 4 3 3 3 3 3 3 4 3 4 4 5 5 5 4 4 5 4 4
## 654 4 4 4 1 2 2 3 2 4 3 4 4 4 4 3 4 4 4 3 4
## 655 2 2 2 2 2 2 4 3 3 3 2 3 4 4 3 3 4 4 4 3
## 656 3 2 2 3 2 2 3 2 3 2 2 2 3 4 2 3 2 1 2 4
## 657 4 3 2 3 4 1 3 1 3 4 2 2 2 5 1 5 1 1 2 3
## 658 1 1 2 1 4 2 3 2 3 3 1 1 4 3 3 3 3 3 3 2
## 659 3 2 2 3 1 1 2 1 2 2 2 3 3 3 2 3 2 2 2 3
## 660 3 2 2 3 2 1 1 2 1 1 3 2 2 4 4 2 2 1 4 4
## 661 3 2 2 3 2 1 1 3 1 2 1 2 2 2 2 2 2 1 3 4
## 662 2 2 3 3 2 2 2 2 3 2 2 2 3 2 2 2 2 2 2 4
## 663 2 2 2 3 3 2 2 2 2 3 1 1 3 2 4 2 2 1 3 4
## 664 3 2 2 3 2 2 3 2 3 2 2 2 3 4 2 3 2 1 2 4
## 665 4 3 2 3 4 1 3 1 3 4 2 2 2 5 1 5 1 1 2 3
## 666 1 1 2 1 4 2 3 2 3 3 1 1 4 3 3 3 3 3 3 2
## 667 3 2 2 3 1 1 2 1 2 2 2 3 3 3 2 3 2 2 2 3
## 668 3 2 2 3 2 1 2 2 2 2 1 3 2 2 2 2 2 2 2 4
## 669 2 2 2 2 2 2 2 2 2 2 1 2 2 3 2 3 2 1 2 4
## 670 2 2 3 2 2 2 2 2 2 3 1 1 2 2 2 1 1 2 2 4
## 671 2 2 2 3 2 2 2 3 3 2 2 3 2 4 2 3 2 2 2 3
## 672 1 1 1 1 3 1 1 1 1 3 1 1 2 3 3 3 3 1 1 2
## 673 4 3 2 2 2 4 4 2 2 4 4 4 4 4 4 4 4 4 4 4
## 674 4 4 4 3 4 2 4 4 2 3 4 3 4 4 4 4 4 5 5 4
## 675 2 2 2 2 2 2 3 2 2 2 3 2 4 4 4 4 4 4 2 4
## 676 4 4 4 4 4 4 3 4 4 4 3 4 4 4 4 4 4 4 4 3
## 677 3 3 2 2 2 2 2 4 2 2 4 2 4 4 4 4 4 4 2 2
## 678 4 3 2 2 2 2 4 4 2 2 4 4 4 4 4 2 4 4 4 2
## 679 3 3 3 3 3 3 4 4 4 3 4 4 4 4 4 4 4 4 3 3
## 680 4 4 2 4 2 1 2 2 1 2 4 4 4 3 3 4 2 4 3 4
## 681 4 2 2 2 2 1 2 1 1 2 1 4 2 4 2 3 4 2 4 2
## 682 4 3 3 3 3 3 3 3 3 3 3 3 4 4 4 4 4 4 3 3
## 683 3 2 2 2 2 2 2 4 2 2 3 2 3 3 2 3 2 4 2 2
## 684 4 5 2 2 4 2 2 2 2 2 3 3 4 3 3 5 1 5 3 5
## 685 4 4 4 4 4 5 4 4 4 3 4 2 4 4 5 5 4 4 4 5
## 686 2 4 2 3 3 2 4 2 2 2 4 4 4 4 4 4 4 4 3 4
## 687 5 5 4 4 4 2 4 4 2 2 3 4 5 5 5 4 5 5 4 5
## 688 4 3 2 3 4 2 2 2 2 2 4 3 4 4 3 4 4 4 4 3
## 689 3 4 1 2 3 1 5 4 4 3 4 2 4 4 4 5 4 5 3 3
## 690 4 4 4 4 4 2 4 2 4 2 4 4 4 4 4 4 2 4 3 2
## 691 4 3 2 3 3 4 2 3 5 1 4 4 5 5 5 3 4 5 2 3
## 692 4 4 2 2 2 2 2 2 2 3 4 4 4 4 4 4 5 5 5 5
## 693 3 2 2 2 3 2 2 2 3 3 3 4 4 4 4 5 5 5 4 4
## 694 2 4 1 1 2 4 2 2 2 2 1 2 4 3 2 5 2 5 5 4
## 695 3 2 2 2 2 2 2 3 2 2 3 2 2 3 3 3 2 4 3 2
## 696 4 4 2 2 2 2 2 2 4 2 4 4 4 4 4 4 2 4 4 2
## 697 4 3 2 4 2 2 2 2 2 2 3 4 4 4 4 4 5 4 4 4
## 698 2 2 2 2 2 1 2 2 4 2 4 2 2 4 4 4 4 4 4 4
## 699 3 3 2 2 1 2 2 3 2 1 3 2 4 4 3 4 3 3 4 4
## 700 5 4 3 2 4 2 4 5 4 3 5 4 4 4 4 5 4 5 4 2
## 701 4 5 4 4 4 4 4 4 5 3 3 4 5 5 5 5 4 4 4 5
## 702 4 3 2 2 3 2 2 2 2 3 3 2 4 3 3 4 5 5 3 3
## 703 3 2 1 2 2 2 2 2 2 2 3 2 2 2 2 4 4 4 2 2
## 704 4 4 4 4 2 2 3 2 4 3 5 3 4 5 5 4 5 5 5 4
## 705 3 3 2 2 2 2 2 2 2 2 2 2 2 4 2 5 2 5 2 5
## 706 4 3 1 3 3 1 1 1 1 2 3 2 4 4 4 4 2 4 3 2
## 707 4 4 4 5 4 4 5 2 5 4 4 4 5 4 4 5 3 5 4 4
## 708 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4
## 709 2 3 3 3 2 2 3 3 2 4 3 4 4 4 3 3 4 3 3 3
## 710 4 4 4 4 4 2 3 2 1 2 4 3 4 4 4 5 5 5 3 4
## 711 4 3 4 4 4 2 3 2 3 3 4 4 4 4 4 4 4 4 4 4
## 712 5 4 4 4 4 3 4 4 4 4 4 4 4 4 4 4 4 4 4 4
## 713 4 3 3 3 3 2 4 3 2 2 3 3 2 3 3 4 5 5 5 5
## 714 4 4 4 4 4 2 2 2 4 3 4 4 4 4 4 5 5 5 5 5
## 715 4 4 1 2 2 2 4 2 4 2 4 4 4 4 4 4 4 5 4 4
## 716 4 4 4 3 3 2 2 2 2 3 4 4 5 5 4 5 5 5 5 5
## 717 5 4 4 4 4 4 4 4 4 4 4 5 4 4 5 4 5 5 4 4
## 718 4 4 3 4 3 1 1 4 1 3 3 3 3 2 4 3 5 5 3 4
## 719 4 3 4 2 2 1 4 4 4 2 5 5 5 5 5 4 5 5 4 4
## 720 4 4 3 4 4 3 3 2 4 3 4 4 4 4 4 3 4 4 4 4
## 721 3 2 2 2 2 2 2 2 2 2 2 3 2 2 3 2 2 2 2 3
## 722 4 3 2 2 3 3 2 2 3 3 3 3 3 1 5 1 1 2 3 5
## 723 3 2 2 3 2 1 1 2 2 2 1 2 2 2 3 3 2 1 3 4
## 724 3 2 3 2 2 2 2 2 2 3 1 3 3 2 2 3 2 2 2 4
## 725 2 2 2 3 2 2 2 2 2 3 1 3 3 3 2 3 2 1 2 4
## 726 2 2 2 3 2 1 2 2 2 1 1 2 1 2 1 2 2 1 2 2
## 727 3 2 1 3 2 2 3 2 2 2 3 3 2 2 2 2 1 1 1 3
## 728 2 2 2 3 3 2 2 2 2 2 2 2 2 2 2 3 2 2 2 4
## 729 2 2 2 2 2 3 2 2 2 2 2 2 2 3 3 2 2 2 4 4
## 730 2 2 2 3 3 2 2 2 2 2 1 2 2 2 2 2 2 2 2 2
## 731 3 2 2 2 2 2 2 2 2 2 2 3 2 2 3 2 2 2 2 3
## 732 4 3 1 2 2 2 4 4 4 3 3 2 2 2 3 4 4 4 3 3
## 733 4 4 3 2 4 3 3 4 2 3 4 4 4 4 4 4 4 4 4 3
## 734 3 3 2 4 1 4 4 1 1 2 3 3 2 2 2 3 3 3 3 3
## 735 4 4 2 4 4 4 4 2 2 2 4 2 4 4 5 5 1 4 4 4
## 736 5 3 4 4 4 4 3 4 5 3 4 3 3 4 4 5 5 5 4 4
## 737 4 4 4 4 4 4 4 4 4 3 4 4 4 4 4 4 4 4 4 4
## 738 3 3 4 4 4 4 2 2 2 3 4 2 2 4 4 4 2 4 3 4
## 739 1 2 1 2 1 2 4 1 4 2 2 4 4 4 4 5 4 5 4 5
## 740 4 3 4 4 2 4 4 4 4 3 4 4 4 4 4 4 4 4 3 3
## 741 5 4 5 4 4 5 5 5 5 5 5 4 4 5 5 4 2 5 5 4
## 742 4 4 3 4 4 2 2 3 1 2 4 4 4 4 3 4 2 1 3 2
## 743 4 4 3 2 4 5 3 4 4 3 3 4 4 4 4 4 4 4 3 4
## 744 2 2 2 2 3 2 2 2 4 2 3 2 4 4 4 4 4 4 3 2
## 745 4 4 4 4 4 4 2 2 4 4 4 4 4 4 4 4 4 4 4 4
## 746 4 3 3 4 4 4 2 4 2 3 3 2 4 3 3 4 4 4 3 4
## 747 4 4 3 4 4 2 4 4 4 1 4 3 2 4 3 4 3 4 3 2
## 748 4 4 2 4 4 4 4 4 4 2 4 4 4 4 4 4 4 4 4 4
## 749 4 2 4 2 4 2 5 2 5 4 4 4 4 4 4 4 2 4 4 3
## 750 4 3 3 4 4 2 4 2 4 3 5 5 5 5 5 5 5 5 4 4
## 751 2 3 2 4 4 1 2 2 2 2 2 4 4 4 4 4 2 4 4 4
## 752 3 3 3 3 4 3 2 4 2 3 2 4 3 4 3 3 3 4 2 4
## 753 2 3 2 4 4 4 3 4 4 3 3 3 4 3 3 3 4 4 3 4
## 754 4 4 3 3 4 4 2 1 2 2 3 4 4 4 2 4 5 5 3 4
## 755 5 5 4 2 5 4 4 4 5 4 5 2 4 5 4 5 5 5 4 2
## 756 4 3 4 2 2 4 4 2 2 2 4 2 4 5 5 4 2 4 4 4
## 757 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4
## 758 4 3 3 2 3 2 2 4 2 3 3 3 3 4 4 3 4 4 4 4
## 759 2 3 3 3 3 3 2 3 4 3 4 4 4 4 3 4 3 5 4 4
## 760 2 3 4 2 3 4 3 3 4 3 4 4 4 4 3 4 3 4 5 4
## 761 4 4 5 4 5 4 4 3 4 4 4 3 3 4 4 4 4 5 4 3
## 762 4 2 1 1 1 1 1 1 1 1 2 4 4 4 4 4 4 4 1 4
## 763 2 4 2 4 2 3 1 1 2 4 4 4 4 5 4 4 4 4 4 4
## 764 3 3 2 3 2 4 4 3 2 2 3 4 3 2 4 3 4 2 3 2
## 765 3 3 2 3 2 4 4 3 2 2 3 4 3 2 4 3 4 2 3 2
## 766 2 2 4 4 1 2 3 4 2 3 1 2 4 2 2 3 2 2 3 3
## 767 3 3 2 4 3 3 3 3 3 3 3 3 2 2 3 3 3 3 3 2
## 768 1 2 2 3 2 1 1 2 2 1 1 1 3 2 2 2 2 1 2 3
## 769 1 1 2 2 3 1 2 2 2 1 1 3 3 4 1 2 2 2 2 2
## 770 3 3 2 4 2 1 3 2 2 3 1 2 2 2 5 4 2 2 3 4
## 771 3 2 2 2 2 2 2 2 2 2 1 3 3 3 3 2 2 2 2 3
## 772 2 2 2 2 2 2 2 2 2 2 2 2 2 3 2 2 2 1 2 2
## 773 2 3 2 2 2 1 1 2 2 2 2 2 2 2 2 2 2 1 2 4
## 774 2 2 4 4 1 2 3 4 2 3 1 2 4 2 2 3 2 2 3 3
## 775 3 3 2 4 3 3 3 3 3 3 3 3 2 2 3 3 3 3 3 2
## 776 1 2 2 3 2 1 1 2 2 1 1 1 3 2 2 2 2 1 2 3
## 777 1 1 2 2 3 1 2 2 2 1 1 3 3 4 1 2 2 2 2 2
## 778 3 3 2 4 2 1 3 2 2 3 1 2 2 2 5 4 2 2 3 4
## 779 2 1 2 2 3 2 1 1 2 2 1 2 1 2 2 3 2 1 1 2
## 780 4 3 4 4 3 2 4 4 2 2 4 4 4 4 4 4 4 4 4 4
## 781 4 2 4 4 2 2 2 4 2 2 4 4 4 4 4 4 4 4 4 4
## 782 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5
## 783 4 3 3 4 4 3 5 5 2 2 4 4 4 5 5 4 3 4 5 3
## 784 4 4 3 3 2 2 4 4 2 2 4 4 4 4 4 4 4 4 4 4
## 785 4 2 2 4 1 1 4 4 4 3 4 4 4 5 5 4 4 4 5 4
## 786 4 3 3 2 3 1 4 4 4 3 4 3 4 4 3 4 4 4 4 3
## 787 5 2 4 4 3 4 4 4 4 2 4 3 3 4 4 5 4 5 4 3
## 788 4 4 4 4 4 4 5 4 4 3 4 4 4 4 4 4 4 4 4 4
## 789 4 4 4 4 4 4 4 4 4 4 5 5 5 5 4 4 5 5 4 4
## 790 2 2 2 2 1 2 2 3 2 1 4 3 4 4 4 4 4 4 3 2
## 791 2 3 2 2 3 2 3 4 2 2 4 4 4 4 4 4 4 4 4 2
## 792 4 4 4 4 4 4 4 2 4 2 4 2 4 4 3 5 4 5 4 4
## 793 3 3 3 3 2 2 4 2 2 3 5 4 4 4 4 4 4 4 5 5
## 794 2 4 2 2 2 1 2 2 2 2 4 4 2 2 4 4 5 4 4 4
## 795 4 3 4 3 4 4 3 2 2 3 4 3 3 4 4 4 3 3 3 3
## 796 4 4 4 4 5 4 4 4 3 4 4 4 4 4 4 4 4 4 3 3
## 797 4 4 4 4 4 4 4 2 5 2 3 4 4 4 3 3 2 4 4 4
## 798 4 2 2 2 2 2 2 2 2 3 4 3 4 4 3 4 4 4 3 4
## 799 4 2 2 1 4 4 3 4 4 3 4 4 4 4 2 5 2 5 3 3
## 800 5 5 4 4 4 3 2 4 4 4 2 2 2 4 2 4 4 4 3 3
## 801 3 2 2 2 2 1 3 2 4 2 4 2 2 4 3 4 5 5 4 4
## 802 4 4 4 4 4 4 4 5 4 4 3 4 4 4 5 5 5 5 5 5
## 803 2 2 2 2 2 4 4 2 4 2 2 2 2 4 2 2 2 4 3 2
## 804 4 3 1 2 2 2 1 2 1 2 4 3 4 3 3 4 2 5 3 4
## 805 4 4 4 4 4 4 4 4 4 2 4 4 4 4 4 4 2 5 5 4
## 806 4 2 2 2 2 4 1 4 2 3 4 2 2 4 2 4 4 2 2 2
## 807 4 4 3 3 2 2 2 2 2 3 4 4 4 4 4 5 3 5 5 5
## 808 4 4 4 4 4 2 3 2 4 2 4 4 5 5 5 5 4 5 5 5
## 809 4 3 4 3 4 3 4 2 2 4 4 4 4 4 4 3 3 4 3 3
## 810 4 4 4 4 4 4 4 4 4 3 3 3 4 4 4 4 4 4 4 4
## 811 5 4 5 4 5 4 4 4 4 4 4 4 4 4 4 4 4 4 5 4
## 812 4 4 2 2 2 2 2 2 2 3 4 4 4 4 3 4 4 4 4 3
## 813 4 3 3 4 4 4 2 1 2 2 4 5 4 4 4 4 4 5 3 4
## 814 1 1 1 2 2 1 1 2 2 2 2 2 3 2 2 2 2 1 2 3
## 815 3 2 3 1 2 3 3 2 3 3 2 1 2 2 2 2 1 1 2 3
## 816 2 2 3 2 2 1 2 2 2 2 1 2 2 2 2 2 2 2 2 2
## 817 4 4 3 4 2 2 4 4 4 4 4 2 4 4 4 4 4 4 4 4
## 818 4 4 2 2 2 2 2 2 2 2 3 2 2 3 3 3 2 2 3 2
## 819 2 2 2 2 3 4 2 2 2 2 4 4 4 4 4 4 4 4 4 4
## 820 2 2 1 2 2 1 4 1 4 2 4 2 5 4 4 4 4 4 2 2
## 821 2 2 3 2 4 2 2 2 2 3 4 4 4 4 4 3 4 4 3 3
## 822 3 1 1 2 2 1 1 1 1 3 4 2 4 4 4 4 5 5 3 3
## 823 4 4 3 3 3 4 2 2 2 2 4 2 4 4 3 3 4 4 3 4
## 824 4 3 3 4 3 4 2 4 4 4 4 4 3 4 4 4 4 4 3 3
## 825 5 5 4 4 4 4 3 2 4 4 4 4 4 4 4 4 3 4 4 4
## 826 4 4 3 4 3 2 3 2 2 3 4 3 4 4 4 4 4 4 4 4
## 827 4 3 4 3 3 2 2 2 4 3 3 3 4 3 4 4 4 4 4 3
## 828 1 3 2 2 2 2 2 2 1 2 2 3 1 1 1 1 1 1 2 2
## 829 4 3 4 2 4 4 4 4 4 4 4 3 3 3 4 4 4 4 4 4
## 830 2 5 2 2 4 4 2 2 2 4 4 4 4 4 4 4 2 4 4 4
## 831 4 4 4 4 4 4 4 4 2 4 4 4 4 4 4 4 4 4 3 4
## 832 4 3 2 3 2 2 4 2 4 2 4 3 4 3 2 2 2 2 3 2
## 833 2 4 4 2 2 4 2 2 2 2 4 4 4 4 4 5 5 4 4 4
## 834 4 3 4 4 3 1 2 4 2 3 4 2 4 4 4 4 5 5 3 2
## 835 4 3 2 2 2 2 2 2 2 2 4 3 4 4 3 4 4 4 4 4
## 836 5 5 5 5 5 4 4 4 4 3 3 3 4 4 4 4 4 4 3 3
## 837 2 2 2 2 4 4 1 1 1 2 3 4 4 4 3 4 4 4 3 2
## 838 2 2 2 2 2 3 2 2 2 3 3 3 4 4 3 4 4 4 4 4
## 839 4 3 2 4 4 4 4 4 4 4 3 4 4 2 3 4 2 4 4 4
## 840 5 3 4 5 5 3 4 4 2 4 4 2 4 4 4 5 4 4 4 4
## 841 2 4 1 4 2 4 2 2 4 2 2 2 4 4 4 4 4 5 2 3
## 842 4 3 4 3 2 2 4 4 4 2 4 3 4 4 4 4 2 4 4 4
## 843 2 3 2 2 2 2 2 2 1 2 3 4 4 3 3 4 3 3 3 3
## 844 2 3 2 2 2 3 4 5 4 4 4 4 4 5 5 5 1 4 5 4
## 845 4 3 4 4 4 4 4 3 2 4 4 4 4 4 4 3 3 4 3 3
## 846 5 5 5 5 3 5 5 5 5 5 5 4 5 5 5 5 4 4 4 4
## 847 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 2
## 848 2 2 2 2 2 2 3 2 3 3 2 2 2 2 2 2 2 2 2 2
## 849 4 4 2 4 4 2 2 2 2 3 4 2 2 3 2 4 4 4 4 4
## 850 3 2 2 3 2 2 2 3 2 2 3 2 3 2 1 3 3 2 3 2
## 851 3 2 2 3 2 2 2 3 2 2 3 2 3 2 1 3 3 2 3 2
## 852 3 2 2 3 2 2 2 3 2 2 3 2 3 2 1 3 3 2 3 2
## 853 1 1 1 1 3 1 1 1 1 1 1 1 2 4 1 1 4 1 3 4
## 854 2 2 2 3 3 2 2 2 2 2 2 2 3 2 2 3 2 2 2 2
## 855 2 3 2 3 3 3 3 2 2 3 3 3 2 3 3 2 2 2 3 3
## 856 2 2 2 3 3 2 3 2 2 2 2 2 2 3 2 2 2 2 3 3
## 857 3 3 2 3 2 1 1 3 2 3 3 3 2 2 3 2 2 2 3 3
## 858 2 2 2 2 2 2 2 2 2 2 2 2 3 2 3 2 2 2 2 2
## 859 5 5 3 4 4 2 3 5 3 2 4 3 4 3 3 5 4 5 3 4
## 860 4 5 2 3 3 4 4 4 4 4 4 3 5 3 4 5 2 5 4 4
## 861 4 4 2 4 2 4 4 2 2 2 4 2 4 4 4 4 4 4 2 4
## 862 4 4 4 3 2 2 4 3 2 3 4 5 5 5 4 5 4 5 4 5
## 863 4 3 4 2 2 2 2 4 2 2 4 2 2 4 2 2 4 4 2 2
## 864 4 2 2 2 2 2 3 4 2 2 4 3 4 4 2 4 4 4 3 3
## 865 4 4 2 2 4 3 4 2 2 2 2 2 4 4 4 4 4 4 3 2
## 866 4 4 2 2 4 2 2 4 4 2 4 4 4 4 4 4 4 4 4 2
## 867 4 4 2 3 2 2 2 2 4 3 3 2 3 3 2 3 2 4 2 2
## 868 4 4 3 3 3 4 5 4 5 3 4 3 2 4 4 5 5 5 4 5
## 869 4 4 1 3 2 1 1 1 1 2 2 4 4 4 4 4 4 4 4 4
## 870 4 2 4 4 4 2 3 2 2 4 4 4 4 4 4 4 4 4 3 4
## 871 4 4 4 4 4 4 4 4 4 4 4 3 3 4 4 4 3 4 4 3
## 872 4 5 4 2 4 4 5 3 4 2 4 3 4 4 5 4 4 4 5 3
## 873 4 3 1 4 4 2 4 2 2 2 4 5 5 5 5 4 2 4 4 4
## 874 4 3 3 3 3 2 2 2 2 2 4 2 4 4 2 2 2 2 2 2
## 875 2 3 2 2 2 2 2 2 4 3 4 4 2 4 4 4 4 4 3 2
## 876 4 3 4 4 3 3 4 2 4 4 4 3 4 3 4 4 4 4 3 3
## 877 4 3 4 2 3 2 2 1 3 2 2 3 3 2 3 4 4 4 3 3
## 878 4 4 3 3 3 4 4 4 4 3 4 4 4 4 4 4 4 4 4 4
## 879 5 5 4 5 5 3 2 4 4 4 4 4 4 5 4 4 4 4 4 4
## 880 4 4 2 2 2 2 2 2 4 3 2 2 2 1 3 4 4 4 4 4
## 881 4 3 2 4 4 2 2 2 2 2 4 2 2 4 3 4 4 4 3 3
## 882 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4
## 883 2 3 2 3 4 2 2 2 3 2 4 4 4 4 4 3 4 4 3 3
## 884 4 4 4 4 4 5 5 4 4 4 4 5 5 4 3 4 4 3 3 3
## 885 2 2 2 2 2 2 2 2 4 2 4 4 4 4 3 4 4 4 4 3
## 886 3 4 4 4 4 5 4 4 3 4 4 4 4 4 4 3 4 4 4 4
## 887 2 3 2 2 2 2 2 2 2 2 2 2 2 3 3 3 2 2 1 2
## 888 3 5 4 4 4 5 4 4 4 4 4 4 4 4 4 4 5 3 3 3
## 889 3 2 2 3 2 2 2 3 2 2 3 2 3 2 1 3 3 2 3 2
## 890 3 3 2 3 2 2 3 2 1 2 1 2 3 2 3 1 4 1 4 4
## 891 1 1 1 2 3 2 2 2 2 1 2 2 2 2 2 2 2 2 2 3
## 892 3 3 2 2 2 2 2 2 3 2 1 3 3 3 2 4 1 2 2 3
## 893 3 2 2 2 3 2 3 2 3 2 2 2 2 3 2 2 2 2 2 2
## 894 3 3 3 4 3 2 3 3 3 2 3 3 3 2 2 2 2 1 3 4
## 895 1 1 2 2 2 1 1 2 2 2 2 2 2 2 2 2 2 2 3 4
## 896 3 3 2 3 2 2 3 2 1 2 1 2 3 2 3 1 4 1 4 4
## 897 1 1 1 2 3 2 2 2 2 1 2 2 2 2 2 2 2 2 2 3
## 898 3 3 2 2 2 2 2 2 3 2 1 3 3 3 2 4 1 2 2 3
## 899 3 2 2 2 3 2 3 2 3 2 2 2 2 3 2 2 2 2 2 2
## 900 2 2 2 2 1 1 1 2 2 2 1 3 2 2 4 2 2 1 2 3
## 901 3 3 1 3 3 2 2 2 3 2 3 3 4 1 4 4 4 4 5 5
## 902 1 1 1 1 2 1 1 1 1 2 1 1 3 2 3 2 2 1 3 2
## 903 4 3 1 1 1 2 4 4 4 2 4 2 4 5 4 5 4 5 3 2
## 904 4 2 4 4 2 3 2 2 2 2 4 4 4 4 4 4 4 4 4 2
## 905 4 4 2 2 2 3 4 4 2 2 4 4 4 4 4 4 4 4 4 4
## 906 5 5 5 5 4 2 2 4 2 4 5 5 5 5 4 5 4 4 2 2
## 907 2 2 2 2 2 2 2 2 2 2 4 4 4 4 4 5 4 5 2 4
## 908 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4
## 909 5 3 4 2 2 1 2 3 4 2 3 2 2 4 3 5 5 5 2 2
## 910 1 4 3 2 2 1 1 2 2 2 3 4 4 4 4 4 4 4 3 4
## 911 4 3 2 3 2 2 2 4 2 1 3 2 2 4 4 4 5 5 4 4
## 912 4 4 5 4 4 5 4 4 4 5 3 2 4 4 4 4 4 4 4 4
## 913 4 2 2 2 2 2 2 2 2 2 2 4 4 4 4 4 4 4 4 4
## 914 4 3 3 3 2 2 2 2 2 3 4 2 3 3 4 4 4 4 4 4
## 915 3 3 2 2 2 2 2 2 2 2 2 2 4 2 2 4 4 4 4 2
## 916 3 2 1 2 2 2 2 2 2 2 4 4 4 5 5 4 4 5 2 2
## 917 4 4 4 2 4 4 4 2 5 4 4 4 4 4 5 4 4 4 4 4
## 918 4 3 2 2 3 3 2 2 2 2 4 3 4 4 4 5 5 5 4 4
## 919 4 4 3 4 2 2 4 4 4 4 4 2 4 4 4 4 4 4 4 4
## 920 4 4 4 3 3 4 4 2 4 4 3 3 4 4 4 4 4 5 4 3
## 921 4 4 4 4 4 3 3 4 4 4 4 4 5 4 5 4 4 4 4 5
## 922 4 3 2 4 2 2 4 4 4 3 4 3 3 4 4 4 3 5 4 4
## 923 2 4 2 4 3 2 1 2 2 2 2 2 4 4 4 4 4 4 2 4
## 924 4 3 4 4 4 4 2 4 4 3 4 4 5 4 4 4 4 5 5 5
## 925 3 3 2 2 2 3 2 4 2 3 3 2 3 3 2 4 4 4 3 3
## 926 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 4 2 4 2 3
## 927 4 4 4 3 2 2 4 4 1 2 4 4 4 4 4 4 4 4 4 4
## 928 2 3 2 2 2 2 4 4 4 3 5 4 4 4 5 5 5 5 5 5
## 929 2 3 2 2 2 2 4 4 4 3 5 4 4 4 5 5 5 5 5 5
## 930 4 3 4 4 4 4 4 4 4 4 4 4 4 4 4 4 3 4 4 4
## 931 4 4 3 3 4 4 3 2 4 4 4 3 4 4 4 4 3 4 4 3
## 932 4 2 2 2 4 4 2 2 2 2 3 2 4 2 3 4 4 4 4 3
## 933 4 3 3 3 3 4 4 5 5 2 4 4 4 4 4 5 5 5 5 5
## 934 4 3 3 2 4 3 2 4 4 2 2 2 4 4 4 4 5 5 3 4
## 935 3 3 1 1 1 1 2 1 2 1 2 2 2 2 2 4 3 4 4 4
## 936 5 5 2 2 2 2 2 2 2 2 4 2 4 4 3 4 4 4 4 2
## 937 2 3 4 2 1 1 4 4 4 3 3 4 3 3 3 4 5 4 3 4
## 938 1 1 1 1 3 2 1 1 2 2 1 1 3 2 3 2 4 2 4 4
## 939 3 2 3 3 2 1 3 2 3 3 2 3 4 3 2 3 3 3 2 4
## 940 2 2 2 3 2 2 2 2 2 3 2 2 2 2 3 2 2 3 2 3
## 941 3 3 3 3 3 3 3 3 3 3 2 3 3 3 2 2 2 3 3 3
## 942 1 1 1 2 2 1 1 2 2 3 1 2 2 2 3 2 2 1 1 4
## 943 2 2 2 2 3 2 2 3 3 2 3 3 2 2 2 2 3 2 3 2
## 944 2 3 3 2 2 2 2 2 3 3 2 2 2 2 2 2 2 2 2 2
## 945 4 4 2 2 2 2 2 4 2 2 3 2 4 2 4 4 4 4 3 3
## 946 4 3 2 3 4 3 4 2 2 3 4 4 4 5 4 5 4 4 5 4
## 947 4 3 2 2 3 2 4 4 4 3 4 4 3 4 3 4 4 4 3 4
## 948 5 3 4 4 4 4 4 4 4 3 3 2 4 4 3 4 4 4 3 3
## 949 4 3 2 2 4 2 1 2 2 1 3 1 4 4 2 4 4 4 2 2
## 950 1 3 3 1 1 2 4 2 4 4 4 4 4 4 3 4 4 4 3 4
## 951 4 4 4 3 4 4 5 4 4 3 4 5 5 5 5 4 4 5 4 5
## 952 2 2 3 3 2 2 4 2 2 2 3 4 4 4 4 4 5 4 4 4
## 953 3 1 2 2 2 2 2 1 2 2 2 2 2 2 2 4 2 4 3 3
## 954 4 4 3 4 4 4 4 4 4 4 4 3 4 4 4 4 4 4 4 4
## 955 4 4 5 4 3 3 2 3 5 4 4 5 5 5 4 4 5 5 4 3
## 956 4 4 4 2 2 2 4 4 4 2 4 4 4 4 4 5 5 5 4 4
## 957 4 4 3 4 4 4 4 2 2 3 3 3 4 4 4 4 4 4 4 4
## 958 4 3 3 2 3 4 4 4 3 2 4 4 3 3 4 4 3 4 3 4
## 959 4 4 4 3 3 3 4 3 4 2 4 4 4 5 5 5 5 5 4 5
## 960 3 3 2 4 2 2 4 4 5 2 4 3 4 4 4 4 4 4 4 4
## 961 4 2 2 3 3 1 1 1 1 1 1 4 4 3 3 4 4 4 3 4
## 962 4 4 3 3 3 2 3 3 4 4 4 4 4 4 4 3 2 3 4 4
## 963 4 4 4 4 4 2 4 4 4 4 4 4 4 4 4 4 4 4 4 3
## 964 5 4 3 3 3 2 4 4 4 3 3 4 4 4 3 3 4 4 3 3
## 965 1 3 1 1 1 4 1 4 1 1 4 4 4 5 4 5 4 4 4 4
## 966 2 3 2 2 2 2 2 2 2 2 3 3 4 3 3 4 3 4 3 3
## 967 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 3 2 3 2 2
## 968 3 2 3 2 2 2 3 3 2 3 4 3 4 3 3 3 2 3 3 3
## 969 3 2 2 3 2 3 3 2 4 2 3 3 3 4 3 4 4 4 3 2
## 970 4 4 4 3 4 3 4 3 4 3 5 3 4 3 5 3 4 5 4 5
## 971 4 4 2 4 4 2 4 5 4 3 4 4 3 4 4 4 2 2 4 2
## 972 3 1 2 2 1 1 4 3 1 1 2 2 5 4 5 5 5 5 4 4
## 973 5 4 4 4 4 3 2 4 2 4 5 3 4 5 5 5 4 4 5 4
## 974 3 5 4 4 4 5 5 5 5 5 5 4 4 5 5 4 4 2 3 3
## 975 3 4 3 4 2 4 3 4 4 4 4 5 5 5 5 3 5 5 5 2
## 976 2 4 2 2 2 2 3 3 2 2 4 4 4 4 4 4 4 4 4 2
## 977 4 2 2 3 2 2 2 4 1 1 4 2 4 4 4 5 4 4 4 4
## 978 4 3 3 3 3 4 5 3 4 3 4 2 3 4 4 4 3 3 3 3
## 979 4 4 2 2 2 4 4 4 4 2 4 4 4 4 4 4 4 4 4 2
## 980 5 4 3 4 4 3 4 4 5 3 4 4 4 4 5 4 3 4 4 3
## 981 4 5 4 3 3 3 4 4 4 3 3 3 3 5 5 3 3 3 3 3
## 982 2 3 3 2 2 2 2 2 2 2 2 2 2 2 3 3 2 2 3 3
## 983 3 3 2 3 2 1 2 1 3 3 2 3 2 2 3 3 2 1 3 3
## 984 3 3 3 2 3 2 3 2 3 3 2 3 3 2 2 2 2 2 2 4
## 985 3 4 4 3 4 5 4 4 4 4 3 3 3 3 3 4 3 3 3 3
## 986 4 3 4 2 4 2 2 2 4 3 3 4 3 2 2 4 4 3 3 2
## 987 4 4 4 4 4 2 2 4 2 2 3 3 2 2 2 4 2 4 3 2
## 988 4 2 2 2 3 1 4 2 2 2 4 4 4 4 4 4 3 4 3 3
## 989 4 4 4 4 4 4 4 4 4 3 4 4 4 4 3 4 4 4 3 3
## 990 4 3 2 3 2 4 4 2 2 2 4 2 2 2 3 4 4 4 3 3
## 991 4 3 3 4 4 2 2 2 2 4 4 3 4 3 3 5 5 5 4 4
## 992 4 3 2 2 2 2 2 2 4 3 4 4 4 4 4 4 4 4 3 3
## 993 4 4 4 3 3 2 2 2 3 3 4 4 4 4 4 4 4 3 3 3
## 994 4 3 4 2 4 4 4 4 5 3 4 4 4 5 5 5 5 5 4 5
## 995 2 3 1 2 2 1 4 4 4 2 3 2 4 4 3 5 4 5 4 4
## 996 4 4 4 3 4 3 2 4 4 4 5 5 4 5 5 4 4 5 4 4
## 997 4 2 2 2 1 1 2 2 2 1 4 2 2 4 4 4 1 4 4 4
## 998 4 3 2 2 4 2 2 2 2 3 2 4 4 4 2 4 2 4 3 4
## 999 3 3 2 2 3 2 2 3 2 2 2 2 3 3 2 3 4 4 2 2
## 1000 4 2 2 2 2 2 2 4 4 3 2 4 4 4 4 2 4 4 4 4
## 1001 4 4 4 4 2 2 4 3 5 5 5 5 4 5 5 4 4 5 5 4
## 1002 3 3 3 3 3 4 4 3 3 3 4 4 4 4 4 4 4 4 3 3
## 1003 4 4 4 4 3 4 4 4 3 4 4 4 4 4 4 4 4 4 4 4
## 1004 4 3 3 3 3 3 3 3 3 3 3 3 4 4 4 4 4 4 3 3
## 1005 4 3 4 3 2 1 4 4 4 3 4 4 4 4 2 4 2 4 4 3
## 1006 3 3 2 2 4 2 2 2 2 2 4 2 4 4 4 2 3 4 4 2
## 1007 4 4 4 4 4 4 4 2 4 4 4 4 4 4 5 5 5 5 5 5
## 1008 4 2 1 3 2 1 2 2 2 2 4 4 4 3 3 4 3 4 4 3
## 1009 4 4 2 2 3 4 1 1 4 4 3 2 3 4 2 4 4 4 2 3
## 1010 4 4 3 3 2 2 2 4 4 3 3 3 2 4 4 4 4 4 4 4
## 1011 2 2 2 4 2 2 2 2 3 3 1 2 2 1 1 1 1 1 3 3
## 1012 3 4 4 3 3 2 3 3 3 2 3 3 3 2 3 2 2 3 3 4
## 1013 4 3 3 4 4 4 3 4 3 3 4 4 2 4 2 2 3 3 3 2
## 1014 2 1 1 1 3 1 1 1 2 3 1 3 2 1 5 5 2 1 2 3
## 1015 3 4 4 3 3 2 3 3 3 2 3 3 3 2 3 2 2 3 3 4
## 1016 4 3 3 3 3 4 4 4 2 3 4 4 4 4 3 4 5 4 4 4
## 1017 4 4 3 3 4 4 3 2 4 2 3 3 2 3 3 4 4 4 3 4
## 1018 4 4 4 4 4 5 4 4 4 4 4 4 3 4 3 4 4 4 4 3
## 1019 4 4 4 4 4 4 4 2 4 4 2 4 4 4 4 4 4 4 2 4
## 1020 4 4 4 4 4 4 4 2 4 3 4 4 4 4 3 2 2 4 2 4
## 1021 4 4 2 2 2 2 4 4 2 4 4 4 4 4 2 4 2 4 3 2
## 1022 4 4 3 4 4 4 2 4 3 2 3 2 3 2 2 5 2 5 2 3
## 1023 2 2 2 2 2 2 4 2 2 2 3 2 2 2 2 4 2 4 2 2
## 1024 2 4 2 2 2 3 1 2 2 2 4 2 4 4 4 4 4 5 4 4
## 1025 5 3 2 3 3 2 4 5 1 3 4 3 3 4 4 5 3 4 4 4
## 1026 4 4 3 2 2 1 1 3 4 3 1 3 2 4 1 5 2 3 3 3
## 1027 3 4 2 4 4 2 2 2 2 2 4 4 4 4 4 4 4 4 4 3
## 1028 3 3 2 2 2 2 2 2 4 3 3 4 4 4 3 4 4 4 4 4
## 1029 4 4 4 3 4 4 4 4 4 3 3 4 4 3 4 4 4 4 4 4
## 1030 2 4 1 1 1 2 2 4 2 1 2 2 2 4 3 4 5 4 3 4
## 1031 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4
## 1032 4 4 4 4 4 4 4 4 4 2 2 2 2 2 2 4 2 4 2 2
## 1033 2 2 1 2 1 2 2 1 1 1 4 3 2 2 2 4 4 4 4 4
## 1034 4 4 4 3 4 2 2 2 2 4 4 2 4 4 3 4 4 4 3 4
## 1035 4 2 4 2 2 3 2 4 2 3 4 2 4 4 4 4 4 4 4 2
## 1036 5 5 5 5 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4
## 1037 4 4 4 3 4 4 4 4 4 3 4 4 4 4 4 4 4 4 4 4
## 1038 4 4 3 4 4 2 2 5 2 4 5 4 4 4 4 5 4 3 4 4
## 1039 5 4 4 4 4 4 4 4 5 4 5 5 5 5 5 5 5 5 5 5
## 1040 4 4 4 4 4 5 5 5 5 5 5 4 5 4 5 5 5 5 5 4
## 1041 5 4 4 4 4 3 2 2 2 3 3 4 4 5 5 3 3 5 3 3
## 1042 3 4 2 2 4 4 2 2 2 2 4 4 2 4 2 4 4 4 4 4
## 1043 4 4 4 4 4 4 2 2 4 3 3 2 4 4 2 4 4 4 4 3
## 1044 4 3 4 4 4 4 4 4 4 3 4 4 4 4 4 4 4 4 3 2
## 1045 4 4 2 2 4 4 4 4 2 1 4 5 4 4 4 5 5 5 3 4
## 1046 4 4 4 4 3 3 4 2 2 3 3 4 4 4 4 4 3 4 3 4
## 1047 4 4 2 2 4 4 4 4 4 2 3 5 5 5 5 4 5 4 2 5
## 1048 4 2 4 3 3 4 4 4 4 4 4 3 4 4 4 4 5 5 4 4
## 1049 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4
## 1050 4 4 2 2 2 2 2 2 2 2 2 3 4 3 2 4 4 4 2 4
## 1051 3 3 3 3 3 3 3 3 2 3 3 3 3 3 3 3 3 3 3 2
## 1052 4 4 3 4 4 1 4 2 4 3 2 3 2 4 3 4 4 4 3 2
## 1053 3 3 2 2 2 4 4 4 4 4 3 3 2 4 2 4 4 4 4 4
## 1054 4 5 2 2 4 2 2 1 1 2 4 4 4 4 4 4 2 2 3 2
## 1055 2 3 2 2 1 4 4 1 1 1 4 1 2 4 4 4 2 4 2 4
## 1056 4 3 2 2 3 2 2 2 3 4 2 4 4 4 4 4 4 5 3 3
## 1057 4 2 2 2 1 1 3 2 3 2 3 4 4 2 2 3 4 3 3 2
## 1058 4 4 2 3 2 2 2 2 1 2 4 2 2 3 2 4 4 4 4 4
## 1059 5 5 5 5 5 5 5 5 5 5 4 4 4 3 3 3 3 2 3 2
## 1060 3 2 2 2 2 1 4 4 2 3 3 3 3 3 3 4 4 4 4 2
## 1061 4 4 4 3 3 2 4 4 4 3 4 4 4 4 4 4 4 5 4 3
## 1062 3 3 2 2 2 4 1 1 2 3 1 5 5 2 4 5 5 4 4 4
## 1063 3 4 2 2 3 4 2 2 4 4 3 4 4 4 3 4 4 5 4 3
## 1064 2 4 4 4 2 2 2 2 4 2 3 2 2 1 2 4 2 4 2 2
## 1065 2 4 2 2 2 2 2 4 4 2 2 3 4 2 2 4 4 4 3 2
## 1066 2 2 2 2 2 4 4 2 4 4 4 4 5 4 4 4 5 4 5 5
## 1067 4 2 1 3 2 2 2 4 3 2 3 3 2 3 3 4 5 5 3 2
## 1068 3 4 3 2 4 1 1 2 3 5 4 3 4 4 4 3 5 3 3 4
## 1069 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4
## 1070 2 4 1 1 3 2 1 1 1 1 1 5 5 4 3 4 4 5 1 4
## 1071 4 4 4 4 4 4 4 4 4 4 4 4 4 5 4 4 5 5 5 3
## 1072 2 2 2 2 2 2 2 2 2 2 2 4 4 4 4 4 5 5 5 5
## 1073 4 4 4 4 4 2 4 3 2 2 3 4 4 4 4 4 4 4 4 3
## 1074 2 3 3 4 3 1 4 4 2 3 5 4 3 4 4 5 5 5 5 5
## 1075 4 4 4 4 4 4 2 2 2 3 3 2 2 4 3 2 2 2 2 2
## 1076 4 3 2 3 2 2 2 4 4 2 3 3 2 4 4 3 1 3 3 2
## 1077 4 3 4 3 3 2 3 4 3 2 3 4 3 2 2 2 4 4 3 2
## 1078 2 4 2 2 2 2 2 4 3 2 4 4 4 4 4 4 3 4 4 3
## 1079 4 3 2 2 2 1 2 2 3 1 3 4 3 4 4 4 2 3 3 3
## 1080 3 3 3 3 4 2 2 2 4 2 4 4 4 4 4 4 4 4 4 4
## 1081 2 2 4 3 2 2 2 4 2 2 3 2 3 2 3 3 2 4 3 2
## 1082 4 3 2 2 2 3 2 4 4 3 3 3 3 3 3 4 4 4 3 3
## 1083 5 5 5 3 2 5 5 5 5 5 4 4 4 4 4 4 4 3 4 3
## 1084 4 4 3 3 4 2 4 4 2 2 4 4 4 4 4 4 4 4 3 3
## 1085 2 3 3 2 2 3 3 1 2 2 3 4 4 4 4 4 4 4 4 4
## 1086 5 5 4 4 5 4 5 3 5 5 5 5 5 5 5 4 3 5 5 4
## 1087 5 4 2 2 3 1 4 2 4 3 5 5 5 5 5 2 2 5 5 3
## 1088 2 3 1 2 2 4 3 1 1 3 1 2 1 2 3 4 5 5 3 2
## 1089 5 2 2 1 2 1 2 2 1 3 4 4 4 4 4 4 2 4 3 4
## 1090 4 4 3 2 4 4 4 2 1 2 5 5 5 5 5 5 5 4 5 3
## 1091 3 3 2 2 2 1 3 2 1 2 3 2 2 3 2 4 4 4 4 4
## 1092 4 4 3 4 3 2 2 3 2 2 4 5 4 4 4 4 5 4 4 3
## 1093 4 3 3 3 3 2 4 3 3 4 4 3 4 4 3 4 4 4 4 3
## 1094 4 3 3 3 3 2 4 4 2 2 4 4 4 4 4 4 4 4 3 3
## 1095 4 4 2 3 4 5 4 1 3 3 2 3 3 3 3 2 2 2 1 1
## 1096 3 3 2 2 2 3 2 2 3 3 2 3 3 3 4 5 5 3 3 3
## 1097 3 4 2 2 1 2 2 4 3 3 2 2 2 2 3 5 4 5 4 3
## 1098 4 4 3 3 3 2 4 2 2 2 2 2 2 3 2 4 5 5 2 2
## 1099 4 4 4 4 4 2 4 3 2 4 4 4 4 3 5 4 2 4 4 2
## 1100 4 4 4 3 3 3 2 4 2 4 5 5 5 5 5 5 5 4 5 4
## 1101 4 2 4 3 3 4 5 5 5 5 5 5 5 5 5 5 2 3 1 4
## 1102 4 3 2 2 4 2 2 4 2 3 4 4 4 4 4 3 2 4 4 2
## 1103 4 3 4 4 4 4 4 4 4 4 4 4 4 4 4 5 5 5 4 5
## 1104 5 2 2 2 5 3 4 4 2 2 4 4 4 4 4 4 2 5 4 3
## 1105 4 5 4 3 4 5 3 4 5 4 5 3 4 5 4 4 3 5 4 3
## 1106 4 4 2 4 5 5 5 4 4 3 4 4 4 5 4 4 4 4 4 3
## 1107 2 2 2 2 2 3 3 2 1 1 3 4 4 4 3 5 5 4 2 3
## 1108 4 3 4 4 3 4 3 4 4 3 4 4 3 3 3 4 3 4 3 3
## 1109 5 4 3 4 4 2 5 4 3 2 4 5 4 3 4 5 5 5 4 5
## 1110 4 4 2 4 4 4 2 4 3 3 4 5 4 4 3 4 4 4 3 3
## 1111 4 4 2 4 4 3 2 2 2 2 2 3 3 2 2 2 3 3 3 2
## 1112 4 3 3 4 3 2 4 3 4 3 4 5 4 5 5 4 4 5 3 4
## 1113 3 3 3 3 4 4 4 4 4 3 3 3 3 3 3 3 4 4 4 4
## 1114 4 4 4 4 4 3 3 3 4 4 5 5 5 4 4 4 4 4 4 4
## 1115 2 2 2 2 2 2 2 2 2 2 3 3 3 3 3 3 3 3 2 2
## 1116 2 2 2 2 2 3 3 3 3 3 2 2 2 2 3 2 2 2 3 3
## 1117 4 4 4 4 4 4 4 4 4 4 5 5 5 5 5 4 4 4 4 4
## 1118 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3
## 1119 4 4 4 4 4 4 4 4 4 4 5 5 5 5 5 4 4 4 3 3
## 1120 5 5 5 5 5 4 4 4 4 4 5 5 5 5 5 4 4 4 4 4
## 1121 1 1 2 2 2 3 3 3 3 3 4 3 3 3 3 2 2 2 2 2
## 1122 1 1 1 1 1 2 2 2 2 2 3 3 3 3 3 3 3 3 3 3
## 1123 4 3 2 4 5 2 4 2 2 4 4 4 5 5 5 4 5 5 5 4
## 1124 5 5 4 4 4 3 2 4 4 3 5 5 5 5 5 5 5 5 4 5
## 1125 4 4 4 3 4 3 5 4 5 3 5 5 5 5 5 4 5 5 4 3
## 1126 3 2 1 4 2 2 4 4 2 2 4 4 4 4 4 5 5 2 2 4
## 1127 3 2 2 2 2 2 2 2 3 4 4 4 3 4 4 4 3 2 3 4
## 1128 3 3 2 3 4 2 2 2 1 1 3 2 3 2 2 2 4 2 3 2
## 1129 4 4 4 4 4 3 4 3 4 4 4 4 4 4 3 4 4 4 4 3
## 1130 4 4 4 4 3 3 4 4 4 4 5 4 4 5 5 4 3 3 3 3
## 1131 3 4 2 2 3 2 2 4 2 3 3 1 2 3 3 4 4 4 3 4
## 1132 4 4 4 3 3 2 2 2 4 3 4 4 4 3 3 3 4 2 3 2
## 1133 3 3 2 2 4 1 2 2 2 2 4 4 4 4 4 4 4 4 4 4
## 1134 2 3 2 2 2 2 2 2 2 2 2 2 2 1 1 3 2 3 2 3
## 1135 2 3 2 2 2 2 4 2 4 2 3 4 3 3 4 4 2 4 2 4
## 1136 2 2 2 2 2 2 2 2 2 2 2 2 2 4 4 5 4 5 4 5
## 1137 5 4 4 4 2 2 2 4 2 2 2 2 2 2 2 4 4 5 4 3
## 1138 4 4 2 2 2 2 2 1 1 3 3 2 2 3 3 4 3 4 4 4
## 1139 2 1 2 3 1 1 3 2 1 1 3 3 3 4 3 3 5 3 4 3
## 1140 3 4 3 2 3 2 3 2 4 3 2 3 3 3 4 3 4 4 4 3
## 1141 3 4 3 3 4 2 4 4 3 2 1 1 2 1 2 2 5 3 2 1
## 1142 4 4 3 3 4 3 3 2 2 2 3 4 4 4 3 3 2 4 3 3
## 1143 3 5 2 3 2 2 5 3 4 4 3 3 4 4 5 4 5 5 3 5
## 1144 4 4 4 4 4 4 4 4 4 3 4 4 4 4 4 4 4 4 4 4
## 1145 2 2 3 4 4 2 2 3 4 3 4 4 5 4 3 2 3 4 3 5
## 1146 3 3 2 2 4 4 2 2 2 2 2 3 2 3 2 4 4 4 3 4
## 1147 4 3 2 3 2 1 2 2 4 2 4 4 4 4 3 4 4 4 3 3
## 1148 3 4 3 3 4 2 3 3 2 3 4 3 4 4 3 4 4 4 4 4
## 1149 4 3 3 3 2 2 2 4 2 2 4 4 4 4 4 3 2 4 4 3
## 1150 4 2 4 3 5 1 2 4 2 3 3 4 4 5 3 3 4 4 3 4
## 1151 4 4 5 3 2 1 5 4 4 2 5 5 4 4 5 4 5 5 4 3
## 1152 3 2 2 3 4 4 2 1 1 2 3 4 3 4 4 3 5 4 2 2
## 1153 3 4 3 4 4 3 2 2 2 2 3 3 3 3 4 4 4 3 2 4
## 1154 4 4 4 4 5 5 5 5 5 5 5 5 5 5 5 5 5 4 5 5
## 1155 2 3 2 2 4 2 4 2 4 4 4 4 4 4 4 4 4 3 3 3
## 1156 4 4 4 4 4 3 3 3 3 4 4 4 4 4 3 2 2 2 3 3
## 1157 3 3 3 3 3 4 4 3 3 4 4 4 4 3 3 4 4 4 3 3
## 1158 2 2 2 2 2 3 2 2 2 2 3 3 3 4 4 2 2 2 3 3
## 1159 2 2 2 2 2 3 3 3 3 3 4 4 4 3 3 3 3 3 3 3
## 1160 4 4 4 4 4 3 4 4 3 3 4 4 4 4 4 4 3 4 4 4
## 1161 3 3 3 3 3 3 3 3 3 3 4 4 4 4 4 3 3 4 4 4
## 1162 3 3 3 3 3 3 3 3 3 3 4 4 4 4 4 3 3 2 2 2
## 1163 3 3 3 3 3 3 3 3 3 3 4 4 4 4 3 3 3 4 2 2
## 1164 3 3 3 3 3 3 3 3 3 3 4 4 4 4 3 3 3 2 2 2
## 1165 4 4 4 4 4 3 4 4 3 3 4 4 4 4 4 4 2 4 4 4
## 1166 5 5 5 4 4 4 4 4 3 3 5 5 5 5 5 5 1 5 4 4
## 1167 5 5 5 4 4 4 4 4 3 3 5 5 5 5 5 5 1 4 4 4
## 1168 5 5 5 4 4 4 4 4 3 3 5 5 5 5 5 5 2 4 4 4
## 1169 5 4 4 4 4 4 3 3 4 4 5 4 4 4 3 4 4 3 2 1
## 1170 4 4 3 4 3 3 5 5 3 3 4 4 4 4 5 5 5 5 4 4
## 1171 4 3 4 4 2 4 4 4 3 3 4 4 4 4 4 4 4 4 3 2
## 1172 3 3 3 2 2 2 2 2 2 2 2 3 2 2 2 2 2 2 2 2
## 1173 4 3 2 3 3 1 2 2 2 2 3 2 3 3 3 2 4 4 3 2
## 1174 4 3 3 2 2 2 3 2 2 1 1 2 2 2 3 3 3 3 1 2
## 1175 4 4 2 2 2 2 2 2 4 2 2 2 4 2 2 2 2 2 2 2
## 1176 2 3 2 2 4 2 2 2 4 2 4 4 4 4 4 4 4 4 4 4
## 1177 4 4 4 4 1 1 3 2 4 3 4 2 4 5 4 4 2 4 5 5
## 1178 3 4 2 4 4 2 2 2 1 1 4 4 4 4 4 3 3 2 4 3
## 1179 3 3 3 3 2 2 2 2 4 3 4 4 4 4 4 4 4 4 3 2
## 1180 4 3 2 2 2 2 2 1 1 2 3 3 3 3 3 3 4 4 3 2
## 1181 5 1 4 4 5 4 2 5 1 1 5 5 5 5 4 2 2 5 5 1
## 1182 2 3 2 2 2 3 4 2 2 4 4 4 4 4 2 4 2 2 2 3
## 1183 5 4 4 4 3 5 4 4 5 4 4 4 5 4 5 4 5 5 4 4
## 1184 3 4 1 2 1 1 1 2 2 2 2 4 3 4 2 4 2 2 2 2
## 1185 5 4 4 4 4 4 3 5 2 3 4 4 4 4 4 5 5 4 5 4
## 1186 2 2 2 2 2 3 2 2 2 3 2 1 2 2 2 3 2 3 2 2
## 1187 3 3 3 3 3 2 3 3 3 2 2 2 2 1 1 2 2 2 3 2
## 1188 4 4 4 4 4 4 3 4 4 4 4 5 4 5 5 5 5 5 3 2
## 1189 4 4 4 4 4 3 3 4 4 3 4 4 4 4 4 4 4 4 4 4
## 1190 4 3 3 4 3 2 4 4 4 4 4 4 3 3 3 3 3 3 3 3
## 1191 4 3 3 4 3 2 4 4 4 4 4 4 3 3 3 3 3 3 3 3
## 1192 2 2 2 2 2 2 3 2 2 2 3 4 2 2 2 3 3 3 3 3
## 1193 4 2 2 2 2 2 4 2 4 2 4 4 4 4 4 4 4 4 4 4
## 1194 4 4 4 3 3 3 4 4 4 3 5 5 5 5 5 4 2 4 4 4
## 1195 5 4 4 4 4 4 3 4 4 3 5 5 5 5 5 5 1 4 5 5
## 1196 2 2 2 2 2 2 2 2 2 2 3 3 2 2 2 2 2 2 2 2
## 1197 3 3 3 3 3 3 4 4 4 3 4 4 4 4 4 4 2 2 2 2
## 1198 4 4 4 4 4 4 4 4 4 4 5 5 4 5 5 3 2 3 3 3
## 1199 3 3 3 3 3 3 3 3 3 3 2 2 3 3 3 4 2 3 3 3
## 1200 4 3 3 3 3 2 4 4 4 3 4 5 5 5 5 5 2 5 5 4
## 1201 4 4 2 2 3 1 3 3 2 2 4 4 3 4 3 3 4 3 4 2
## 1202 4 3 2 3 2 2 2 2 2 2 1 1 2 3 3 3 4 4 3 3
## 1203 4 3 4 2 2 2 4 3 3 4 4 5 4 5 5 5 4 5 4 3
## 1204 2 4 3 2 5 2 2 1 1 5 3 3 5 4 4 4 2 3 4 3
## 1205 4 3 4 3 3 2 2 4 4 3 4 4 3 4 4 3 4 4 3 2
## 1206 4 4 2 2 1 1 2 3 4 2 3 2 2 3 3 2 5 5 2 2
## 1207 3 3 3 2 3 4 2 1 2 3 4 4 4 4 3 5 4 5 5 4
## 1208 4 3 3 3 3 2 4 3 3 3 5 5 4 4 4 4 3 4 3 3
## 1209 2 3 4 3 2 2 4 5 4 3 4 4 5 5 5 4 2 5 4 5
## 1210 4 3 3 3 4 2 5 3 3 2 4 4 4 4 4 3 2 2 5 5
## 1211 4 3 3 3 3 4 3 2 4 3 4 5 4 4 4 3 3 4 2 4
## 1212 3 2 2 2 2 1 2 4 3 3 4 4 4 4 4 4 4 5 3 2
## 1213 4 2 2 2 2 2 2 1 1 2 3 4 4 4 4 4 3 4 3 3
## 1214 4 3 2 3 2 3 2 2 2 2 3 4 4 4 3 4 5 4 3 3
## 1215 4 4 3 2 2 1 3 3 2 2 4 4 2 4 3 4 4 4 4 3
## 1216 4 2 4 4 4 4 4 4 4 2 4 4 4 4 4 3 4 4 4 2
## 1217 4 4 4 4 4 4 5 5 5 5 5 5 5 5 5 5 5 5 5 5
## 1218 4 3 2 3 4 3 3 3 2 3 5 3 5 5 3 2 2 2 3 4
## 1219 4 3 2 4 2 2 2 2 2 2 3 4 4 4 3 4 4 4 2 2
## 1220 5 5 4 3 3 2 2 2 2 4 4 3 4 4 3 3 3 3 4 3
## 1221 4 5 4 4 5 4 3 2 2 4 4 5 5 4 4 5 4 5 4 5
## 1222 5 5 5 4 4 4 3 3 3 3 4 4 4 4 3 3 3 4 4 1
## 1223 3 3 2 3 2 2 3 1 1 2 3 1 1 2 2 4 5 5 3 3
## 1224 4 4 3 3 4 2 2 2 2 2 4 4 5 5 4 4 5 5 5 4
## 1225 4 4 2 2 2 2 3 4 2 4 3 4 2 3 3 2 4 4 3 2
## 1226 4 4 3 2 4 1 4 2 1 3 4 4 4 4 4 5 4 4 4 4
## 1227 3 3 1 2 1 3 2 2 1 3 3 1 2 4 2 4 5 5 2 2
## 1228 5 4 5 4 4 2 4 4 4 3 4 3 3 4 3 4 5 3 2 3
## 1229 2 4 3 3 2 2 1 2 3 3 2 3 2 3 3 3 3 2 3 2
## 1230 5 2 2 3 1 1 1 2 1 1 2 5 4 3 3 4 5 4 2 3
## 1231 2 3 3 3 3 3 3 3 3 3 2 3 4 3 3 3 3 3 3 3
## 1232 3 5 5 5 5 5 3 3 3 4 5 5 5 5 5 5 5 5 5 2
## 1233 3 3 3 3 4 3 4 4 4 3 3 3 3 3 3 3 3 3 3 2
## 1234 3 4 4 4 3 4 4 4 4 3 3 3 3 3 3 3 3 3 3 3
## 1235 4 2 3 2 2 2 2 2 4 1 4 3 3 3 3 4 2 5 4 3
## 1236 3 3 3 3 3 3 4 4 4 3 4 4 4 4 4 4 2 2 2 2
## 1237 4 4 4 4 4 3 3 4 4 3 4 4 4 4 4 4 4 4 4 4
## 1238 4 4 4 4 4 4 4 4 4 4 5 5 5 4 5 3 2 3 3 3
## 1239 4 4 4 3 3 3 4 4 4 3 5 5 5 5 5 4 2 4 4 4
## 1240 2 2 2 2 2 2 3 2 2 2 3 4 2 2 2 3 3 3 3 3
## 1241 3 2 2 2 3 1 3 2 4 3 4 4 4 4 5 4 4 5 4 3
## 1242 4 3 3 4 3 2 4 4 4 4 4 4 3 3 3 3 3 3 3 3
## 1243 2 2 2 2 2 2 2 2 2 2 3 3 2 2 2 2 2 2 2 2
## 1244 3 3 3 3 3 3 3 3 3 3 2 2 3 3 3 4 2 3 3 3
## 1245 5 4 4 4 4 4 3 4 4 3 5 5 5 5 5 5 1 4 5 5
## 1246 4 2 2 2 3 2 4 4 4 2 4 4 4 4 4 5 4 4 2 2
## 1247 2 3 2 2 2 4 2 2 4 2 4 2 4 4 4 4 3 3 4 4
## 1248 4 4 4 4 4 4 2 2 2 2 4 4 4 4 4 4 4 2 2 3
## 1249 3 3 2 2 3 2 2 4 4 3 3 4 4 3 3 4 4 4 4 2
## 1250 3 3 2 2 2 3 4 3 2 3 4 4 4 4 4 4 4 4 3 3
## 1251 2 3 2 2 2 2 2 2 2 3 2 3 3 2 2 4 4 3 3 2
## 1252 4 4 2 2 2 2 2 2 2 2 4 4 4 4 4 2 2 4 5 3
## 1253 4 3 3 3 2 2 2 2 2 2 4 4 3 4 3 5 3 5 3 4
## 1254 4 4 4 4 4 3 5 4 4 3 4 4 4 5 4 4 5 4 4 4
## 1255 4 3 2 2 2 1 4 2 2 3 3 2 3 4 3 4 4 4 3 3
## 1256 4 4 3 2 3 2 4 4 5 3 4 4 4 5 4 5 3 5 4 3
## 1257 4 4 2 2 2 2 2 2 1 1 1 1 2 4 4 4 4 4 4 4
## 1258 3 2 3 3 4 2 2 1 2 3 3 2 2 4 3 4 4 4 3 4
## 1259 3 4 2 3 4 4 4 2 4 3 4 5 4 4 5 4 2 5 3 4
## 1260 3 4 3 3 4 3 2 2 1 1 3 3 3 3 3 4 4 4 4 4
## 1261 2 2 2 2 3 4 1 1 5 2 3 4 4 4 4 5 4 4 4 4
## 1262 4 3 2 2 4 2 4 2 4 2 2 2 2 3 2 4 4 5 2 2
## 1263 1 3 3 4 2 3 4 4 4 4 4 4 4 4 4 4 4 4 4 3
## 1264 4 2 2 2 2 2 2 4 2 3 4 2 3 4 4 3 4 4 2 3
## 1265 4 4 3 4 4 3 4 4 4 3 4 4 4 3 4 3 4 4 4 4
## 1266 2 3 4 2 2 2 2 4 2 2 4 2 4 4 2 4 4 4 4 4
## 1267 5 5 5 5 5 4 5 5 5 5 5 5 5 5 5 5 4 4 4 4
## 1268 4 4 4 4 4 4 5 4 4 3 4 4 4 4 4 5 4 4 4 3
## 1269 3 3 3 3 3 4 3 3 4 3 4 3 3 3 3 3 3 3 3 2
## 1270 4 4 4 4 4 5 4 4 4 4 4 4 4 4 4 4 4 4 4 4
## 1271 2 2 2 2 2 2 2 2 3 3 3 3 3 3 3 3 3 3 3 3
## 1272 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4
## 1273 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4
## 1274 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4
## 1275 5 5 5 5 5 5 4 4 4 4 5 5 5 5 5 4 4 4 4 4
## 1276 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4
## 1277 3 3 3 3 3 3 3 3 3 3 3 3 3 3 4 3 4 4 4 4
## 1278 3 3 3 3 3 3 4 4 4 4 4 4 4 3 3 3 3 2 2 2
## 1279 4 4 4 4 4 4 4 4 4 4 5 5 5 5 5 4 4 4 4 4
## 1280 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3
## 1281 4 2 4 4 3 2 4 5 4 3 4 4 4 5 4 5 5 4 4 4
## 1282 3 4 2 2 4 2 2 2 2 2 3 4 4 4 4 4 2 4 2 3
## 1283 4 4 2 2 2 2 1 1 1 2 3 2 2 3 3 4 4 4 3 3
## 1284 3 4 3 2 4 3 4 4 4 4 4 4 4 5 4 5 5 5 3 3
## 1285 4 2 2 2 2 1 2 4 3 5 4 4 5 5 5 4 4 5 4 4
## 1286 2 5 1 4 4 4 2 4 2 3 4 4 4 4 4 5 2 5 3 3
## 1287 4 1 4 4 4 4 2 2 4 3 5 4 5 5 5 4 4 5 3 5
## 1288 3 2 2 2 2 2 2 1 2 3 2 2 2 2 3 4 4 4 3 4
## 1289 4 4 4 2 3 3 2 4 4 4 5 4 3 5 4 4 3 4 4 3
## 1290 5 5 4 4 4 4 5 4 4 3 4 4 4 4 4 4 5 4 3 3
## 1291 4 4 4 3 4 4 3 4 4 4 4 4 4 4 4 4 4 4 4 4
## 1292 4 3 3 2 2 3 1 2 4 3 4 4 4 4 4 4 5 5 2 3
## 1293 4 4 4 4 4 4 4 4 4 3 4 4 4 4 4 4 3 3 3 3
## 1294 4 4 4 2 2 2 2 4 2 2 4 4 4 4 4 4 4 4 3 3
## 1295 4 3 4 4 2 2 2 4 2 2 5 5 4 5 5 4 3 4 4 4
## 1296 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4
## 1297 2 2 2 2 2 2 2 2 2 2 3 1 2 2 1 3 3 4 2 1
## 1298 4 2 3 3 2 2 4 4 4 3 4 3 4 5 4 4 4 5 4 4
## 1299 4 4 4 4 4 2 3 3 4 3 5 5 5 5 5 5 4 4 4 2
## 1300 4 3 3 3 4 2 2 2 3 3 3 3 3 3 4 4 4 4 4 4
## 1301 3 4 3 2 4 4 2 4 4 3 4 4 4 4 4 4 4 2 4 4
## 1302 4 4 2 4 2 2 2 2 2 2 3 3 2 3 4 4 4 4 4 4
## 1303 2 2 2 2 2 2 4 3 2 2 3 4 4 4 4 3 3 4 4 5
## 1304 4 3 4 4 4 4 4 4 4 3 4 4 4 4 4 3 4 4 3 3
## 1305 5 5 4 3 4 4 3 4 5 5 4 4 4 4 4 4 4 4 4 4
## 1306 4 4 4 4 4 1 4 2 1 3 4 4 4 4 4 3 2 4 2 2
## 1307 3 4 2 2 4 2 2 2 1 4 4 4 4 4 4 4 3 5 3 3
## 1308 4 4 4 3 4 3 3 4 4 3 4 4 4 4 4 4 3 4 4 3
## 1309 2 4 2 2 2 2 2 2 4 2 3 2 4 4 4 4 4 4 3 2
## 1310 3 2 2 3 2 1 3 3 2 2 1 3 3 3 3 4 4 4 2 2
## 1311 3 3 2 2 2 2 3 2 4 3 3 2 2 2 2 4 4 4 3 3
## 1312 3 2 2 3 2 4 2 2 2 2 4 4 5 5 5 4 3 4 3 3
## 1313 3 4 2 2 2 2 2 2 2 2 2 2 2 2 2 4 4 4 4 4
## 1314 5 3 4 4 4 2 4 4 4 2 5 5 5 5 5 4 4 5 3 4
## 1315 4 4 4 3 3 4 4 4 4 4 4 2 3 4 4 4 3 4 2 2
## 1316 4 4 3 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4
## 1317 5 3 2 2 2 4 3 2 2 1 2 2 3 2 2 4 4 4 3 4
## 1318 4 4 4 4 4 4 4 4 2 3 4 4 4 4 4 3 4 4 4 5
## 1319 4 4 4 4 4 4 4 4 5 4 4 4 4 4 4 4 4 4 4 3
## 1320 4 4 4 4 3 2 2 3 2 2 4 4 4 4 4 4 4 4 4 4
## 1321 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4
## 1322 2 2 2 3 3 2 3 2 2 4 3 4 4 3 2 2 3 2 3 2
## 1323 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 3 3 3 4 4
## 1324 5 5 4 5 4 4 5 4 4 4 4 4 4 4 4 4 4 4 4 4
## 1325 3 3 3 3 2 2 3 2 3 3 2 2 2 2 2 2 3 2 2 2
## 1326 4 4 4 4 4 4 4 3 4 3 3 3 4 4 4 4 4 4 4 4
## 1327 5 5 5 4 4 4 4 4 4 4 5 5 5 5 5 5 5 5 5 4
## 1328 3 3 3 3 3 3 3 3 4 4 3 4 4 4 3 4 4 3 4 4
## 1329 2 2 2 2 2 2 3 3 2 2 4 4 4 4 3 3 3 3 3 3
## 1330 4 3 3 4 3 2 4 4 4 4 4 4 3 3 3 3 3 3 3 3
## 1331 5 4 4 4 4 4 3 4 4 3 5 5 5 5 5 5 4 1 5 5
## 1332 4 3 3 4 2 2 4 2 2 4 4 4 4 4 4 4 4 3 3 4
## 1333 4 4 4 3 3 3 4 4 4 4 5 5 5 5 5 4 2 4 4 4
## 1334 2 2 2 2 2 2 3 2 2 2 3 4 2 2 2 3 3 3 3 3
## 1335 2 3 2 2 2 2 2 2 2 2 2 2 3 3 3 4 4 4 3 4
## 1336 4 3 3 3 3 3 3 3 3 2 3 4 3 3 3 2 3 3 3 3
## 1337 3 3 3 3 3 3 4 4 4 3 4 4 4 4 4 4 3 3 3 3
## 1338 2 2 2 2 2 3 2 2 2 2 2 2 2 2 2 2 2 2 2 2
## 1339 4 4 4 4 4 4 4 4 4 4 5 5 5 4 5 3 2 3 3 3
## 1340 4 4 4 4 4 3 3 4 4 3 4 4 4 4 4 4 4 4 4 4
## 1341 4 3 2 2 2 1 2 4 2 2 2 4 4 4 3 4 2 4 3 2
## 1342 4 4 3 4 4 2 2 2 2 3 3 4 4 3 3 3 3 3 3 3
## 1343 4 2 2 2 1 2 2 4 2 2 2 2 2 4 2 2 4 2 2 4
## 1344 4 4 4 3 3 3 3 2 4 4 4 4 4 4 4 4 4 4 4 4
## 1345 2 4 4 2 2 2 4 2 4 2 4 4 4 4 4 4 3 4 3 4
## 1346 4 2 2 2 2 2 2 4 2 2 4 4 4 4 3 4 4 4 2 2
## 1347 2 3 2 3 2 1 3 2 1 1 3 2 2 2 3 3 4 4 2 1
## 1348 3 3 2 2 2 2 4 4 2 2 4 4 4 4 4 4 2 4 4 2
## 1349 4 3 2 3 1 2 2 2 4 3 4 3 4 4 4 4 4 5 3 4
## 1350 3 2 2 3 1 2 2 2 1 3 2 2 4 1 3 4 5 4 3 2
## 1351 2 2 2 2 2 2 2 2 2 2 2 4 4 4 4 5 4 5 4 4
## 1352 4 3 3 3 4 4 4 3 4 3 4 4 4 4 4 3 4 3 4 4
## 1353 3 2 1 3 1 1 1 1 5 2 4 4 4 4 4 4 4 4 4 4
## 1354 2 4 2 2 3 3 2 1 2 2 3 2 4 3 4 4 3 4 3 4
## 1355 4 4 3 3 4 3 4 2 4 3 3 3 4 4 3 3 4 4 3 3
## 1356 4 4 4 4 2 2 4 2 2 4 4 2 4 4 4 5 4 4 4 4
## 1357 2 3 2 2 3 2 2 2 4 3 4 3 4 3 4 4 4 4 4 4
## 1358 4 2 5 4 4 4 2 2 4 4 4 4 4 4 4 5 4 4 4 5
## 1359 4 4 2 4 4 4 4 4 4 3 3 4 4 4 4 5 4 5 4 5
## 1360 4 2 4 4 4 2 2 2 2 3 3 4 4 4 3 4 4 4 3 3
## 1361 3 3 2 3 3 3 3 2 3 4 4 4 4 4 5 5 4 4 4 4
## 1362 4 4 3 4 4 4 2 3 2 3 3 4 3 4 3 4 4 4 3 4
## 1363 2 2 1 1 1 1 2 2 1 2 4 2 3 4 3 4 2 4 3 2
## 1364 4 3 2 2 3 2 4 4 2 3 4 4 4 5 4 4 5 5 4 4
## 1365 4 4 2 3 4 2 2 2 2 3 5 4 4 4 4 4 5 5 3 2
## 1366 4 4 2 3 3 2 1 4 2 3 5 5 4 5 4 4 4 4 3 3
## 1367 4 3 2 2 2 1 3 1 4 2 1 4 4 2 3 2 3 3 3 3
## 1368 4 3 3 2 2 2 2 2 2 2 2 2 2 4 3 4 3 4 2 3
## 1369 4 3 3 3 3 3 3 3 3 3 3 3 4 4 4 4 4 4 3 3
## 1370 4 3 2 2 2 1 4 4 4 2 4 3 4 2 2 4 4 4 4 4
## 1371 2 2 2 4 2 2 2 2 2 3 2 2 2 4 2 4 3 4 2 3
## 1372 2 2 2 2 2 2 4 2 2 2 2 2 3 2 2 4 3 4 4 4
## 1373 3 2 1 2 2 4 2 2 2 1 4 4 5 4 4 4 2 4 2 2
## 1374 2 4 4 2 2 2 1 2 4 4 4 4 4 4 3 4 5 4 2 2
## 1375 3 2 2 4 3 4 4 3 4 2 2 2 1 3 2 4 2 4 2 2
## 1376 3 3 3 3 3 4 4 3 4 3 4 4 4 4 4 5 4 4 4 4
## 1377 5 4 3 3 3 4 4 4 3 3 4 4 3 4 4 3 2 4 2 4
## 1378 4 4 3 4 4 2 2 2 2 3 4 4 4 4 3 4 3 4 4 3
## 1379 3 2 2 2 2 2 4 3 1 1 3 4 4 4 4 5 5 5 5 4
## 1380 5 3 3 4 4 2 2 2 2 2 4 3 3 4 4 4 4 4 4 3
## 1381 4 3 2 3 4 2 2 4 2 3 3 4 4 3 3 4 4 4 3 4
## 1382 4 3 2 2 3 2 4 4 3 3 4 4 4 4 4 4 2 4 4 3
## 1383 3 4 4 3 4 3 4 4 4 4 3 4 4 4 4 4 4 4 4 4
## 1384 1 2 2 2 1 2 1 2 2 3 3 3 3 2 3 3 3 4 3 3
## 1385 4 4 4 4 4 3 3 3 3 3 3 4 5 3 3 3 5 3 3 2
## 1386 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3
## 1387 4 3 2 4 4 2 4 2 4 3 4 3 3 4 3 4 2 3 2 2
## 1388 4 3 3 2 2 2 4 4 4 3 3 3 3 3 3 3 2 4 2 2
## 1389 3 3 4 3 3 2 2 4 1 2 3 3 3 3 3 3 4 2 3 3
## 1390 2 4 2 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3
## 1391 2 2 2 2 1 1 1 1 1 1 4 3 3 4 3 4 4 4 4 4
## 1392 3 2 2 1 3 2 4 3 4 2 3 3 4 4 4 4 4 5 4 3
## 1393 4 4 2 1 2 3 4 2 3 2 4 2 4 4 3 4 4 5 4 5
## 1394 4 3 3 3 2 2 2 4 4 2 3 3 3 4 4 4 4 4 5 4
## 1395 4 3 4 4 3 4 4 4 3 3 4 4 4 4 4 5 5 4 4 4
## 1396 4 4 3 4 2 1 1 2 1 3 4 2 4 3 4 3 4 4 3 3
## 1397 3 4 2 2 3 4 2 2 2 2 3 3 3 4 4 3 4 4 3 4
## 1398 4 3 3 2 3 4 3 4 4 3 3 4 4 4 4 3 4 5 5 4
## 1399 4 3 3 4 2 2 2 4 4 3 4 3 2 4 2 4 4 4 2 3
## 1400 4 4 2 2 4 2 2 4 4 3 4 2 4 4 4 4 2 4 4 2
## 1401 4 4 1 2 1 2 2 1 1 1 5 4 4 4 4 4 4 5 3 2
## 1402 4 4 2 2 3 4 4 2 4 3 3 3 2 3 3 4 4 4 4 3
## 1403 4 3 2 2 3 2 2 3 3 4 4 4 4 4 4 4 2 4 4 4
## 1404 4 2 2 2 2 3 2 2 2 3 3 3 4 4 4 5 3 5 4 5
## 1405 4 4 4 4 4 4 4 3 5 5 4 4 4 4 4 2 2 4 4 4
## 1406 4 3 2 2 2 2 2 4 2 3 4 4 4 4 4 4 4 4 3 3
## 1407 4 4 4 4 3 4 3 4 4 3 2 2 3 2 3 4 3 4 2 2
## 1408 4 3 4 2 2 2 4 4 2 2 3 4 4 4 3 2 4 4 4 4
## 1409 2 4 2 3 2 2 2 2 2 2 1 3 3 2 3 4 4 2 4 4
## 1410 4 3 2 2 2 2 2 2 2 3 3 4 4 4 4 4 4 4 4 3
## 1411 2 3 1 1 3 1 2 1 1 2 3 3 4 2 4 4 3 4 3 3
## 1412 2 3 1 1 1 2 2 2 4 2 3 3 2 4 3 3 4 4 4 4
## 1413 4 3 3 4 2 2 2 3 2 2 3 2 4 3 4 4 2 4 3 3
## 1414 4 4 4 4 4 3 4 4 3 4 4 4 5 5 5 4 3 4 4 4
## 1415 4 4 4 3 4 4 4 3 4 4 3 4 3 4 3 4 4 4 4 4
## 1416 4 2 4 3 4 3 4 4 2 3 4 4 4 4 4 4 4 4 4 3
## 1417 5 4 4 2 3 4 2 4 4 4 4 4 4 4 4 4 4 5 4 4
## 1418 4 4 4 4 4 4 4 4 4 4 4 4 4 4 3 4 2 4 3 3
## 1419 3 4 3 3 3 3 2 2 1 2 3 4 4 5 5 4 2 4 3 3
## 1420 3 4 3 3 3 3 2 2 1 2 3 4 4 5 5 4 2 4 3 3
## 1421 4 4 4 3 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4
## 1422 4 3 3 3 3 1 2 3 2 3 4 4 4 4 4 3 2 4 3 3
## 1423 3 4 2 5 4 5 4 4 4 3 3 4 4 4 5 5 4 5 3 4
## 1424 5 4 3 3 4 2 2 4 4 3 4 4 4 4 4 4 3 4 4 4
## 1425 4 4 2 4 4 4 4 2 4 4 3 4 4 3 4 4 4 5 4 3
## 1426 3 2 2 2 4 2 2 2 4 3 3 4 4 4 4 4 2 4 4 4
## 1427 3 3 3 3 2 4 2 2 2 2 2 4 4 4 3 4 4 4 4 4
## 1428 4 4 2 4 4 2 2 4 2 2 4 2 4 4 3 4 3 5 2 2
## 1429 4 4 4 4 4 4 4 3 3 2 4 3 4 4 3 4 4 4 4 4
## 1430 2 2 2 4 2 2 4 4 2 2 5 4 5 5 5 5 5 4 4 4
## 1431 2 2 2 4 2 2 4 4 2 2 5 4 5 5 5 5 5 4 4 4
## 1432 4 2 3 2 4 2 4 4 2 2 3 2 4 4 3 4 2 4 4 4
## 1433 5 3 2 2 2 2 2 2 2 2 3 2 3 2 2 3 4 4 2 2
## 1434 4 4 3 4 4 2 2 5 4 3 4 5 5 4 4 5 2 3 3 3
## 1435 4 4 3 3 2 2 2 4 2 2 4 3 4 4 4 4 2 4 3 4
## 1436 4 4 4 4 3 3 3 3 4 4 4 4 4 4 4 5 5 5 5 3
## 1437 3 4 3 4 3 4 3 3 3 2 4 3 3 3 4 4 4 3 2 4
## 1438 2 2 2 2 2 3 3 2 3 3 3 2 2 2 2 2 2 2 2 2
## 1439 4 5 4 4 5 5 5 5 5 5 5 5 5 5 5 5 5 5 4 4
## 1440 3 2 4 4 4 4 3 3 3 3 4 4 4 3 3 3 4 3 4 3
## 1441 5 5 4 4 4 4 4 4 4 4 3 4 4 4 4 3 4 3 4 4
## 1442 4 4 3 4 4 4 4 4 3 3 3 4 4 4 3 4 2 4 4 3
## 1443 4 3 3 4 3 2 4 4 4 4 4 4 3 3 3 3 3 3 3 3
## 1444 4 4 4 4 4 3 3 4 4 3 4 4 4 4 4 4 4 4 4 4
## 1445 4 4 4 3 3 3 4 4 4 3 5 5 5 5 5 4 2 4 4 4
## 1446 2 2 2 2 2 2 3 2 2 2 3 4 2 2 2 3 3 3 3 3
## 1447 2 2 2 2 2 2 2 2 2 2 3 3 2 2 2 2 2 2 2 2
## 1448 2 2 2 2 2 2 2 2 2 2 3 3 2 2 2 2 2 2 2 2
## 1449 4 4 4 4 4 3 3 4 4 3 4 4 4 4 4 4 4 4 4 4
## 1450 4 4 4 3 3 3 4 4 4 3 5 5 5 5 5 4 2 4 4 4
## 1451 2 2 2 2 2 2 3 2 2 2 3 4 2 2 2 3 3 3 3 3
## 1452 5 4 4 4 4 4 3 4 4 3 5 5 5 5 5 5 1 4 5 5
## 1453 2 2 2 2 2 2 2 2 2 2 3 3 2 2 2 2 2 2 2 2
## 1454 4 3 3 3 3 3 3 3 3 2 3 4 3 3 3 2 3 3 3 3
## 1455 4 4 4 4 4 4 4 4 4 4 5 5 5 4 5 3 2 3 3 3
## 1456 4 3 3 4 3 2 4 4 4 4 4 4 3 3 3 3 3 3 3 3
## 1457 3 3 3 3 3 3 4 4 4 3 4 4 4 4 4 4 2 2 2 2
## 1458 3 3 3 3 3 3 4 4 4 3 4 4 4 4 4 4 2 2 2 2
## 1459 2 2 2 2 2 3 2 2 2 2 2 2 2 2 2 2 2 2 2 2
## 1460 3 3 3 3 3 3 3 3 3 3 2 2 3 3 3 4 2 3 3 3
## 1461 4 3 3 3 3 3 3 3 3 2 3 4 3 3 3 2 3 3 3 3
## 1462 4 4 4 4 4 4 4 4 4 4 5 5 5 4 5 3 2 3 3 3
## 1463 3 4 3 4 2 2 2 4 2 2 4 3 4 4 4 4 4 4 4 4
## 1464 4 4 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3
## 1465 4 4 2 4 3 4 4 2 4 2 3 3 4 4 4 5 5 5 3 4
## 1466 4 4 4 3 2 3 2 2 4 3 4 3 4 4 4 4 4 4 4 2
## 1467 4 2 1 4 1 1 1 1 1 1 4 4 2 4 4 4 5 5 4 2
## 1468 5 3 4 3 4 2 2 4 2 2 5 4 4 5 4 5 5 5 4 5
## 1469 4 3 4 4 4 3 4 4 5 3 4 5 5 5 5 4 5 4 5 4
## 1470 4 3 3 3 3 3 3 3 3 3 3 3 4 4 4 4 4 4 3 3
## 1471 2 4 2 4 3 2 1 1 4 4 4 4 4 4 4 4 4 5 5 4
## 1472 5 3 2 2 2 2 2 1 2 1 2 2 2 3 3 4 4 5 2 2
## 1473 4 3 2 2 1 1 1 1 2 3 2 2 3 3 3 4 5 5 3 5
## 1474 4 3 4 2 2 2 4 2 2 2 5 5 5 5 5 5 5 5 5 5
## 1475 3 4 3 4 3 2 2 3 3 3 3 4 4 4 4 4 4 4 4 4
## 1476 1 4 3 2 3 4 4 4 4 3 4 4 4 4 4 4 5 5 3 3
## 1477 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 1
## 1478 4 4 2 2 3 1 2 4 1 2 3 3 3 3 3 2 3 2 2 2
## 1479 2 2 2 2 2 2 4 3 4 2 4 4 4 4 4 4 3 4 2 2
## 1480 4 3 2 2 2 3 2 4 2 3 4 4 4 2 4 4 4 4 4 2
## 1481 4 3 4 2 3 3 2 2 4 2 5 4 3 5 4 4 4 5 4 4
## 1482 4 4 4 2 4 4 2 2 4 3 3 2 4 2 4 4 4 4 4 4
## 1483 3 2 2 2 2 2 4 2 2 3 2 2 2 2 2 3 4 4 2 2
## 1484 4 2 2 2 2 2 2 2 2 2 2 2 4 2 2 4 4 2 2 2
## 1485 4 2 2 2 2 2 2 4 2 2 4 4 4 4 4 4 4 4 3 4
## 1486 4 2 3 4 4 2 4 4 4 4 4 4 4 4 4 4 2 5 4 4
## 1487 4 4 3 2 2 4 4 4 4 3 4 4 4 4 4 5 5 5 4 5
## 1488 4 4 3 3 3 4 4 4 2 3 3 4 4 4 4 4 3 4 2 2
## 1489 4 3 2 3 4 2 2 4 2 1 3 4 4 4 3 3 4 5 3 2
## 1490 3 3 3 3 3 3 3 3 4 3 3 4 3 3 3 3 3 3 4 4
## 1491 4 4 4 4 2 2 2 2 4 4 4 2 4 4 2 4 4 4 4 4
## 1492 2 2 2 4 2 4 2 4 3 3 4 3 3 4 4 4 4 4 4 4
## 1493 4 4 2 2 4 4 3 4 2 2 4 4 4 2 4 4 4 5 4 4
## 1494 4 3 2 4 4 3 2 2 2 3 4 3 3 4 4 4 4 4 3 4
## 1495 2 2 2 2 2 2 2 2 4 2 2 2 2 4 3 4 4 4 2 2
## 1496 4 2 2 2 2 1 2 2 2 2 4 4 4 4 4 4 4 5 4 3
## 1497 4 3 2 4 2 2 4 4 4 3 4 3 4 4 4 4 5 5 4 3
## 1498 5 4 4 5 5 5 5 5 4 3 5 4 4 5 5 4 3 5 5 4
## 1499 4 4 4 2 4 3 4 4 3 2 5 5 5 5 5 4 4 4 4 4
## 1500 3 3 3 3 3 3 3 2 2 2 2 2 2 2 3 4 4 4 3 3
## 1501 4 4 4 4 4 4 4 2 4 5 5 5 5 5 5 4 4 4 4 5
## 1502 4 3 4 4 2 4 2 1 4 1 4 3 4 4 4 2 5 4 2 4
## 1503 2 2 1 2 2 2 1 1 1 2 3 2 4 3 3 4 4 4 3 3
## 1504 4 4 4 4 3 2 2 3 4 4 4 4 3 4 4 4 4 4 4 4
## 1505 4 2 2 4 2 2 2 4 4 2 4 2 4 4 4 4 4 5 4 3
## 1506 3 3 2 2 2 2 2 2 4 2 3 2 2 3 2 4 2 4 4 2
## 1507 4 3 4 3 4 4 4 4 2 3 4 4 4 4 4 4 4 4 4 4
## 1508 2 2 2 4 4 2 4 2 2 2 3 4 4 4 4 4 4 4 4 4
## 1509 4 4 2 4 2 1 2 2 2 2 4 3 2 3 3 4 2 4 4 4
## 1510 2 2 2 2 2 2 4 2 4 2 2 4 4 4 4 4 2 4 4 4
## 1511 3 4 2 2 2 2 2 2 2 2 2 2 2 2 2 4 4 4 3 3
## 1512 4 3 3 4 4 2 4 2 2 2 3 3 3 3 3 4 4 4 4 4
## 1513 2 2 2 3 3 2 2 4 2 2 3 2 3 4 3 4 2 4 3 2
## 1514 3 4 2 2 4 2 2 4 2 2 4 4 4 4 4 2 4 4 4 4
## 1515 4 3 2 3 4 2 2 2 2 3 4 3 3 3 3 4 4 4 3 4
## 1516 3 4 3 2 2 1 1 1 4 2 3 1 5 4 4 5 5 5 3 1
## 1517 3 3 2 3 2 1 3 2 2 2 3 2 3 4 4 3 2 5 4 3
## 1518 4 4 2 3 2 1 2 2 1 2 3 4 4 4 3 5 4 5 3 2
## 1519 4 2 1 1 2 1 3 4 4 2 3 3 3 3 3 4 4 2 3 3
## 1520 4 4 4 2 3 4 2 5 4 4 4 4 4 4 4 4 4 5 3 4
## 1521 3 3 2 2 4 2 4 1 4 4 3 5 5 5 5 5 1 1 5 5
## 1522 4 4 2 2 3 2 2 2 1 2 3 2 4 4 3 4 2 5 2 2
## 1523 4 3 3 3 3 2 4 4 2 3 4 4 4 4 3 3 4 2 3 2
## 1524 4 4 2 4 2 2 2 2 4 4 4 4 4 4 4 4 4 4 4 4
## 1525 4 4 2 4 2 4 2 2 2 4 4 4 4 4 4 4 4 4 4 4
## 1526 4 4 2 4 2 2 2 2 2 2 3 4 4 4 4 4 4 4 2 2
## 1527 2 3 2 2 3 4 2 2 2 2 2 3 2 1 2 2 2 4 2 2
## 1528 4 4 4 3 4 3 3 4 2 4 4 4 4 5 4 4 5 3 3 3
## 1529 4 3 3 3 4 2 2 4 4 3 4 4 4 5 5 4 4 5 4 4
## 1530 2 2 2 2 2 2 2 4 4 2 2 2 4 4 2 4 4 4 2 2
## 1531 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4
## 1532 4 4 4 4 4 3 4 4 2 3 4 4 4 4 4 4 4 4 4 4
## 1533 4 2 2 2 2 4 2 2 4 2 3 3 4 4 4 4 4 4 2 3
## 1534 4 4 3 4 5 4 5 4 5 4 4 3 5 5 5 4 5 4 4 4
## 1535 4 4 3 3 3 4 5 5 5 5 4 4 4 4 4 4 4 4 3 3
## 1536 4 4 4 4 3 4 5 5 5 5 4 5 5 5 4 4 4 4 5 3
## 1537 2 3 3 3 3 3 3 3 3 2 3 3 3 3 3 3 3 3 3 3
## 1538 2 4 1 2 2 1 1 1 2 2 4 2 4 4 4 5 5 5 5 5
## 1539 4 4 3 4 4 2 2 4 2 2 4 4 4 3 3 4 3 4 3 3
## 1540 5 4 4 3 4 4 5 2 1 2 5 5 3 5 4 5 5 5 5 5
## 1541 4 3 2 3 3 2 4 3 2 1 4 3 3 4 4 3 5 4 3 3
## 1542 2 3 2 3 2 2 1 2 1 3 3 1 2 2 2 4 3 4 2 2
## 1543 5 3 4 4 3 2 4 5 2 2 5 4 5 5 5 5 5 5 3 2
## 1544 4 3 4 4 4 5 5 4 4 4 4 5 4 4 5 4 4 5 4 5
## 1545 2 3 2 2 2 4 3 2 4 3 3 3 4 3 3 3 4 4 4 4
## 1546 4 4 3 3 4 2 4 3 4 3 4 4 4 5 4 4 3 5 4 4
## 1547 3 2 4 4 4 1 2 2 2 3 4 4 4 4 4 4 4 2 3 2
## 1548 4 3 3 2 2 1 4 3 4 3 2 4 4 4 4 4 4 4 3 3
## 1549 4 4 2 4 2 2 2 2 4 3 4 5 5 5 5 4 4 4 4 4
## 1550 4 3 3 2 3 2 2 4 4 3 3 2 3 4 4 4 4 4 4 3
## 1551 4 5 5 3 4 4 5 4 5 5 5 5 5 5 5 5 5 5 5 5
## 1552 2 4 3 2 3 2 5 2 4 3 4 2 4 5 5 5 5 4 3 3
## 1553 4 3 2 4 2 2 5 2 2 2 4 2 4 2 4 2 4 2 4 3
## 1554 4 3 4 2 4 2 4 5 4 4 5 5 5 5 5 3 5 4 5 2
## 1555 4 4 4 3 2 2 3 3 3 2 4 5 5 5 5 4 2 5 5 4
## 1556 4 3 4 4 2 4 4 2 4 3 4 4 4 4 4 4 4 4 4 4
## 1557 4 3 3 3 4 4 3 4 4 3 4 4 4 4 4 4 4 4 4 4
## 1558 4 4 3 4 4 2 3 4 4 4 2 2 1 3 4 5 2 5 5 5
## 1559 2 3 4 4 3 2 2 2 4 2 4 4 4 4 4 4 3 5 4 4
## 1560 2 1 2 2 5 3 3 5 4 2 5 5 5 5 5 3 5 4 3 3
## 1561 2 3 2 2 4 3 2 2 4 3 4 3 4 4 3 4 2 5 4 4
## 1562 3 3 2 3 2 2 3 3 4 3 4 4 4 4 4 4 5 4 4 4
## 1563 2 3 2 4 2 4 2 2 2 3 2 3 4 4 4 2 2 3 2 4
## 1564 4 2 3 3 4 4 2 4 4 3 4 4 4 5 4 4 4 4 4 4
## 1565 3 4 3 3 5 4 3 2 2 4 5 5 4 4 3 2 2 2 3 4
## 1566 2 4 2 2 2 2 2 4 1 2 2 2 4 4 4 4 5 5 5 3
## 1567 2 4 3 2 4 1 4 2 4 2 5 5 5 5 5 5 5 5 5 5
## 1568 4 4 4 4 4 3 4 3 3 2 4 4 4 4 4 4 5 4 4 4
## 1569 5 3 2 4 4 4 5 4 4 3 4 4 4 4 4 4 5 5 4 4
## 1570 4 4 3 3 4 2 4 2 4 3 4 4 4 4 3 4 3 4 3 3
## 1571 3 1 5 5 5 4 3 1 1 1 2 2 4 4 5 5 5 5 4 4
## 1572 2 4 2 3 4 4 3 2 2 1 2 2 1 2 3 3 2 4 3 2
## 1573 2 4 1 2 2 1 4 1 4 4 3 3 3 3 3 4 2 5 2 4
## 1574 3 4 2 4 3 4 4 3 2 2 3 4 4 4 4 4 4 4 5 5
## 1575 4 3 2 4 2 2 4 4 4 4 4 4 4 4 4 4 4 4 2 2
## 1576 5 4 2 4 3 4 3 4 4 4 4 4 4 5 4 4 4 4 3 4
## 1577 2 3 2 2 1 2 3 3 1 3 3 3 3 3 3 4 4 4 4 4
## 1578 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4
## 1579 4 5 4 5 5 4 5 4 4 4 4 5 4 4 4 3 4 5 4 5
## 1580 4 5 4 4 4 5 4 5 5 4 4 4 3 4 4 4 4 3 3 4
## 1581 5 4 3 3 4 4 3 4 4 4 3 3 4 4 5 4 5 3 4 5
## 1582 2 3 5 4 5 4 4 1 1 2 4 2 3 3 4 5 5 5 3 4
## 1583 2 3 5 4 5 4 4 1 2 2 3 4 3 3 3 5 4 5 4 4
## 1584 4 4 2 3 2 2 3 3 1 3 3 4 3 3 4 4 3 4 4 4
## 1585 3 3 2 3 3 2 2 3 1 2 3 4 4 4 4 4 4 4 4 4
## 1586 3 2 1 2 2 4 4 3 4 4 4 4 3 4 5 4 4 4 4 4
## 1587 4 5 4 4 4 4 5 4 4 5 4 4 5 4 4 4 4 3 3 4
## 1588 4 3 4 3 4 4 4 2 2 2 4 4 4 5 4 4 5 3 3 3
## 1589 4 3 2 3 3 4 3 2 2 4 4 4 4 4 3 3 4 2 2 2
## 1590 3 3 2 3 2 1 2 2 1 1 1 1 2 2 4 4 4 4 5 1
## 1591 4 2 3 4 3 2 4 4 4 2 3 3 3 3 3 4 4 4 2 2
## 1592 2 3 1 1 2 2 2 2 1 3 4 4 3 2 1 2 2 1 1 2
## 1593 3 4 2 4 4 4 2 2 4 2 4 5 5 5 4 4 2 2 5 2
## 1594 2 3 2 2 1 1 4 2 1 2 2 2 2 1 3 4 1 1 1 1
## 1595 5 2 4 2 2 4 3 2 5 3 2 2 4 4 3 4 5 5 3 4
## 1596 4 3 2 4 2 1 4 4 5 2 4 5 5 5 5 5 4 4 5 4
## 1597 4 4 4 4 4 5 3 4 4 4 5 5 4 4 4 4 4 4 5 4
## 1598 3 3 2 3 4 3 4 2 1 3 4 4 4 3 4 4 2 4 4 3
## 1599 5 4 4 4 2 2 5 2 4 2 5 5 5 5 5 5 4 5 5 4
## 1600 4 4 4 4 3 2 3 2 3 5 4 4 5 5 5 5 5 4 4 4
## 1601 4 3 2 2 2 2 4 3 4 2 3 4 3 3 4 4 3 4 4 2
## 1602 4 4 4 4 4 2 4 1 4 3 4 4 4 4 4 4 2 3 4 3
## 1603 4 3 2 2 3 4 4 2 2 3 4 3 4 4 3 5 5 4 3 4
## 1604 3 2 4 4 4 5 4 2 2 2 3 2 3 3 5 4 4 4 3 4
## 1605 3 3 2 3 3 2 2 2 1 2 4 4 4 4 4 4 4 4 3 4
## 1606 4 3 4 4 3 4 2 2 2 3 3 3 2 2 3 2 4 2 2 2
## 1607 4 5 2 2 4 4 2 2 2 4 3 3 2 4 3 4 3 4 2 2
## 1608 4 5 3 4 4 4 2 4 5 3 3 4 4 3 3 5 5 5 3 2
## 1609 4 4 3 4 4 4 4 3 2 3 4 4 4 4 4 4 2 5 3 3
## 1610 2 4 4 4 4 2 3 2 2 3 3 2 2 3 2 4 3 4 3 2
## 1611 4 4 2 4 4 4 1 2 1 3 4 3 3 5 4 5 3 5 5 4
## 1612 4 3 3 2 3 4 3 2 2 3 3 4 3 4 4 3 4 3 4 3
## 1613 4 3 2 3 4 1 4 2 2 3 4 4 4 3 3 2 3 3 4 2
## 1614 5 4 4 4 4 2 4 3 1 2 3 4 4 4 4 4 3 4 3 3
## 1615 4 3 2 3 4 2 2 4 2 2 4 2 4 3 3 4 4 2 3 4
## 1616 5 3 3 3 2 2 4 4 2 2 3 2 4 5 4 3 5 4 3 2
## 1617 4 4 2 4 2 2 2 2 4 2 2 4 3 4 2 2 2 2 4 4
## 1618 4 4 3 3 3 4 4 4 2 2 4 4 4 4 4 4 4 4 4 4
## 1619 4 4 3 3 3 4 4 4 2 2 4 4 4 4 4 4 4 4 4 4
## 1620 5 3 3 3 3 4 4 4 1 1 5 4 4 4 3 4 4 4 4 4
## 1621 4 3 3 4 3 1 3 2 1 2 4 3 3 4 4 4 3 4 2 2
## 1622 3 3 3 3 3 2 3 3 3 2 4 4 3 3 5 4 4 3 3 3
## 1623 5 3 3 5 3 2 2 5 2 2 5 4 4 4 3 4 4 4 4 3
## 1624 4 3 4 3 3 2 4 4 2 3 4 4 4 4 3 4 4 4 3 4
## 1625 4 4 4 4 4 4 5 4 4 4 3 4 4 4 4 4 2 3 3 3
## 1626 4 3 3 4 2 2 4 3 2 2 3 4 4 4 3 4 4 4 3 2
## 1627 3 3 4 4 3 1 2 4 4 3 4 4 4 4 2 5 1 5 5 5
## 1628 4 2 3 4 4 1 2 4 1 2 3 4 3 2 4 2 2 3 2 2
## 1629 3 2 2 3 3 2 2 2 2 2 3 3 4 4 2 4 2 4 4 2
## 1630 4 4 4 4 4 4 2 2 2 2 3 5 5 5 3 4 3 3 3 3
## 1631 2 5 1 4 4 3 2 2 3 2 4 3 3 4 5 2 2 2 2 2
## 1632 4 4 4 4 4 3 2 2 2 1 4 3 3 4 3 2 2 2 2 2
## 1633 4 3 3 3 2 2 2 2 2 2 3 2 2 3 2 4 4 4 3 2
## 1634 3 3 2 3 3 2 2 2 2 2 3 3 3 3 3 4 4 3 3 3
## 1635 3 3 4 4 3 1 2 4 4 3 4 4 4 4 2 5 1 5 5 5
## 1636 4 3 2 2 3 4 3 2 2 3 4 4 4 4 3 4 2 4 3 3
## 1637 3 3 2 3 3 2 2 2 2 2 3 3 3 3 3 4 4 3 3 3
## 1638 3 2 2 2 1 1 5 1 1 2 3 3 3 2 2 2 2 2 3 3
## 1639 3 3 3 3 3 4 4 3 2 4 2 2 4 4 4 4 4 4 3 3
## 1640 4 5 4 4 5 4 4 2 2 4 4 4 3 4 4 5 5 5 3 5
## 1641 4 2 2 2 4 2 3 2 2 2 3 3 4 4 4 4 4 4 3 3
## 1642 4 4 1 3 3 2 4 1 2 4 4 4 3 4 5 2 5 1 2 4
## 1643 4 3 2 3 4 2 2 2 2 2 2 2 2 3 3 4 4 2 3 3
## 1644 4 4 3 4 4 4 4 4 2 3 4 4 4 4 4 4 4 4 4 2
## 1645 3 2 1 4 1 2 3 2 1 1 3 4 4 4 3 4 2 4 2 2
## 1646 3 2 2 2 2 2 2 2 2 2 2 2 4 4 2 2 2 4 4 4
## 1647 5 4 2 4 4 3 4 2 5 5 5 5 4 5 5 4 4 5 5 5
## 1648 3 3 2 3 4 4 3 4 5 3 4 4 4 5 5 4 5 5 3 3
## 1649 1 2 1 2 1 3 2 4 3 3 2 2 2 2 2 3 3 3 5 4
## 1650 3 3 3 3 3 4 3 4 3 4 1 1 2 5 2 3 3 3 3 3
## 1651 5 3 2 3 3 1 2 2 2 2 3 4 3 2 2 2 2 3 3 2
## 1652 2 2 2 3 3 4 3 2 1 3 5 4 3 2 1 3 4 2 1 5
## 1653 5 1 3 4 1 2 4 5 4 1 3 1 1 4 4 3 5 5 2 2
## 1654 3 3 2 2 2 3 3 2 4 2 3 3 2 2 2 2 4 2 2 2
## 1655 5 3 3 2 3 4 4 1 3 2 3 4 4 4 3 3 4 3 2 2
## 1656 3 2 1 1 3 5 4 3 2 1 3 5 5 3 3 4 5 5 3 4
## 1657 3 3 3 3 3 3 2 3 3 3 3 3 2 3 2 1 3 3 3 3
## 1658 3 3 2 3 2 4 4 3 2 2 3 4 3 2 4 3 4 2 3 2
## 1659 5 5 3 5 2 3 2 4 2 2 3 4 3 4 3 3 2 2 5 2
## 1660 3 3 2 3 2 4 4 3 2 2 3 4 3 2 4 3 4 2 3 2
## 1661 5 4 2 4 4 2 2 2 2 4 3 3 2 2 2 3 3 3 3 2
## 1662 1 1 1 1 1 1 1 1 1 1 1 2 3 4 3 3 3 3 3 3
## 1663 4 3 2 4 3 2 2 4 2 2 3 4 4 4 3 4 4 4 3 3
## 1664 3 2 4 2 4 4 2 4 4 3 4 2 2 4 3 4 4 5 4 4
## 1665 4 4 3 4 4 3 3 4 1 3 4 4 4 4 3 4 3 4 4 3
## 1666 3 2 3 2 3 4 4 5 4 2 1 4 4 2 2 5 5 4 3 2
## 1667 5 4 4 4 5 3 3 3 3 3 5 5 5 5 5 5 4 4 5 5
## 1668 4 4 4 4 4 3 4 4 4 4 4 3 3 3 3 3 4 3 4 4
## 1669 4 4 4 4 4 5 4 4 5 5 5 5 5 5 5 4 4 5 5 5
## 1670 4 4 4 2 4 4 4 2 4 4 4 4 4 4 4 3 3 2 4 3
## 1671 5 5 3 5 2 3 2 4 2 2 3 4 3 4 3 3 2 2 5 2
## 1672 4 4 3 3 2 2 4 3 4 2 3 2 3 2 4 3 2 2 2 2
## 1673 4 4 3 3 2 2 4 3 4 2 3 2 3 2 4 3 2 2 2 2
## 1674 2 2 2 2 3 2 2 2 2 2 3 3 4 4 4 4 3 4 4 3
## 1675 3 4 4 2 5 3 4 3 2 4 4 3 3 5 4 4 2 3 3 3
## 1676 5 5 4 4 5 4 4 2 2 4 4 4 4 4 4 4 4 4 4 4
## 1677 4 4 4 4 4 3 3 3 1 2 3 3 3 3 3 3 3 4 3 2
## 1678 4 2 1 1 2 1 2 5 2 1 4 4 3 4 4 3 2 4 2 3
## 1679 4 2 2 2 2 2 4 4 2 3 5 5 5 5 5 5 4 5 4 4
## 1680 5 5 5 5 5 5 5 1 5 5 5 5 5 5 5 5 5 5 5 5
## 1681 5 5 4 3 4 5 5 3 3 3 4 4 4 4 4 5 2 4 4 4
## 1682 4 3 3 2 4 3 3 2 2 2 4 4 4 4 4 4 2 2 3 3
## 1683 4 3 5 5 3 3 5 4 4 3 5 5 4 3 5 3 3 3 2 2
## 1684 3 5 2 3 2 1 1 1 1 2 4 4 3 4 5 2 3 3 2 1
## 1685 4 4 4 4 2 4 2 2 2 2 3 3 2 3 3 2 3 4 2 2
## 1686 2 2 2 2 2 4 5 4 4 3 4 3 3 3 4 4 2 4 3 4
## 1687 3 3 3 3 3 3 3 3 3 3 4 3 3 4 3 5 3 3 3 3
## 1688 5 3 3 3 4 4 2 3 2 3 4 4 4 4 4 3 4 4 3 3
## 1689 4 4 3 4 4 4 4 4 2 3 4 3 4 4 4 4 3 4 3 3
## 1690 4 4 3 3 2 2 4 3 4 2 3 2 3 2 4 3 2 2 2 2
## 1691 5 2 4 4 3 3 4 4 4 3 5 5 5 4 4 2 4 4 4 2
## 1692 3 4 3 3 3 3 3 4 4 4 4 3 3 3 3 3 3 4 3 2
## 1693 4 3 2 4 4 4 4 2 4 3 4 3 4 5 4 4 4 4 3 2
## 1694 4 3 2 2 2 2 3 4 2 2 2 2 2 3 2 4 4 4 4 3
## 1695 4 3 2 3 2 4 2 2 2 3 4 4 4 4 4 4 4 4 3 3
## 1696 4 3 2 3 3 2 4 4 4 3 2 1 3 2 2 2 3 2 3 1
## 1697 5 4 3 3 4 3 2 2 2 3 4 4 4 4 4 4 4 4 4 3
## 1698 2 2 2 3 3 3 3 3 4 3 3 4 3 3 4 4 3 3 4 3
## 1699 3 3 2 3 3 4 5 3 2 3 4 3 3 3 3 3 3 3 3 3
## 1700 4 3 2 4 4 2 2 2 2 2 4 4 4 4 4 3 2 4 2 2
## 1701 4 2 2 5 3 4 5 2 2 1 4 4 3 4 2 3 5 5 1 3
## 1702 2 2 2 2 2 4 5 4 4 3 4 3 3 3 4 4 2 4 3 4
## 1703 4 4 4 4 4 4 4 4 5 3 3 5 3 3 3 3 3 3 3 2
## 1704 3 3 2 3 2 4 4 3 2 2 3 4 3 2 4 3 4 2 3 2
## 1705 5 5 3 5 2 3 2 4 2 2 3 4 3 4 3 3 2 2 5 2
## 1706 5 5 3 5 2 3 2 4 2 2 3 4 3 4 3 3 2 2 5 2
## 1707 4 4 3 2 1 4 3 4 2 4 3 4 4 4 3 4 4 5 4 4
## 1708 3 3 4 3 3 4 4 2 3 3 4 2 3 3 3 4 4 2 3 3
## 1709 5 4 4 3 5 3 3 3 2 2 3 3 3 4 3 4 4 4 3 3
## 1710 4 3 2 2 3 2 4 3 2 3 3 3 3 4 4 4 3 3 3 2
## 1711 3 2 3 3 4 2 2 4 2 4 4 3 3 4 4 4 4 4 3 3
## 1712 3 3 3 2 2 2 3 4 3 3 4 3 3 4 4 4 4 4 3 3
## 1713 3 2 2 2 2 3 3 4 4 3 5 5 5 4 3 2 2 4 2 3
## 1714 3 4 4 3 4 4 3 4 4 5 5 4 4 4 5 4 3 3 4 5
## 1715 5 5 5 4 4 4 4 2 5 3 4 4 4 4 4 4 5 4 2 3
## 1716 4 4 4 4 4 4 4 2 2 2 3 4 4 4 4 4 4 4 3 5
## 1717 4 4 4 4 4 3 4 4 2 3 4 4 4 4 4 3 4 4 2 2
## 1718 3 3 2 4 4 4 2 1 3 2 3 4 4 4 4 4 2 4 4 2
## 1719 4 3 2 2 2 3 4 3 2 3 4 4 4 5 4 3 3 4 3 2
## 1720 4 5 4 2 3 2 4 2 5 4 4 3 3 3 4 3 2 3 4 3
## 1721 4 4 3 3 3 2 3 2 2 2 4 3 4 5 4 4 3 4 3 3
## 1722 5 4 4 4 5 3 4 2 3 3 4 4 4 5 4 3 2 4 3 3
## 1723 4 2 3 4 4 4 2 3 4 3 4 4 5 5 4 3 4 4 4 4
## 1724 1 1 1 1 5 5 3 1 1 1 1 5 3 1 5 5 1 4 1 3
## 1725 4 4 3 4 2 4 2 4 4 1 2 2 2 5 4 5 2 4 3 2
## 1726 5 5 4 4 5 5 3 5 5 5 4 5 4 3 5 4 4 2 3 3
## 1727 3 2 2 2 2 2 2 2 3 2 2 2 2 3 3 3 2 4 2 2
## 1728 4 3 5 4 3 3 3 3 1 3 3 3 3 3 3 4 5 2 3 3
## 1729 3 4 3 2 3 2 3 3 2 2 3 3 3 4 3 3 3 4 3 3
## 1730 4 4 4 3 4 4 5 4 5 3 4 4 4 3 3 4 4 4 4 3
## 1731 4 5 5 5 4 4 4 4 4 3 4 3 3 3 3 4 5 5 3 5
## 1732 4 4 4 4 4 4 2 4 4 3 3 4 2 4 2 1 3 3 3 3
## 1733 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 4 3 3 4
## 1734 4 4 4 4 4 4 4 4 4 3 4 4 4 4 4 4 4 4 4 4
## 1735 4 4 2 2 4 2 4 4 1 2 3 2 4 4 3 4 3 4 4 3
## 1736 3 3 2 3 2 4 4 3 2 2 3 4 3 2 4 3 4 2 3 2
## 1737 4 3 3 4 3 2 4 4 2 2 4 4 5 3 3 4 5 5 5 3
## 1738 3 4 3 4 4 4 4 4 4 3 4 4 4 4 4 4 4 4 4 4
## 1739 4 4 5 3 3 4 4 4 4 3 4 5 5 5 5 5 5 5 5 5
## 1740 4 4 4 4 4 1 2 4 5 3 3 4 4 4 5 4 3 5 5 4
## 1741 3 4 3 3 3 3 4 4 4 4 3 3 4 3 3 3 3 3 3 2
## 1742 4 4 2 2 2 1 4 3 4 2 3 3 3 3 3 4 4 4 4 4
## 1743 3 3 3 2 3 3 3 4 4 4 3 4 4 4 4 4 4 5 5 3
## 1744 4 3 4 2 4 2 4 4 4 4 4 4 4 4 4 4 2 2 4 5
## 1745 4 3 3 3 2 2 4 3 2 2 4 4 4 4 4 3 4 3 3 2
## 1746 3 1 4 4 2 4 3 2 1 1 3 4 3 2 3 3 4 4 2 3
## 1747 4 3 3 3 2 1 3 3 4 2 3 3 3 4 4 4 3 4 3 3
## 1748 3 3 3 2 3 3 3 4 4 3 3 3 3 3 3 4 3 5 3 3
## 1749 4 1 3 4 4 2 2 3 2 1 3 3 4 3 3 3 3 5 3 4
## 1750 4 4 4 3 3 3 3 3 3 3 3 4 4 4 4 4 4 4 4 4
## 1751 3 4 4 4 4 4 4 4 3 3 4 4 4 4 3 4 4 3 4 3
## 1752 5 4 5 4 4 4 4 4 4 4 4 5 5 5 4 4 3 3 3 5
## 1753 4 5 5 5 5 4 4 4 4 5 4 4 5 4 4 3 5 5 5 5
## 1754 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 3
## 1755 4 4 4 4 4 5 5 5 4 5 4 4 5 4 4 4 4 4 4 4
## 1756 5 4 3 3 4 3 4 2 2 3 3 3 3 3 4 3 3 4 3 3
## 1757 3 3 2 3 2 4 4 3 2 2 3 4 3 2 4 3 4 2 3 2
## 1758 3 3 2 3 2 4 4 3 2 2 3 4 3 2 4 3 4 2 3 2
## 1759 3 3 2 3 2 4 4 3 2 2 3 4 3 2 4 3 4 2 3 2
## 1760 4 4 3 3 2 2 4 3 4 2 3 2 3 2 4 3 2 2 2 2
## 1761 4 3 3 4 2 2 4 4 2 2 4 4 3 4 3 5 3 5 4 4
## 1762 5 5 5 4 5 4 5 5 5 5 4 5 5 4 4 4 4 5 3 2
## 1763 3 3 3 2 2 2 3 2 4 2 2 4 3 4 3 3 2 4 4 4
## 1764 5 5 4 3 3 2 4 4 3 3 5 4 4 5 4 5 5 5 4 3
## 1765 3 3 1 2 4 1 1 3 1 1 3 3 3 3 1 3 2 3 2 2
## 1766 3 3 1 2 4 1 1 3 1 1 3 3 3 3 1 3 2 3 2 2
## 1767 4 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 2
## 1768 4 4 3 4 4 4 4 5 5 4 4 4 5 5 3 5 2 3 5 3
## 1769 3 3 2 2 1 1 2 4 4 3 3 2 3 4 2 3 4 4 2 3
## 1770 4 4 3 2 3 3 4 3 4 2 3 4 4 3 5 4 4 4 2 3
## 1771 4 4 5 5 5 3 3 4 4 4 5 5 4 5 5 4 3 4 3 4
## 1772 4 4 4 2 4 5 4 2 4 5 5 5 5 5 5 5 5 5 4 3
## 1773 2 4 3 2 3 2 4 2 4 3 4 4 3 3 3 4 4 4 4 3
## 1774 4 2 2 4 2 4 2 4 3 2 3 2 3 3 3 4 3 4 3 4
## 1775 4 5 5 5 5 4 5 4 5 4 5 5 5 5 5 4 3 5 5 5
## 1776 4 3 3 2 2 2 3 4 2 2 3 2 2 3 3 4 5 4 3 4
## 1777 5 4 3 4 5 4 5 5 3 5 4 5 4 4 4 4 5 5 2 4
## 1778 3 4 4 4 4 2 4 2 3 4 4 4 5 4 4 5 5 4 4 3
## 1779 4 3 2 4 2 1 4 3 1 1 4 5 4 4 4 3 3 3 3 2
## 1780 5 2 3 3 2 3 4 3 4 3 3 3 3 3 3 3 2 3 2 2
## 1781 5 4 3 2 5 5 5 2 5 4 5 5 5 5 5 4 4 5 5 5
## 1782 5 4 3 3 2 4 3 3 2 3 3 3 2 4 3 3 5 4 2 2
## 1783 4 4 4 3 4 5 5 4 2 3 4 5 3 5 5 5 4 5 3 4
## 1784 3 2 3 2 3 4 3 2 2 2 3 4 4 5 5 4 4 5 3 3
## 1785 5 5 5 5 5 2 5 5 3 3 5 5 5 5 5 4 3 4 4 3
## 1786 4 5 4 4 4 3 3 4 4 4 4 4 4 5 5 4 3 3 4 3
## 1787 3 3 3 3 3 3 3 3 3 3 4 3 3 3 3 3 4 3 3 4
## 1788 4 4 4 4 4 4 4 4 4 4 3 4 4 4 4 4 4 4 4 4
## 1789 4 4 4 4 4 4 4 5 4 4 4 4 4 4 4 4 5 4 4 4
## 1790 3 2 1 2 2 2 3 4 4 2 2 3 4 3 4 4 3 4 1 3
## 1791 4 2 4 3 4 2 4 2 2 3 4 4 3 5 4 4 5 4 4 3
## 1792 2 3 2 3 4 2 2 2 2 3 4 3 3 4 4 3 3 3 3 3
## 1793 3 2 3 3 2 4 2 2 2 3 4 4 4 4 4 5 4 4 3 3
## 1794 4 3 4 4 5 5 4 3 4 5 5 5 5 5 4 5 4 5 4 4
## 1795 4 3 2 2 4 4 4 4 4 3 4 3 4 4 5 5 5 5 2 2
## 1796 3 2 2 3 4 4 3 1 1 2 4 4 3 4 4 4 3 4 4 3
## 1797 4 5 4 4 3 2 3 2 2 3 4 4 4 4 4 4 5 5 3 4
## 1798 4 4 4 4 4 2 4 4 4 2 5 5 5 5 5 5 5 5 4 4
## 1799 4 3 3 4 4 2 4 4 4 3 4 4 3 4 3 3 4 4 3 2
## 1800 3 4 2 2 1 2 2 2 4 3 2 1 2 2 4 5 5 5 4 3
## 1801 4 3 4 4 4 4 4 4 2 2 4 4 4 4 4 4 4 3 3 3
## 1802 4 4 4 4 4 2 4 4 2 3 5 5 4 5 5 4 3 4 4 4
## 1803 4 3 4 4 4 4 4 4 2 2 4 4 4 4 4 4 4 3 3 3
## 1804 4 4 4 4 4 2 4 4 2 3 5 5 4 5 5 4 3 4 4 4
## 1805 5 5 3 5 2 4 2 2 3 4 4 4 4 4 5 5 5 5 5 4
## 1806 5 4 5 4 3 4 4 4 4 3 4 4 4 2 2 4 5 4 4 3
## 1807 4 4 3 3 3 2 4 4 2 2 4 4 4 4 3 3 4 5 4 3
## 1808 4 2 2 2 2 2 2 2 2 2 2 4 4 2 2 4 4 4 2 4
## 1809 4 4 3 4 4 4 2 4 3 3 4 4 4 4 4 3 3 4 3 2
## 1810 4 4 4 4 4 4 3 4 2 3 3 2 2 4 4 4 2 2 2 3
## 1811 2 2 3 2 4 2 3 2 4 4 4 4 4 4 3 4 2 2 3 2
## 1812 3 1 3 4 3 1 2 3 1 3 4 4 3 5 3 4 5 5 4 5
## 1813 5 4 4 5 5 3 5 4 2 3 4 4 4 5 4 3 4 4 4 3
## 1814 4 3 2 3 3 1 3 2 2 2 4 4 3 3 3 3 3 3 3 3
## 1815 3 2 1 2 2 2 3 3 1 2 2 2 2 2 2 3 4 4 3 3
## 1816 3 5 2 2 4 5 2 1 1 3 4 4 4 4 4 4 3 3 3 1
## 1817 3 1 1 1 1 1 1 1 1 1 2 3 2 3 2 3 3 3 2 2
## 1818 4 4 3 4 3 4 3 3 2 3 4 3 3 4 3 5 5 4 3 4
## 1819 5 5 3 4 4 4 5 2 3 3 4 4 4 4 4 4 3 3 3 3
## 1820 3 2 2 1 2 1 1 1 1 2 3 2 3 3 3 2 1 5 4 3
## 1821 5 2 3 3 2 1 2 3 1 2 3 3 4 4 4 4 3 5 3 4
## 1822 5 5 2 4 1 1 1 1 1 1 3 3 2 3 1 4 1 5 1 2
## 1823 5 4 4 4 4 3 3 2 4 3 3 3 4 3 3 3 4 4 3 4
## 1824 5 5 5 5 5 5 5 5 4 3 5 5 5 5 5 5 3 3 3 3
## 1825 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3
## 1826 3 5 3 5 4 3 3 3 3 4 4 5 5 5 3 3 3 4 2 3
## 1827 5 2 3 4 3 4 2 2 2 2 3 4 2 2 2 1 2 2 2 3
## 1828 4 3 2 3 3 2 2 4 2 4 4 3 5 4 4 3 4 5 4 5
## 1829 3 3 2 3 2 4 4 3 2 2 3 4 3 2 4 3 4 2 3 2
## 1830 4 3 4 2 2 4 4 4 2 2 4 4 4 3 4 4 3 3 4 3
## 1831 5 3 2 2 2 2 4 2 1 2 3 2 2 4 3 4 4 5 3 3
## 1832 2 2 2 2 3 1 2 2 3 3 4 3 4 5 4 5 4 5 4 3
## 1833 4 2 4 4 3 2 2 4 1 2 2 2 2 2 2 4 4 4 4 2
## 1834 4 3 2 3 4 2 2 4 3 2 4 3 2 4 2 3 5 4 3 2
## 1835 4 3 2 3 4 2 2 4 2 2 4 3 4 4 4 2 4 4 2 2
## 1836 3 2 1 3 1 1 1 1 5 2 4 4 4 4 4 4 4 4 4 4
## 1837 4 3 1 2 2 1 4 4 1 2 3 4 4 4 4 5 4 5 4 4
## 1838 1 3 2 2 2 2 2 2 4 2 2 2 2 2 1 2 4 4 3 4
## 1839 4 3 4 4 4 3 2 1 2 3 4 4 4 4 4 4 5 5 2 3
## 1840 4 4 3 2 4 2 4 4 2 3 4 4 3 3 3 4 4 4 4 4
## 1841 4 3 2 4 4 2 2 2 2 3 2 4 4 2 2 4 4 4 3 3
## 1842 3 4 2 1 4 4 3 4 3 3 4 4 4 4 4 4 3 3 3 3
## 1843 3 2 2 4 4 2 2 4 4 2 4 4 4 4 4 4 4 4 3 4
## 1844 5 4 4 3 4 1 4 3 2 3 4 4 4 4 3 5 5 5 5 3
## 1845 3 4 4 3 2 2 2 1 4 2 4 3 4 4 3 2 4 4 3 2
## 1846 4 4 3 2 4 2 4 5 4 3 3 4 3 4 4 4 5 5 3 4
## 1847 4 3 3 2 2 5 4 2 1 2 2 3 4 2 2 2 1 4 2 2
## 1848 4 4 3 4 3 2 2 2 2 2 3 3 2 3 3 4 4 4 4 3
## 1849 4 4 5 5 5 5 4 4 4 4 5 5 4 5 5 5 5 4 5 4
## 1850 4 4 3 2 4 2 4 2 1 2 4 3 4 4 4 3 5 3 3 3
## 1851 4 3 2 3 3 4 2 4 2 3 4 4 4 3 3 4 2 4 3 3
## 1852 4 4 4 3 3 3 4 4 3 3 4 4 4 4 4 4 4 4 3 4
## 1853 3 3 3 2 3 2 2 1 1 2 4 4 4 3 3 3 3 3 2 4
## 1854 4 2 3 3 4 3 5 2 2 3 4 4 3 5 3 5 3 4 3 4
## 1855 5 3 2 3 3 2 2 4 1 2 4 5 3 4 3 4 4 5 3 4
## 1856 3 4 2 2 2 1 3 3 3 2 4 4 4 4 4 4 4 4 3 2
## 1857 2 2 2 2 2 3 2 2 2 3 3 3 3 3 3 3 2 2 2 3
## 1858 3 3 3 3 3 3 4 3 3 3 3 4 3 3 3 3 3 3 3 3
## 1859 4 2 2 2 1 3 3 4 4 1 4 5 2 4 4 5 4 5 3 3
## 1860 3 3 3 3 2 3 3 4 3 3 3 2 2 2 2 2 3 2 2 3
## 1861 4 4 3 2 3 2 4 2 4 2 4 5 4 4 4 4 5 4 3 3
## 1862 4 3 2 3 2 2 2 1 3 2 5 5 5 5 5 3 2 2 4 2
## 1863 1 2 2 2 2 1 1 1 1 1 1 3 2 3 3 3 3 3 3 2
## 1864 4 4 2 4 4 2 4 4 4 3 3 4 4 4 4 2 4 4 3 2
## 1865 4 4 4 4 4 4 4 4 5 4 4 4 4 5 4 4 4 5 4 4
## 1866 2 2 2 2 2 2 4 2 5 2 5 5 5 5 5 5 5 5 5 5
## 1867 4 3 3 2 3 2 3 3 4 3 3 5 4 4 4 4 4 4 5 4
## 1868 4 4 3 3 3 2 4 3 2 2 4 3 3 4 3 4 4 5 4 4
## 1869 5 5 5 3 5 5 5 1 5 3 2 3 3 3 3 3 4 1 3 3
## 1870 4 3 2 2 4 3 4 4 4 3 4 4 4 4 4 4 3 3 2 3
## 1871 5 5 4 5 5 5 4 2 4 4 4 4 4 4 4 4 4 5 3 4
## 1872 4 4 4 3 3 4 4 4 4 3 4 4 4 4 4 4 2 2 4 2
## 1873 2 3 4 3 2 2 2 4 4 2 4 4 4 4 4 2 5 1 4 2
## 1874 3 3 2 2 3 2 2 2 4 2 4 4 4 4 4 4 4 4 4 4
## 1875 3 2 1 2 2 1 2 1 2 2 3 3 4 4 4 4 2 5 4 5
## 1876 3 3 3 3 4 3 5 2 4 4 4 5 4 5 4 5 5 5 5 4
## 1877 4 3 2 2 3 2 1 1 2 3 4 4 4 2 2 4 3 5 2 1
## 1878 3 2 2 2 1 4 3 2 1 1 5 5 5 2 2 3 4 4 3 4
## 1879 4 5 4 4 4 4 3 4 3 3 4 4 4 4 4 4 4 3 4 3
## 1880 4 4 2 3 4 4 5 4 4 2 4 4 4 4 4 4 4 4 4 2
## 1881 5 5 4 4 4 4 4 2 4 2 4 4 4 4 5 4 4 4 4 4
## 1882 5 3 2 3 4 3 5 4 2 3 4 4 4 4 4 4 4 3 3 3
## 1883 4 4 4 4 5 5 5 5 5 5 4 5 5 5 4 4 4 5 5 5
## 1884 4 4 3 3 4 1 2 2 1 3 4 4 3 4 4 4 2 5 4 4
## 1885 3 3 3 3 3 4 4 3 4 4 5 5 5 5 4 4 4 4 4 4
## 1886 2 2 1 2 2 2 1 1 1 2 2 3 3 3 4 4 5 4 3 4
## 1887 5 5 5 5 5 4 5 1 1 5 5 5 5 5 5 3 1 3 3 3
## 1888 4 4 2 2 4 4 3 4 2 2 4 4 4 4 4 4 4 3 4 4
## 1889 5 5 5 5 5 5 5 5 4 4 5 5 5 5 5 5 5 5 5 5
## 1890 4 3 3 2 2 1 2 4 4 1 3 3 5 3 3 3 3 3 3 3
## 1891 3 2 2 2 2 2 3 3 4 3 4 3 3 5 3 3 3 5 4 2
## 1892 3 5 3 3 4 2 2 2 4 2 3 4 4 3 4 3 4 4 3 4
## 1893 3 4 3 2 3 4 2 2 2 2 4 4 3 2 2 3 4 3 2 3
## 1894 5 4 4 4 4 4 4 3 2 3 4 4 4 4 5 4 3 3 3 3
## 1895 2 4 1 2 2 1 1 4 2 1 1 3 3 2 3 1 4 2 2 2
## 1896 4 4 4 3 4 2 4 3 4 3 4 5 5 5 5 5 3 5 3 5
## 1897 2 4 1 2 2 1 1 4 2 1 1 3 3 2 3 1 4 2 2 2
## 1898 5 5 4 5 5 5 3 1 4 3 1 4 4 3 5 3 3 3 3 4
## 1899 1 3 1 1 1 3 1 1 2 2 1 3 1 1 1 3 3 2 2 2
## 1900 4 3 4 4 4 4 5 5 2 4 4 4 4 4 3 4 4 4 3 3
## 1901 4 4 3 4 4 4 5 5 4 4 4 4 4 4 4 5 4 5 4 4
## 1902 4 4 2 4 4 2 4 2 4 2 4 4 4 4 3 3 2 4 2 4
## 1903 4 4 4 4 3 2 4 3 4 4 5 2 4 5 5 5 5 5 5 5
## 1904 5 5 5 4 4 4 4 4 5 4 4 4 4 4 4 3 2 4 3 3
## 1905 5 5 4 5 4 4 3 3 2 2 5 5 4 4 4 3 4 3 2 2
## 1906 4 4 4 4 4 4 4 4 4 4 4 4 4 5 4 4 4 5 4 4
## 1907 4 2 3 4 3 4 2 2 2 2 3 2 2 3 3 2 4 4 2 3
## 1908 4 2 1 2 2 4 5 2 2 2 3 3 2 4 3 4 4 4 2 2
## 1909 4 4 3 4 4 4 3 3 2 3 4 3 4 3 4 4 3 3 3 4
## 1910 3 4 2 2 2 4 2 1 4 3 2 2 2 3 3 4 3 4 2 4
## 1911 4 4 3 4 4 4 3 4 3 4 4 3 3 4 2 4 3 3 3 4
## 1912 4 4 3 3 3 2 4 4 4 3 3 4 4 4 2 4 2 4 4 3
## 1913 4 4 3 3 4 4 4 3 4 3 4 4 4 4 4 4 3 3 3 3
## 1914 4 3 2 4 3 4 4 4 2 2 3 3 2 3 3 4 2 4 4 3
## 1915 2 3 2 3 2 2 4 3 2 2 3 4 4 4 4 4 3 4 3 2
## 1916 4 3 2 1 2 1 1 2 1 4 2 3 3 4 4 5 4 4 1 4
## 1917 4 4 4 4 4 4 4 2 4 3 4 4 4 4 4 3 4 4 4 2
## 1918 4 4 2 3 4 2 3 2 2 2 3 2 2 3 3 3 4 4 3 3
## 1919 3 3 4 3 3 3 3 4 3 4 4 3 4 4 3 4 4 2 2 2
## 1920 4 4 3 4 4 2 2 3 4 2 2 4 3 4 4 3 4 4 3 4
## 1921 2 2 2 1 2 2 2 2 2 2 1 3 2 1 3 2 2 2 2 2
## 1922 3 2 2 2 3 1 1 1 1 1 3 3 3 4 4 4 4 5 2 2
## 1923 5 4 4 4 4 2 2 2 2 3 3 4 3 4 3 3 3 4 4 4
## 1924 4 4 4 2 2 4 2 4 4 3 3 2 3 4 3 4 4 4 3 4
## 1925 3 3 1 1 2 1 1 1 1 1 4 4 3 2 2 3 4 4 3 2
## Gender EDU BF BM Happiness Peace
## 1 0 1 3.4 3.2 4.0 4.0
## 2 0 1 4.0 3.4 4.0 2.8
## 3 0 2 3.6 3.6 3.8 3.8
## 4 0 1 4.2 4.0 4.0 4.0
## 5 0 2 4.0 3.6 4.0 4.0
## 6 0 1 4.0 4.0 4.0 4.0
## 7 0 1 3.6 4.6 4.8 3.8
## 8 0 1 3.6 4.6 4.4 2.4
## 9 1 4 3.6 2.2 3.8 4.0
## 10 0 3 3.2 3.2 4.0 3.2
## 11 0 2 4.0 3.2 4.0 4.0
## 12 0 1 3.2 3.6 3.4 3.9
## 13 0 1 4.0 3.8 2.8 3.2
## 14 1 3 3.2 3.6 3.8 3.2
## 15 1 3 4.0 3.4 4.0 4.1
## 16 1 2 4.0 4.8 4.0 4.6
## 17 0 1 3.6 3.2 5.0 4.2
## 18 1 1 3.2 2.8 3.9 4.0
## 19 0 1 2.2 2.6 3.8 3.0
## 20 0 4 3.0 3.8 3.5 3.8
## 21 1 3 3.2 3.4 3.4 3.2
## 22 1 2 1.8 2.8 3.2 3.6
## 23 0 1 5.0 5.0 4.8 4.2
## 24 1 2 3.8 3.4 3.2 3.2
## 25 0 2 4.0 4.8 5.0 3.6
## 26 0 3 4.2 3.4 2.4 3.2
## 27 0 1 3.6 4.0 3.0 3.8
## 28 0 1 2.6 3.4 4.0 3.2
## 29 1 2 4.4 3.8 4.2 4.0
## 30 1 1 3.2 3.2 2.4 3.0
## 31 0 1 3.8 4.0 3.6 4.2
## 32 0 1 3.8 3.4 3.4 4.6
## 33 0 1 4.0 3.6 4.0 4.2
## 34 1 1 4.0 3.6 3.4 3.2
## 35 1 1 4.0 3.0 2.6 3.2
## 36 0 1 3.8 4.2 2.8 4.4
## 37 0 1 3.8 4.2 3.6 4.2
## 38 0 1 3.8 4.0 3.6 4.0
## 39 1 3 4.0 3.6 2.4 3.6
## 40 1 3 4.0 4.0 3.8 3.0
## 41 0 1 3.8 3.2 4.2 4.0
## 42 1 2 4.0 4.0 2.8 3.2
## 43 1 2 4.0 4.2 4.6 3.2
## 44 0 1 2.0 2.0 2.0 2.0
## 45 0 1 4.0 4.0 4.0 4.0
## 46 0 2 3.8 3.4 4.0 3.8
## 47 1 3 3.6 3.6 2.0 3.8
## 48 0 1 1.4 1.0 1.6 2.0
## 49 0 1 3.2 3.0 3.6 3.0
## 50 0 1 3.0 2.8 3.2 3.0
## 51 0 1 3.4 3.6 4.0 4.0
## 52 0 1 3.4 3.2 3.6 3.6
## 53 0 2 3.6 3.6 3.1 3.2
## 54 0 1 3.0 2.8 4.6 4.0
## 55 1 2 2.2 4.0 4.0 4.0
## 56 0 1 3.0 3.0 4.0 3.8
## 57 0 1 3.6 3.6 4.2 3.6
## 58 0 1 3.6 3.6 4.2 3.4
## 59 0 1 3.6 3.6 4.0 3.6
## 60 0 1 3.6 3.6 4.0 4.0
## 61 0 1 4.0 3.4 4.0 3.6
## 62 0 1 4.0 3.4 4.0 4.0
## 63 0 1 4.0 3.6 3.6 4.0
## 64 0 1 3.2 3.0 4.0 3.8
## 65 0 1 3.4 3.2 3.6 3.8
## 66 0 2 3.8 3.2 3.4 3.6
## 67 1 4 3.4 3.6 4.0 4.0
## 68 1 4 4.4 4.0 4.6 4.0
## 69 1 3 4.0 3.4 3.2 2.4
## 70 0 1 2.4 2.6 3.6 4.0
## 71 1 3 4.0 3.8 3.8 4.0
## 72 1 3 4.0 4.0 4.0 4.0
## 73 1 3 3.8 3.4 3.0 3.6
## 74 0 1 3.6 2.8 2.8 3.7
## 75 0 3 3.4 3.2 4.0 3.8
## 76 1 1 3.2 3.4 3.6 3.6
## 77 0 2 3.2 2.4 4.0 3.6
## 78 1 3 2.8 3.2 2.6 3.4
## 79 0 2 1.6 2.0 1.8 2.3
## 80 0 1 3.4 4.0 4.0 4.0
## 81 0 1 1.8 2.4 3.2 3.6
## 82 0 1 2.4 2.0 3.2 3.2
## 83 0 2 3.2 3.6 4.0 3.8
## 84 0 2 5.0 4.0 5.0 5.0
## 85 0 1 2.2 4.0 4.0 3.4
## 86 0 2 4.0 3.2 3.2 3.2
## 87 1 3 4.0 4.0 4.0 4.0
## 88 1 3 2.0 3.4 3.6 3.8
## 89 0 2 4.0 3.4 3.4 4.0
## 90 1 3 3.8 2.8 3.6 3.2
## 91 1 1 2.4 3.7 2.9 2.6
## 92 0 1 3.4 2.4 3.2 3.2
## 93 1 3 4.0 4.0 4.0 4.0
## 94 0 1 4.2 4.2 4.2 4.2
## 95 0 1 3.6 4.0 4.0 4.4
## 96 0 1 2.0 2.0 3.6 4.2
## 97 1 1 4.0 4.0 3.8 4.0
## 98 1 1 4.4 3.2 2.8 4.4
## 99 1 1 4.0 3.2 4.0 4.6
## 100 0 1 3.6 3.8 5.0 3.8
## 101 1 2 4.0 4.0 3.6 3.8
## 102 0 1 2.6 3.6 3.0 3.8
## 103 0 1 3.8 4.0 4.0 3.6
## 104 1 1 3.0 2.8 3.4 4.0
## 105 1 3 4.0 3.8 3.9 3.8
## 106 1 3 3.8 3.8 4.2 4.2
## 107 0 1 1.8 2.2 2.0 4.0
## 108 0 1 2.6 3.6 4.0 4.0
## 109 1 1 3.2 2.8 2.0 4.2
## 110 0 1 3.2 3.2 3.2 3.8
## 111 1 1 3.4 4.0 4.0 4.0
## 112 0 1 2.4 3.8 3.0 4.4
## 113 0 1 2.6 2.0 2.0 3.6
## 114 0 1 3.8 3.0 4.0 3.4
## 115 0 1 2.9 3.0 3.5 3.6
## 116 1 1 3.8 3.8 4.2 5.0
## 117 0 1 3.6 4.2 3.0 4.2
## 118 0 1 1.6 1.0 4.0 4.0
## 119 1 2 4.0 3.4 4.6 4.0
## 120 1 3 4.0 3.4 4.0 4.0
## 121 0 1 2.2 1.8 2.4 4.0
## 122 1 2 5.0 4.4 5.0 5.0
## 123 0 1 3.2 2.8 3.2 3.4
## 124 1 1 4.0 3.8 3.6 5.0
## 125 1 4 3.6 3.0 3.8 3.8
## 126 1 1 2.4 3.2 3.6 4.0
## 127 0 1 4.0 3.8 3.8 4.4
## 128 0 1 2.8 3.8 4.0 4.0
## 129 0 1 2.6 2.4 3.6 4.4
## 130 0 1 2.0 2.6 3.6 4.0
## 131 0 1 4.0 2.2 4.2 5.0
## 132 1 2 2.8 3.8 3.6 4.6
## 133 0 1 3.4 3.4 5.0 5.0
## 134 0 1 4.4 4.2 4.2 4.2
## 135 0 3 3.6 2.8 3.8 3.6
## 136 0 1 3.6 3.6 3.4 3.6
## 137 0 1 4.4 4.6 3.8 3.0
## 138 0 1 3.6 3.0 3.1 3.2
## 139 0 2 3.0 4.0 4.2 2.4
## 140 0 1 1.6 2.2 2.0 2.6
## 141 0 1 3.6 3.2 3.8 3.5
## 142 0 1 3.2 3.4 3.8 4.0
## 143 1 1 2.4 3.0 3.4 3.8
## 144 1 3 2.2 3.2 2.8 3.0
## 145 0 1 2.6 3.0 3.8 3.8
## 146 0 4 4.8 4.6 4.6 4.0
## 147 0 1 3.2 3.4 3.8 4.0
## 148 0 2 1.8 2.8 3.2 3.8
## 149 0 1 2.4 3.2 3.2 3.6
## 150 1 3 4.0 5.0 5.0 4.6
## 151 1 2 4.0 4.0 4.0 3.2
## 152 0 4 2.0 2.6 2.0 2.4
## 153 0 1 3.6 3.6 4.0 3.6
## 154 0 2 2.6 2.4 4.0 3.0
## 155 1 2 3.4 3.6 4.0 4.0
## 156 0 2 3.6 3.8 3.8 4.0
## 157 1 4 3.6 3.6 2.8 4.0
## 158 0 1 3.6 4.0 4.8 4.0
## 159 0 1 4.0 4.0 4.8 4.0
## 160 0 1 4.0 3.4 4.8 4.0
## 161 0 2 4.2 4.0 2.6 3.2
## 162 0 3 3.0 3.4 4.0 3.2
## 163 0 1 2.6 2.8 3.6 4.0
## 164 0 1 2.6 2.2 2.4 3.8
## 165 0 1 4.0 3.8 4.2 4.4
## 166 1 1 2.0 1.2 2.2 3.0
## 167 1 1 3.8 3.2 3.8 3.4
## 168 0 1 2.8 3.4 3.4 4.0
## 169 1 1 3.6 3.0 3.8 3.6
## 170 0 1 4.0 3.4 3.4 3.0
## 171 0 1 4.0 3.6 4.0 4.0
## 172 0 1 3.6 3.8 4.0 4.4
## 173 1 1 4.0 3.0 4.0 4.0
## 174 0 1 4.4 5.0 4.6 3.8
## 175 0 1 4.2 4.0 4.0 4.0
## 176 0 1 3.4 3.8 3.1 3.4
## 177 1 1 2.8 2.4 3.8 3.9
## 178 0 2 3.6 3.0 3.0 3.0
## 179 0 2 4.0 4.4 3.8 4.0
## 180 0 2 2.8 3.6 4.0 3.8
## 181 0 1 3.2 3.0 3.5 3.6
## 182 0 1 3.6 3.6 4.0 4.0
## 183 0 2 3.6 4.0 3.6 4.0
## 184 0 1 4.0 3.6 3.4 3.5
## 185 0 1 3.2 2.0 3.6 3.6
## 186 0 2 4.0 2.6 3.2 2.4
## 187 0 1 3.4 2.6 4.2 5.0
## 188 0 1 3.0 3.6 3.2 3.6
## 189 0 1 3.4 2.4 3.2 3.6
## 190 0 2 4.0 3.6 3.2 3.2
## 191 1 1 4.2 3.2 3.8 4.4
## 192 0 1 3.2 3.2 3.0 3.0
## 193 1 2 3.2 3.4 3.6 3.4
## 194 1 1 4.0 3.2 3.0 4.0
## 195 1 2 4.0 3.2 3.0 4.0
## 196 0 2 5.0 5.0 5.0 3.7
## 197 1 1 3.8 3.8 3.4 3.6
## 198 0 1 2.2 3.6 4.8 3.4
## 199 1 1 3.8 4.0 4.0 3.6
## 200 0 1 3.4 3.8 4.0 3.8
## 201 1 1 3.6 3.6 4.0 4.0
## 202 1 1 3.2 2.4 2.6 2.6
## 203 0 1 2.4 1.6 4.2 4.8
## 204 0 1 3.4 3.6 3.4 3.6
## 205 0 1 3.6 4.6 3.8 3.0
## 206 0 1 4.0 3.0 3.1 3.2
## 207 0 2 2.8 4.0 4.2 2.4
## 208 0 1 1.6 2.2 2.0 2.6
## 209 0 1 3.2 3.2 3.8 3.5
## 210 0 1 3.6 3.4 3.8 4.0
## 211 1 1 2.8 3.0 3.4 3.8
## 212 1 3 2.4 3.2 2.8 3.0
## 213 0 1 3.0 3.0 3.8 3.8
## 214 0 4 4.6 4.6 4.6 4.0
## 215 0 1 3.6 3.4 3.8 4.0
## 216 0 2 2.0 2.8 3.2 3.8
## 217 0 1 2.8 3.2 3.2 3.6
## 218 1 3 3.6 5.0 5.0 4.6
## 219 1 2 3.8 4.0 4.0 3.2
## 220 0 4 2.0 2.6 2.0 2.4
## 221 0 1 3.2 3.6 4.0 3.6
## 222 0 2 2.8 2.4 4.0 3.0
## 223 1 2 3.8 3.6 4.0 4.0
## 224 0 2 3.8 3.8 3.8 4.0
## 225 1 4 3.6 3.6 2.8 4.0
## 226 0 1 3.4 4.0 4.8 4.0
## 227 0 1 3.8 4.0 4.8 4.0
## 228 0 1 3.8 3.4 4.8 4.0
## 229 0 2 4.0 4.0 2.6 3.2
## 230 0 3 2.6 3.4 4.0 3.2
## 231 0 2 3.2 3.8 4.0 3.4
## 232 1 2 2.4 3.2 3.4 3.6
## 233 0 2 2.2 2.8 3.4 3.6
## 234 1 3 2.4 2.0 2.0 2.0
## 235 1 3 3.0 3.0 3.0 3.0
## 236 0 4 3.6 4.8 3.8 4.0
## 237 1 3 2.0 3.2 3.4 3.6
## 238 0 2 2.8 4.0 4.0 3.8
## 239 0 2 3.2 3.8 4.0 3.4
## 240 1 3 3.8 4.0 4.0 4.0
## 241 1 4 4.2 3.6 4.0 4.2
## 242 1 3 3.4 3.2 2.6 4.0
## 243 1 2 3.8 3.8 3.4 3.4
## 244 0 3 1.8 3.0 3.6 4.2
## 245 0 3 2.6 2.6 3.2 3.6
## 246 0 3 3.4 3.0 3.2 3.8
## 247 0 3 2.6 3.0 2.6 4.0
## 248 0 3 3.6 3.2 4.2 3.8
## 249 0 3 2.6 3.6 2.8 3.2
## 250 0 2 3.2 2.6 3.2 3.4
## 251 0 1 3.4 2.2 4.0 3.6
## 252 0 2 4.0 3.2 4.0 4.0
## 253 0 3 1.6 1.8 2.2 2.0
## 254 1 1 3.8 3.6 4.0 3.5
## 255 0 3 3.6 4.2 4.0 3.6
## 256 1 2 3.8 3.8 3.6 4.0
## 257 0 1 4.0 4.0 4.0 4.0
## 258 0 3 3.0 2.8 3.6 3.8
## 259 0 2 2.2 3.4 3.6 3.4
## 260 0 2 3.2 3.0 3.5 3.6
## 261 1 2 3.2 3.2 3.4 4.0
## 262 0 3 2.2 1.6 2.2 3.0
## 263 0 2 3.6 2.8 3.8 4.0
## 264 1 3 2.0 3.0 3.0 3.4
## 265 0 1 3.6 4.0 3.8 4.0
## 266 0 1 4.0 3.6 5.0 3.6
## 267 0 1 2.8 2.6 3.4 3.6
## 268 0 3 4.0 3.4 4.0 3.0
## 269 0 2 2.2 2.6 4.4 4.2
## 270 1 4 4.0 4.2 4.2 4.4
## 271 0 3 3.2 3.8 5.0 3.8
## 272 1 2 3.6 2.4 2.4 2.8
## 273 0 1 3.2 3.6 3.6 2.9
## 274 1 3 4.0 3.6 4.0 4.0
## 275 0 1 2.6 2.4 3.1 3.4
## 276 0 2 2.6 2.2 3.8 4.8
## 277 1 4 1.6 1.8 2.2 2.2
## 278 1 4 1.6 1.8 2.2 2.2
## 279 0 2 3.2 2.0 3.2 3.6
## 280 1 2 2.8 3.0 3.6 3.2
## 281 0 2 3.6 3.0 3.0 4.0
## 282 0 1 4.0 3.4 3.6 3.8
## 283 1 1 4.0 4.2 4.0 4.0
## 284 0 1 2.8 3.2 3.4 3.2
## 285 0 3 2.2 2.8 2.8 3.6
## 286 0 3 3.2 2.8 3.6 3.8
## 287 0 2 3.6 3.4 3.8 4.0
## 288 0 2 3.6 3.8 3.0 3.8
## 289 0 1 3.6 3.6 4.0 3.2
## 290 0 3 3.8 4.0 4.0 3.8
## 291 1 3 2.4 2.2 2.8 2.6
## 292 0 1 2.0 3.0 3.4 4.2
## 293 1 2 4.2 3.4 4.0 4.0
## 294 0 2 3.0 3.4 4.0 3.6
## 295 0 2 3.6 3.6 4.0 3.6
## 296 0 1 4.2 4.0 4.0 3.6
## 297 0 3 2.8 1.8 3.2 4.0
## 298 0 1 3.2 2.2 4.0 4.0
## 299 0 1 3.2 3.8 3.4 3.8
## 300 0 1 3.0 3.0 2.8 4.0
## 301 1 2 2.8 3.6 4.0 4.0
## 302 1 3 4.0 3.8 3.6 4.0
## 303 0 2 3.8 2.8 3.2 4.0
## 304 0 3 3.6 3.0 4.2 3.6
## 305 0 1 2.2 3.6 3.0 3.4
## 306 0 1 4.0 3.0 4.0 4.0
## 307 0 1 3.2 3.6 4.0 4.0
## 308 1 3 3.6 3.6 3.8 3.6
## 309 0 1 2.0 2.8 1.8 4.0
## 310 0 1 1.8 2.8 3.6 3.2
## 311 1 1 4.0 3.6 4.0 3.8
## 312 1 3 2.2 2.2 3.0 3.6
## 313 0 1 4.0 3.6 3.8 4.0
## 314 0 2 3.0 3.4 3.2 4.0
## 315 1 3 3.8 3.0 4.0 4.4
## 316 1 1 2.4 3.2 4.0 4.0
## 317 1 2 3.4 3.8 5.0 4.2
## 318 1 2 1.4 2.2 3.6 2.8
## 319 0 1 3.0 3.0 4.8 3.4
## 320 0 1 2.0 1.6 3.8 3.6
## 321 1 1 3.6 3.2 2.8 3.8
## 322 0 1 2.8 3.0 3.2 3.4
## 323 1 2 3.0 3.4 3.6 3.6
## 324 1 1 3.4 3.0 3.4 3.6
## 325 0 1 3.0 3.0 4.8 3.4
## 326 1 2 4.0 3.6 3.8 3.6
## 327 1 1 3.6 3.2 3.6 4.0
## 328 1 4 3.6 3.2 4.0 4.0
## 329 0 3 3.0 2.0 3.0 3.0
## 330 1 4 4.4 3.2 4.0 3.6
## 331 0 1 3.2 2.2 4.6 4.0
## 332 1 1 2.8 4.0 3.0 4.2
## 333 1 2 3.2 3.4 2.4 3.8
## 334 0 1 2.4 1.6 2.8 4.4
## 335 0 1 3.4 3.6 3.2 3.4
## 336 0 1 4.0 4.2 4.0 4.0
## 337 0 1 2.0 2.4 2.2 2.0
## 338 0 1 4.0 3.0 3.8 4.1
## 339 1 2 3.8 3.8 4.0 4.6
## 340 1 3 4.0 3.4 3.6 3.6
## 341 1 1 4.0 2.6 4.0 4.0
## 342 1 2 3.0 4.0 4.0 3.4
## 343 0 2 3.6 4.0 3.9 3.4
## 344 1 3 3.4 3.4 4.0 3.6
## 345 0 3 4.2 3.6 2.8 3.6
## 346 0 2 3.4 2.8 3.4 3.8
## 347 1 3 4.0 4.4 3.8 3.6
## 348 1 3 2.6 2.4 3.2 3.2
## 349 1 3 3.6 2.2 3.4 3.6
## 350 1 2 2.8 2.0 2.4 3.2
## 351 1 2 3.6 2.2 4.0 3.2
## 352 1 2 4.0 3.6 4.0 3.4
## 353 1 3 4.0 3.2 4.0 4.0
## 354 1 4 3.4 2.6 4.2 3.2
## 355 0 3 3.2 3.0 4.0 3.6
## 356 0 2 2.4 2.6 2.6 3.6
## 357 1 3 3.0 2.2 2.4 2.2
## 358 0 2 4.0 3.6 4.0 4.2
## 359 1 2 2.0 3.0 2.0 2.8
## 360 0 1 2.4 2.8 4.0 2.8
## 361 1 2 3.2 3.4 3.6 3.4
## 362 0 3 3.4 3.2 3.8 3.4
## 363 1 2 4.0 4.0 3.8 3.4
## 364 0 4 3.4 1.8 3.4 3.6
## 365 0 1 2.0 2.0 3.0 3.4
## 366 1 3 2.6 2.2 2.6 2.6
## 367 0 3 2.4 2.4 4.0 5.0
## 368 0 4 2.4 2.2 3.2 4.0
## 369 0 2 2.6 2.6 3.8 3.8
## 370 1 3 4.0 4.0 4.0 3.6
## 371 0 3 3.2 3.0 4.0 3.6
## 372 1 2 4.0 3.8 4.0 3.6
## 373 0 2 2.4 3.0 3.4 3.2
## 374 0 2 3.2 3.6 4.0 3.6
## 375 1 4 3.2 2.0 4.0 3.4
## 376 0 1 2.4 2.6 3.4 3.6
## 377 0 2 3.2 3.4 3.0 2.8
## 378 0 3 3.8 3.2 3.8 4.2
## 379 0 3 2.4 2.4 3.4 4.2
## 380 0 3 2.4 1.6 4.2 4.8
## 381 1 1 2.4 2.4 3.0 3.2
## 382 0 1 2.0 3.0 2.0 3.0
## 383 0 1 4.0 4.0 3.2 3.2
## 384 0 2 3.6 3.2 4.0 3.6
## 385 0 1 4.0 3.2 3.6 4.0
## 386 1 4 4.0 3.6 3.2 4.0
## 387 0 2 2.6 2.4 3.4 4.6
## 388 0 2 2.8 3.2 3.8 3.8
## 389 0 1 3.8 2.8 4.4 4.0
## 390 1 2 4.0 3.2 4.0 4.0
## 391 1 2 2.6 2.2 4.0 4.0
## 392 1 1 2.8 2.0 4.0 4.0
## 393 0 1 3.2 3.0 3.8 4.2
## 394 1 3 2.0 3.8 3.4 3.6
## 395 1 2 3.8 3.2 3.6 4.0
## 396 1 3 1.4 1.0 2.0 1.2
## 397 0 3 3.4 3.8 4.2 3.6
## 398 1 2 2.6 3.8 4.2 3.2
## 399 1 2 3.6 4.2 4.0 4.0
## 400 0 1 2.6 3.4 4.4 4.0
## 401 0 2 3.6 2.4 3.2 3.0
## 402 1 3 2.6 3.2 3.0 4.0
## 403 1 3 3.2 2.8 4.0 4.0
## 404 0 3 3.2 3.2 3.4 4.0
## 405 1 2 2.0 2.0 2.0 2.0
## 406 0 3 1.8 2.8 2.8 3.6
## 407 0 2 3.0 3.6 4.0 4.4
## 408 1 1 3.6 3.8 4.0 3.6
## 409 1 3 3.4 2.8 4.4 3.8
## 410 1 3 2.4 2.6 4.2 4.0
## 411 0 1 2.8 3.0 2.6 3.6
## 412 0 1 2.6 2.4 3.8 3.0
## 413 0 3 3.8 2.8 3.6 3.0
## 414 0 3 3.2 3.8 4.4 3.2
## 415 0 2 3.8 4.2 4.0 3.6
## 416 0 3 3.0 3.4 4.0 3.2
## 417 0 2 3.6 3.6 4.0 4.0
## 418 0 3 3.6 3.8 4.6 4.6
## 419 0 3 3.0 2.6 3.2 3.6
## 420 1 2 4.0 4.2 4.0 4.2
## 421 0 3 2.6 3.2 3.4 3.6
## 422 0 3 3.4 3.6 3.4 3.6
## 423 1 3 5.0 4.2 4.8 3.8
## 424 0 3 3.2 3.0 3.8 3.6
## 425 0 2 4.0 4.0 2.8 3.8
## 426 0 2 2.6 4.0 3.6 3.4
## 427 0 1 3.2 3.6 3.2 4.2
## 428 0 3 3.0 3.4 2.4 3.4
## 429 0 3 1.8 1.8 2.6 3.6
## 430 0 2 3.2 4.4 3.6 3.3
## 431 1 3 3.8 3.4 3.4 4.6
## 432 1 2 3.6 3.4 3.6 3.6
## 433 0 2 4.2 4.8 4.0 4.2
## 434 0 3 3.2 3.4 4.6 3.6
## 435 1 3 2.4 3.4 3.6 3.6
## 436 0 3 3.8 3.4 4.0 4.0
## 437 0 3 4.0 4.2 4.2 4.2
## 438 1 4 3.4 3.2 3.6 3.8
## 439 0 3 2.0 2.4 3.4 3.8
## 440 0 3 4.0 4.2 3.4 3.6
## 441 0 3 3.8 1.8 3.6 3.2
## 442 1 2 3.2 2.6 4.4 4.0
## 443 1 3 3.6 3.2 2.4 2.8
## 444 1 2 3.8 3.2 4.0 3.6
## 445 0 4 2.4 1.6 2.0 4.0
## 446 0 3 2.0 2.4 3.0 3.4
## 447 0 3 3.0 2.8 4.4 4.0
## 448 0 1 2.0 1.6 3.0 3.6
## 449 1 3 3.0 3.6 3.8 3.8
## 450 0 1 1.8 2.4 3.2 3.8
## 451 0 4 2.6 2.4 3.0 3.6
## 452 1 2 3.2 2.0 3.4 3.4
## 453 0 2 2.6 2.4 3.0 3.6
## 454 0 2 3.2 3.0 3.8 3.8
## 455 0 3 3.4 3.2 3.8 4.2
## 456 1 4 3.2 2.2 4.2 4.0
## 457 0 3 2.6 2.4 4.0 4.0
## 458 0 3 4.0 4.0 4.0 4.0
## 459 1 2 3.4 2.4 3.8 4.0
## 460 1 3 3.2 3.2 4.2 4.0
## 461 1 3 4.0 4.0 4.0 3.8
## 462 0 3 3.0 4.0 5.0 4.2
## 463 0 2 3.2 3.4 3.8 3.8
## 464 0 2 4.0 4.0 4.0 4.0
## 465 1 3 2.2 3.8 4.0 3.0
## 466 0 3 2.4 3.4 3.2 3.2
## 467 0 3 3.0 3.6 3.4 3.4
## 468 1 3 3.8 3.8 3.8 3.8
## 469 1 2 5.0 4.8 5.0 4.4
## 470 0 3 5.0 4.6 4.4 4.0
## 471 1 3 3.8 3.2 3.0 3.0
## 472 1 2 3.2 3.4 3.6 5.0
## 473 0 3 2.6 2.8 2.0 3.4
## 474 0 3 2.8 2.8 3.6 4.0
## 475 0 2 2.0 2.4 2.2 2.8
## 476 1 2 3.8 4.0 4.0 3.6
## 477 1 4 3.2 3.8 3.6 3.4
## 478 0 2 3.2 3.2 3.2 3.2
## 479 0 3 4.0 3.8 4.0 4.0
## 480 1 2 3.4 3.0 4.0 3.9
## 481 0 3 2.4 2.8 4.6 4.4
## 482 1 2 3.0 3.0 3.6 2.8
## 483 0 3 1.4 1.4 3.2 5.0
## 484 1 2 3.6 3.6 3.0 3.6
## 485 1 4 4.0 4.0 4.0 4.0
## 486 0 3 4.2 3.2 4.8 4.2
## 487 0 3 3.4 3.6 3.5 3.9
## 488 0 3 2.4 3.6 3.4 3.6
## 489 0 2 2.2 3.0 2.8 3.8
## 490 0 2 2.8 3.6 3.2 3.2
## 491 1 2 3.8 3.8 4.0 3.8
## 492 0 3 4.0 4.4 4.0 3.8
## 493 1 4 4.0 4.0 4.0 4.0
## 494 0 2 3.8 2.2 2.4 3.2
## 495 1 4 4.0 4.2 5.0 5.0
## 496 0 2 2.8 2.4 3.0 4.0
## 497 0 3 2.8 2.6 3.6 3.2
## 498 1 4 4.0 3.2 3.6 4.0
## 499 1 3 2.4 2.6 2.6 2.0
## 500 1 3 4.0 2.6 3.4 2.8
## 501 0 4 2.8 2.4 3.8 4.0
## 502 1 2 2.0 1.8 3.4 3.2
## 503 1 3 3.8 4.2 3.4 4.0
## 504 1 1 2.6 2.6 3.0 3.6
## 505 0 2 3.6 4.0 4.8 5.0
## 506 1 3 3.2 2.6 4.0 4.0
## 507 0 2 3.6 3.8 3.6 3.6
## 508 0 2 3.0 3.4 3.6 3.6
## 509 0 2 2.4 3.8 4.0 3.4
## 510 0 2 3.0 4.0 4.0 3.6
## 511 0 3 3.4 3.4 4.0 3.8
## 512 0 2 3.4 3.0 3.8 3.6
## 513 1 3 3.8 3.6 3.2 3.0
## 514 0 4 2.2 2.4 2.8 3.2
## 515 0 1 2.6 2.8 3.8 3.6
## 516 0 4 4.2 4.6 4.8 4.4
## 517 1 2 4.6 3.6 4.0 4.6
## 518 1 2 4.0 3.2 3.6 4.0
## 519 1 2 5.0 4.6 5.0 5.0
## 520 1 3 3.4 3.2 2.0 2.8
## 521 1 4 2.4 2.6 3.8 4.4
## 522 0 4 4.0 4.0 4.4 4.0
## 523 1 1 4.0 4.0 4.0 3.6
## 524 1 4 3.4 2.8 3.8 4.4
## 525 0 3 4.2 3.6 4.4 4.2
## 526 0 2 2.6 2.0 3.0 4.0
## 527 0 2 2.0 2.0 2.0 2.0
## 528 0 3 3.6 2.8 3.8 3.2
## 529 0 3 2.8 1.8 2.4 2.4
## 530 0 3 2.4 2.2 2.2 2.6
## 531 1 3 1.6 1.2 2.0 2.0
## 532 0 1 2.6 2.8 3.6 3.6
## 533 0 3 3.2 3.2 2.0 3.2
## 534 0 2 3.8 3.8 3.6 3.6
## 535 0 1 4.0 3.8 4.0 3.4
## 536 1 2 1.4 2.4 3.4 3.6
## 537 0 4 2.6 3.2 3.2 4.4
## 538 0 3 2.0 2.0 2.0 3.2
## 539 0 2 2.2 3.0 3.8 3.8
## 540 0 2 4.0 3.6 4.0 4.0
## 541 0 2 3.6 2.8 3.6 3.8
## 542 0 1 4.2 2.6 3.4 3.2
## 543 0 2 2.2 2.8 3.2 3.8
## 544 0 2 4.0 4.0 4.0 4.0
## 545 1 2 4.0 3.4 4.0 4.0
## 546 1 3 2.8 2.2 3.4 4.4
## 547 0 2 3.2 3.2 2.6 3.2
## 548 1 3 4.0 3.6 4.4 4.2
## 549 0 2 2.4 2.4 3.2 3.8
## 550 0 2 3.8 3.0 3.4 3.6
## 551 0 3 2.0 2.0 3.0 2.8
## 552 0 1 2.4 2.2 3.4 3.8
## 553 0 3 2.4 2.4 2.2 1.8
## 554 0 3 2.2 1.8 2.0 2.0
## 555 1 3 2.4 2.4 2.6 3.4
## 556 1 3 2.2 2.2 2.0 1.6
## 557 0 2 2.8 2.2 3.4 4.0
## 558 0 2 3.6 3.2 2.4 3.5
## 559 0 3 4.0 4.0 4.0 4.0
## 560 1 2 3.8 4.0 4.0 4.0
## 561 0 2 3.0 1.8 4.0 3.0
## 562 1 3 4.2 3.8 2.4 3.8
## 563 0 2 2.6 2.4 3.6 3.6
## 564 1 3 3.6 3.0 3.8 4.0
## 565 0 2 3.0 3.0 3.0 3.8
## 566 0 1 2.4 1.8 4.0 3.8
## 567 1 2 3.2 2.8 4.0 3.8
## 568 0 2 2.0 2.6 2.4 2.8
## 569 0 2 3.2 3.6 3.8 4.0
## 570 0 3 2.6 2.4 3.0 3.4
## 571 1 4 2.8 2.4 2.4 3.0
## 572 1 3 3.2 3.0 3.2 2.8
## 573 0 3 1.8 1.6 1.6 1.6
## 574 0 3 3.2 3.0 3.2 2.8
## 575 1 2 1.4 1.0 1.6 2.2
## 576 0 4 3.0 3.4 3.0 2.8
## 577 0 3 2.8 3.2 3.8 4.4
## 578 0 3 2.8 3.8 3.2 3.0
## 579 0 3 2.4 3.6 3.2 4.4
## 580 0 3 3.6 3.8 3.8 3.6
## 581 1 1 3.8 3.4 4.0 5.0
## 582 0 4 3.4 2.8 4.0 3.8
## 583 0 2 3.2 3.2 3.6 3.8
## 584 1 2 1.4 2.6 3.6 3.8
## 585 0 2 4.0 3.4 2.8 3.6
## 586 0 3 4.0 3.6 3.0 3.8
## 587 0 3 3.6 3.8 4.0 3.6
## 588 1 3 3.8 3.0 3.0 3.2
## 589 1 3 4.0 4.2 4.2 3.8
## 590 1 3 4.0 3.8 4.0 4.0
## 591 0 2 3.0 3.2 3.2 3.4
## 592 1 2 4.0 3.6 2.8 3.5
## 593 0 3 2.8 3.4 4.0 4.0
## 594 0 2 2.4 2.0 2.4 2.4
## 595 1 2 3.2 2.6 3.6 4.4
## 596 0 2 2.4 3.2 3.6 3.6
## 597 1 1 2.2 2.4 2.2 3.6
## 598 1 2 3.6 3.6 3.2 2.8
## 599 0 2 4.0 3.8 4.0 3.4
## 600 1 3 3.6 2.8 2.6 4.0
## 601 1 3 3.0 3.6 3.0 3.6
## 602 1 3 4.2 3.8 4.4 4.8
## 603 1 2 2.0 2.0 2.2 2.2
## 604 1 3 3.6 3.4 3.6 4.0
## 605 1 3 5.0 4.6 5.0 4.4
## 606 0 3 3.2 3.0 2.8 2.8
## 607 0 3 3.8 3.8 3.6 3.4
## 608 1 2 3.0 3.0 2.4 2.2
## 609 0 1 3.2 3.2 3.6 4.0
## 610 0 3 2.4 2.8 3.0 3.8
## 611 0 4 2.8 1.8 4.6 4.8
## 612 0 3 4.2 3.6 4.2 4.0
## 613 1 2 3.6 3.4 3.6 3.2
## 614 1 2 3.6 4.2 5.0 4.6
## 615 0 3 4.2 4.8 5.0 4.8
## 616 0 3 2.8 2.4 4.0 4.6
## 617 1 1 3.8 4.0 4.0 4.0
## 618 0 4 4.2 2.4 4.0 4.2
## 619 0 3 2.8 3.2 4.6 4.8
## 620 0 3 2.4 2.0 3.2 4.0
## 621 0 3 4.0 4.4 3.8 4.6
## 622 0 3 3.0 2.6 3.2 3.8
## 623 0 2 2.8 2.0 2.8 3.4
## 624 0 3 4.0 3.6 4.0 4.6
## 625 1 3 2.8 2.4 3.6 3.6
## 626 1 3 2.6 2.4 3.4 3.8
## 627 0 2 3.2 3.8 4.0 3.4
## 628 1 2 2.0 3.2 3.4 3.6
## 629 0 3 3.6 3.8 4.0 4.0
## 630 1 3 3.8 3.0 3.6 3.6
## 631 0 4 3.6 3.4 4.2 4.0
## 632 0 3 4.0 3.8 3.8 3.6
## 633 0 2 3.2 3.0 3.5 3.6
## 634 1 3 3.2 2.6 3.6 3.8
## 635 1 3 2.8 2.4 3.6 3.6
## 636 0 4 2.6 2.6 4.2 3.8
## 637 0 2 3.4 2.2 2.4 3.4
## 638 0 3 3.6 2.0 2.8 2.8
## 639 1 3 3.4 4.0 4.4 4.0
## 640 1 3 3.0 2.2 3.8 3.6
## 641 1 3 3.0 2.6 3.6 4.6
## 642 0 2 2.6 2.2 4.0 3.8
## 643 1 3 2.0 2.0 3.0 4.0
## 644 0 3 2.6 3.6 2.6 2.4
## 645 0 3 2.0 2.8 4.0 2.0
## 646 1 3 2.6 2.4 2.0 3.0
## 647 1 4 3.0 2.8 4.0 3.6
## 648 0 2 3.6 2.5 3.4 3.2
## 649 1 3 3.2 3.0 4.0 3.6
## 650 0 1 3.6 2.8 3.0 3.2
## 651 1 3 3.6 4.0 3.6 3.6
## 652 1 3 3.6 2.8 4.0 4.0
## 653 0 3 3.2 3.2 4.6 4.2
## 654 0 2 3.0 2.8 3.8 3.8
## 655 0 2 2.0 3.0 3.2 3.6
## 656 1 3 2.4 2.4 2.6 2.4
## 657 0 3 3.2 2.4 2.4 2.4
## 658 1 3 1.8 2.6 2.4 2.8
## 659 1 3 2.2 1.6 2.6 2.4
## 660 0 3 2.4 1.2 3.0 2.6
## 661 0 2 2.4 1.6 1.8 2.4
## 662 0 3 2.4 2.2 2.2 2.4
## 663 0 4 2.4 2.2 2.2 2.4
## 664 1 3 2.4 2.4 2.6 2.4
## 665 0 3 3.2 2.4 2.4 2.4
## 666 1 3 1.8 2.6 2.4 2.8
## 667 1 3 2.2 1.6 2.6 2.4
## 668 0 3 2.4 1.8 2.0 2.4
## 669 1 3 2.0 2.0 2.0 2.4
## 670 1 3 2.2 2.2 1.6 2.0
## 671 0 3 2.2 2.4 2.6 2.4
## 672 1 3 1.4 1.4 2.0 2.0
## 673 0 3 2.6 3.2 4.0 4.0
## 674 0 3 3.8 3.0 3.8 4.4
## 675 0 4 2.0 2.2 3.4 3.6
## 676 1 3 4.0 3.8 3.8 3.8
## 677 1 3 2.4 2.4 3.6 3.2
## 678 0 3 2.6 2.8 4.0 3.2
## 679 0 3 3.0 3.6 4.0 3.6
## 680 1 2 3.2 1.6 3.6 3.4
## 681 1 3 2.4 1.4 2.6 3.0
## 682 0 3 3.2 3.0 3.5 3.6
## 683 0 2 2.2 2.4 2.6 2.6
## 684 1 2 3.4 2.0 3.2 3.8
## 685 1 3 4.0 4.0 3.8 4.4
## 686 0 3 2.8 2.4 4.0 3.8
## 687 0 3 4.4 2.8 4.4 4.6
## 688 1 4 3.2 2.0 3.6 3.8
## 689 0 4 2.6 3.4 3.6 4.0
## 690 0 4 4.0 2.8 4.0 3.0
## 691 0 3 3.0 3.0 4.6 3.4
## 692 0 2 2.8 2.2 4.0 4.8
## 693 0 2 2.4 2.4 3.8 4.6
## 694 1 4 2.0 2.4 2.4 4.2
## 695 0 2 2.2 2.2 2.6 2.8
## 696 0 3 2.8 2.4 4.0 3.2
## 697 0 2 3.0 2.0 3.8 4.2
## 698 0 4 2.0 2.2 3.2 4.0
## 699 0 3 2.2 2.0 3.2 3.6
## 700 0 2 3.6 3.6 4.2 4.0
## 701 1 3 4.2 4.0 4.4 4.4
## 702 0 3 2.8 2.2 3.0 4.0
## 703 0 3 2.0 2.0 2.2 3.2
## 704 0 2 3.6 2.8 4.4 4.6
## 705 0 3 2.4 2.0 2.4 3.8
## 706 0 4 2.8 1.2 3.4 3.0
## 707 0 3 4.2 4.0 4.2 4.2
## 708 1 4 4.0 4.0 4.0 4.0
## 709 1 3 2.6 2.8 3.6 3.2
## 710 1 3 4.0 2.0 3.8 4.4
## 711 1 3 3.8 2.6 4.0 4.0
## 712 1 2 4.2 3.8 4.0 4.0
## 713 0 4 3.2 2.6 2.8 4.8
## 714 0 4 4.0 2.6 4.0 5.0
## 715 0 4 2.6 2.8 4.0 4.2
## 716 0 3 3.6 2.2 4.4 5.0
## 717 1 3 4.2 4.0 4.4 4.4
## 718 1 2 3.6 2.0 3.0 4.0
## 719 0 3 3.0 3.0 5.0 4.4
## 720 0 3 3.8 3.0 4.0 3.8
## 721 1 3 2.2 2.0 2.4 2.2
## 722 1 4 2.8 2.6 3.0 2.4
## 723 0 3 2.4 1.6 2.0 2.6
## 724 1 4 2.4 2.2 2.2 2.6
## 725 0 3 2.2 2.2 2.4 2.4
## 726 1 3 2.2 1.6 1.4 1.8
## 727 0 4 2.2 2.2 2.4 1.6
## 728 0 3 2.4 2.0 2.0 2.6
## 729 1 4 2.0 2.2 2.4 2.8
## 730 0 2 2.4 2.0 1.8 2.0
## 731 1 3 2.2 2.0 2.4 2.2
## 732 0 3 2.4 3.4 2.4 3.6
## 733 1 3 3.4 3.0 4.0 3.8
## 734 1 3 2.6 2.4 2.5 3.0
## 735 1 4 3.6 2.8 3.8 3.6
## 736 0 3 4.0 3.8 3.6 4.6
## 737 0 3 4.0 3.8 4.0 4.0
## 738 1 2 3.6 2.6 3.2 3.4
## 739 0 2 1.4 2.6 3.6 4.6
## 740 1 3 3.4 3.8 4.0 3.6
## 741 0 3 4.4 5.0 4.6 4.0
## 742 1 4 3.8 2.0 3.8 2.4
## 743 0 3 3.4 3.8 3.8 3.8
## 744 1 3 2.2 2.4 3.4 3.4
## 745 0 2 4.0 3.2 4.0 4.0
## 746 1 4 3.6 3.0 3.0 3.8
## 747 0 2 3.8 3.0 3.2 3.2
## 748 0 4 3.6 3.6 4.0 4.0
## 749 0 3 3.2 3.6 4.0 3.4
## 750 1 3 3.6 3.0 5.0 4.6
## 751 0 3 3.0 1.8 3.6 3.6
## 752 1 2 3.2 2.8 3.2 3.2
## 753 1 3 3.0 3.6 3.2 3.6
## 754 1 3 3.6 2.2 3.4 4.2
## 755 0 2 4.2 4.2 4.0 4.2
## 756 0 4 3.0 2.8 4.0 3.6
## 757 0 2 4.0 4.0 4.0 4.0
## 758 0 3 3.0 2.6 3.4 3.8
## 759 0 2 2.8 3.0 3.8 4.0
## 760 0 3 2.8 3.4 3.8 4.0
## 761 0 2 4.4 3.8 3.6 4.0
## 762 0 3 1.8 1.0 3.6 3.4
## 763 1 2 2.8 2.2 4.2 4.0
## 764 1 3 2.6 3.0 3.2 2.8
## 765 1 3 2.6 3.0 3.2 2.8
## 766 1 4 2.6 2.8 2.2 2.6
## 767 1 3 3.0 3.0 2.6 2.8
## 768 1 3 2.0 1.4 1.8 2.0
## 769 1 3 1.8 1.6 2.4 2.0
## 770 1 3 2.8 2.2 2.4 3.0
## 771 0 3 2.2 2.0 2.6 2.2
## 772 1 3 2.0 2.0 2.2 1.8
## 773 0 3 2.2 1.6 2.0 2.2
## 774 1 4 2.6 2.8 2.2 2.6
## 775 1 3 3.0 3.0 2.6 2.8
## 776 1 3 2.0 1.4 1.8 2.0
## 777 1 3 1.8 1.6 2.4 2.0
## 778 1 3 2.8 2.2 2.4 3.0
## 779 0 4 2.0 1.6 1.6 1.8
## 780 0 3 3.6 2.8 4.0 4.0
## 781 0 2 3.2 2.4 4.0 4.0
## 782 1 3 5.0 5.0 5.0 5.0
## 783 0 3 3.6 3.4 4.4 3.8
## 784 0 4 3.2 2.8 4.0 4.0
## 785 1 2 2.6 3.2 4.4 4.2
## 786 1 3 3.0 3.2 3.6 3.8
## 787 0 3 3.6 3.6 3.6 4.2
## 788 1 3 4.0 4.0 4.0 4.0
## 789 1 3 4.0 4.0 4.8 4.4
## 790 0 3 1.8 2.0 3.8 3.4
## 791 0 3 2.4 2.6 4.0 3.6
## 792 0 3 4.0 3.2 3.4 4.4
## 793 1 4 2.8 2.6 4.2 4.4
## 794 0 2 2.4 1.8 3.2 4.2
## 795 1 1 3.6 2.8 3.6 3.2
## 796 0 3 4.2 3.8 4.0 3.6
## 797 0 2 4.0 3.4 3.6 3.4
## 798 0 2 2.4 2.2 3.6 3.8
## 799 0 2 2.6 3.6 3.6 3.6
## 800 0 3 4.4 3.4 2.4 3.6
## 801 0 3 2.2 2.4 3.0 4.4
## 802 0 2 4.0 4.2 4.0 5.0
## 803 1 4 2.0 3.2 2.4 2.6
## 804 0 3 2.4 1.6 3.4 3.6
## 805 0 3 4.0 3.6 4.0 4.0
## 806 0 2 2.4 2.8 2.8 2.8
## 807 0 3 3.2 2.2 4.0 4.6
## 808 0 3 4.0 2.6 4.6 4.8
## 809 1 2 3.6 3.0 4.0 3.2
## 810 1 2 4.0 3.8 3.6 4.0
## 811 0 3 4.6 4.0 4.0 4.2
## 812 0 3 2.8 2.2 3.8 3.8
## 813 0 3 3.6 2.2 4.2 4.0
## 814 0 3 1.4 1.6 2.2 2.0
## 815 1 3 2.2 2.8 1.8 1.8
## 816 1 3 2.2 1.8 1.8 2.0
## 817 0 3 3.4 3.6 3.6 4.0
## 818 0 2 2.8 2.0 2.6 2.4
## 819 1 4 2.2 2.4 4.0 4.0
## 820 0 3 1.8 2.4 3.8 3.2
## 821 1 2 2.6 2.2 4.0 3.4
## 822 0 1 1.8 1.4 3.6 4.0
## 823 1 4 3.4 2.4 3.4 3.6
## 824 1 3 3.4 3.6 3.8 3.6
## 825 1 4 4.4 3.4 4.0 3.8
## 826 1 3 3.6 2.4 3.8 4.0
## 827 0 3 3.4 2.6 3.3 3.8
## 828 0 1 2.0 1.8 1.6 1.4
## 829 1 3 3.4 4.0 3.4 4.0
## 830 0 3 3.0 2.8 4.0 3.6
## 831 1 2 4.0 3.6 4.0 3.8
## 832 1 3 2.8 2.8 3.2 2.2
## 833 0 3 2.8 2.4 4.0 4.4
## 834 0 3 3.6 2.4 3.6 3.8
## 835 0 3 2.6 2.0 3.6 4.0
## 836 0 2 5.0 3.8 3.6 3.6
## 837 0 3 2.4 1.8 3.6 3.5
## 838 0 3 2.0 2.4 3.4 4.0
## 839 0 3 3.4 4.0 3.2 3.6
## 840 1 4 4.4 3.4 3.6 4.2
## 841 0 3 2.6 2.8 3.2 3.6
## 842 1 3 3.2 3.2 3.8 3.6
## 843 1 3 2.2 1.8 3.4 3.2
## 844 0 2 2.2 4.0 4.4 3.8
## 845 1 2 3.8 3.4 4.0 3.2
## 846 1 3 4.6 5.0 4.8 4.2
## 847 1 2 3.0 3.0 3.0 2.8
## 848 0 2 2.0 2.6 2.0 2.0
## 849 0 3 3.6 2.2 2.6 4.0
## 850 1 3 2.4 2.2 2.2 2.6
## 851 0 3 2.4 2.2 2.2 2.6
## 852 0 3 2.4 2.2 2.2 2.6
## 853 0 3 1.4 1.0 1.8 2.6
## 854 1 4 2.4 2.0 2.2 2.2
## 855 1 4 2.6 2.6 2.8 2.4
## 856 0 2 2.4 2.2 2.2 2.4
## 857 0 4 2.6 2.0 2.6 2.4
## 858 0 2 2.0 2.0 2.4 2.0
## 859 0 3 4.2 3.0 3.4 4.2
## 860 0 3 3.4 4.0 3.8 4.0
## 861 0 3 3.2 2.8 3.6 3.6
## 862 0 3 3.4 2.8 4.6 4.6
## 863 0 3 3.0 2.4 2.8 2.8
## 864 0 3 2.4 2.6 3.4 3.6
## 865 1 2 3.2 2.6 3.2 3.4
## 866 0 2 3.2 2.8 4.0 3.6
## 867 0 3 3.0 2.6 2.6 2.6
## 868 1 4 3.4 4.2 3.4 4.8
## 869 0 2 2.8 1.2 3.6 4.0
## 870 1 2 3.6 2.6 4.0 3.8
## 871 0 3 4.0 4.0 3.6 3.6
## 872 0 2 3.8 3.6 4.0 4.0
## 873 0 4 3.2 2.4 4.8 3.6
## 874 0 3 3.2 2.0 3.2 2.0
## 875 0 3 2.2 2.6 3.5 3.4
## 876 1 2 3.6 3.4 3.6 3.6
## 877 1 4 3.2 2.0 2.6 3.6
## 878 0 4 3.4 3.8 4.0 4.0
## 879 0 2 4.8 3.4 4.2 4.0
## 880 0 2 2.8 2.6 2.0 4.0
## 881 0 2 3.4 2.0 3.0 3.6
## 882 0 1 4.0 4.0 4.0 4.0
## 883 0 3 2.8 2.2 4.0 3.4
## 884 0 3 4.0 4.4 4.2 3.4
## 885 0 3 2.0 2.4 3.8 3.8
## 886 1 3 3.8 4.0 4.0 3.8
## 887 0 2 2.2 2.0 2.4 2.0
## 888 1 3 4.0 4.2 4.0 3.6
## 889 0 4 2.4 2.2 2.2 2.6
## 890 0 3 2.6 2.0 2.2 2.8
## 891 1 3 1.6 1.8 2.0 2.2
## 892 1 4 2.4 2.2 2.4 2.4
## 893 0 3 2.4 2.4 2.2 2.0
## 894 0 2 3.2 2.6 2.6 2.5
## 895 1 4 1.6 1.6 2.0 2.6
## 896 0 3 2.6 2.0 2.2 2.8
## 897 1 3 1.6 1.8 2.0 2.2
## 898 1 4 2.4 2.2 2.4 2.4
## 899 0 3 2.4 2.4 2.2 2.0
## 900 1 2 1.8 1.6 2.4 2.0
## 901 0 4 2.6 2.2 3.0 4.4
## 902 1 3 1.2 1.2 2.0 2.0
## 903 1 3 2.0 3.2 3.8 3.8
## 904 0 3 3.2 2.2 4.0 3.6
## 905 0 3 2.8 3.0 4.0 4.0
## 906 0 2 4.8 2.8 4.8 3.4
## 907 0 4 2.0 2.0 4.0 4.0
## 908 0 3 4.0 4.0 4.0 4.0
## 909 0 2 3.2 2.4 2.8 3.8
## 910 1 2 2.4 1.6 3.8 3.8
## 911 0 3 2.8 2.2 3.0 4.4
## 912 0 3 4.2 4.4 3.4 4.0
## 913 0 4 2.4 2.0 3.6 4.0
## 914 0 2 3.0 2.2 3.2 4.0
## 915 1 3 2.4 2.0 2.4 3.6
## 916 1 4 2.0 2.0 4.4 3.4
## 917 0 1 3.6 3.8 4.2 4.0
## 918 0 3 2.8 2.2 3.8 4.6
## 919 0 3 3.4 3.6 3.6 4.0
## 920 0 3 3.6 3.6 3.6 4.0
## 921 1 3 4.0 3.6 4.4 4.2
## 922 0 3 3.0 3.4 3.6 4.0
## 923 0 3 3.0 1.8 3.2 3.6
## 924 0 4 3.8 3.4 4.2 4.6
## 925 1 4 2.4 2.8 2.6 3.6
## 926 0 2 2.0 2.0 2.0 3.0
## 927 0 3 3.4 2.6 4.0 4.0
## 928 1 3 2.2 3.4 4.4 5.0
## 929 1 3 2.2 3.4 4.4 5.0
## 930 1 4 3.8 4.0 4.0 3.8
## 931 1 4 3.6 3.4 3.8 3.6
## 932 1 3 2.8 2.4 2.8 3.8
## 933 1 3 3.2 4.0 4.0 5.0
## 934 1 3 3.2 3.0 3.2 4.2
## 935 0 3 1.8 1.4 2.0 3.8
## 936 0 2 3.2 2.0 3.4 3.5
## 937 0 2 2.4 3.2 3.2 4.0
## 938 1 4 1.4 1.6 2.0 3.2
## 939 1 3 2.6 2.4 2.8 3.0
## 940 1 3 2.2 2.2 2.2 2.4
## 941 0 3 3.0 3.0 2.6 2.6
## 942 1 3 1.4 1.8 2.0 2.0
## 943 0 3 2.2 2.4 2.4 2.4
## 944 0 3 2.4 2.4 2.0 2.0
## 945 0 2 2.8 2.4 3.0 3.6
## 946 1 3 3.2 2.8 4.2 4.4
## 947 0 2 2.8 3.4 3.6 3.7
## 948 1 3 4.0 3.8 3.2 3.6
## 949 1 2 3.0 1.6 2.8 3.2
## 950 0 2 1.8 3.2 3.8 3.8
## 951 0 4 3.8 4.0 4.8 4.4
## 952 0 3 2.4 2.4 3.8 4.2
## 953 0 4 2.0 1.8 2.0 3.2
## 954 1 3 3.8 4.0 3.8 4.0
## 955 1 4 4.0 3.4 4.6 4.2
## 956 0 3 3.2 3.2 4.0 4.6
## 957 1 4 3.8 3.0 3.6 4.0
## 958 1 3 3.0 3.4 3.6 3.6
## 959 0 4 3.6 3.2 4.4 4.8
## 960 0 3 2.8 3.4 3.8 4.0
## 961 0 1 2.8 1.0 3.0 3.8
## 962 0 3 3.4 3.2 4.0 3.2
## 963 0 2 4.0 3.6 4.0 3.8
## 964 1 4 3.6 3.4 3.6 3.4
## 965 0 3 1.4 2.2 4.2 4.2
## 966 1 4 2.2 2.0 3.2 3.4
## 967 1 2 2.0 2.0 2.0 2.4
## 968 1 3 2.4 2.6 3.4 2.8
## 969 0 3 2.4 2.8 3.2 3.4
## 970 0 3 3.8 3.4 4.0 4.2
## 971 0 3 3.6 3.6 3.8 2.8
## 972 0 2 1.8 2.0 3.6 4.6
## 973 0 2 4.2 3.0 4.4 4.4
## 974 0 2 4.0 5.0 4.6 3.2
## 975 1 3 3.2 3.8 4.8 4.0
## 976 0 2 2.4 2.4 4.0 3.6
## 977 0 3 2.6 2.0 3.6 4.2
## 978 0 2 3.2 3.8 3.4 3.2
## 979 0 3 2.8 3.6 4.0 3.6
## 980 0 3 4.0 3.8 4.2 3.6
## 981 0 3 3.8 3.6 3.8 3.0
## 982 0 3 2.4 2.0 2.2 2.6
## 983 0 3 2.6 2.0 2.4 2.4
## 984 0 4 2.8 2.6 2.4 2.4
## 985 1 3 3.6 4.2 3.0 3.2
## 986 0 3 3.4 2.6 2.8 3.2
## 987 0 4 4.0 2.4 2.4 3.0
## 988 0 3 2.6 2.2 4.0 3.4
## 989 1 4 4.0 3.8 3.8 3.6
## 990 1 3 2.8 2.8 2.6 3.6
## 991 1 2 3.6 2.4 3.4 4.6
## 992 0 4 2.6 2.6 4.0 3.6
## 993 0 4 3.6 2.4 4.0 3.4
## 994 0 4 3.4 4.0 4.4 4.8
## 995 0 3 2.0 3.0 3.2 4.4
## 996 0 3 3.8 3.4 4.8 4.2
## 997 0 3 2.2 1.6 3.2 3.4
## 998 1 3 3.0 2.2 3.2 3.4
## 999 0 2 2.6 2.2 2.4 3.0
## 1000 0 3 2.4 3.0 3.6 3.6
## 1001 0 3 3.6 3.8 4.8 4.4
## 1002 1 3 3.0 3.4 4.0 3.6
## 1003 0 1 3.8 3.8 4.0 4.0
## 1004 0 1 3.2 3.0 3.5 3.6
## 1005 0 1 3.2 3.2 3.6 3.4
## 1006 1 4 2.8 2.0 3.6 3.0
## 1007 1 2 4.0 3.6 4.2 5.0
## 1008 1 3 2.4 1.8 3.6 3.6
## 1009 0 1 3.0 2.8 2.8 3.4
## 1010 1 2 3.2 3.0 3.2 4.0
## 1011 0 3 2.4 2.4 1.4 1.8
## 1012 0 3 3.4 2.6 2.8 2.8
## 1013 1 3 3.6 3.4 3.2 2.6
## 1014 1 3 1.6 1.6 2.4 2.6
## 1015 0 3 3.4 2.6 2.8 2.8
## 1016 0 3 3.2 3.4 3.8 4.2
## 1017 1 4 3.6 3.0 2.8 3.8
## 1018 1 4 4.0 4.2 3.6 3.8
## 1019 1 3 4.0 3.6 3.6 3.6
## 1020 1 2 4.0 3.4 3.8 2.8
## 1021 1 2 2.8 3.2 3.6 3.0
## 1022 0 2 3.8 3.0 2.4 3.4
## 1023 0 3 2.0 2.4 2.2 2.8
## 1024 0 3 2.4 2.0 3.6 4.2
## 1025 0 3 3.2 3.0 3.6 4.0
## 1026 0 1 3.0 2.4 2.2 3.2
## 1027 0 3 3.4 2.0 4.0 3.8
## 1028 1 4 2.4 2.6 3.6 4.0
## 1029 1 3 3.8 3.8 3.6 4.0
## 1030 1 2 1.8 2.2 2.6 4.0
## 1031 1 3 4.0 4.0 4.0 4.0
## 1032 0 1 4.0 3.6 2.0 2.8
## 1033 1 3 1.6 1.4 2.6 4.0
## 1034 0 3 3.8 2.4 3.4 3.8
## 1035 0 2 2.8 2.8 3.6 3.6
## 1036 1 4 4.8 4.0 4.0 4.0
## 1037 1 3 3.8 3.8 4.0 4.0
## 1038 0 2 3.8 3.0 4.2 4.0
## 1039 1 3 4.2 4.2 5.0 5.0
## 1040 0 3 4.0 5.0 4.6 4.8
## 1041 0 3 4.2 2.4 4.2 3.4
## 1042 1 3 3.0 2.4 3.2 4.0
## 1043 0 3 4.0 3.0 3.0 3.8
## 1044 0 2 3.8 3.8 4.0 3.4
## 1045 0 4 3.2 3.0 4.2 4.4
## 1046 1 3 3.8 2.8 3.8 3.6
## 1047 0 2 3.2 3.6 4.7 4.0
## 1048 0 2 3.2 4.0 3.9 4.4
## 1049 1 3 4.0 4.0 4.0 4.0
## 1050 1 2 2.8 2.0 2.8 3.6
## 1051 1 2 3.0 2.8 3.0 2.8
## 1052 1 4 3.8 2.8 2.8 3.4
## 1053 0 3 2.4 4.0 2.8 4.0
## 1054 1 4 3.4 1.6 4.0 2.6
## 1055 0 3 2.0 2.2 3.0 3.2
## 1056 0 3 2.8 2.6 3.6 3.8
## 1057 1 3 2.2 2.2 3.0 3.0
## 1058 1 3 3.0 1.8 2.6 4.0
## 1059 1 3 5.0 5.0 3.6 2.6
## 1060 0 3 2.2 2.8 3.0 3.6
## 1061 0 3 3.6 3.4 4.0 4.0
## 1062 1 3 2.4 2.2 3.4 4.4
## 1063 1 3 2.8 3.2 3.6 4.0
## 1064 0 2 3.2 2.4 2.0 2.8
## 1065 0 3 2.4 2.8 2.6 3.4
## 1066 0 3 2.0 3.6 4.2 4.6
## 1067 0 3 2.4 2.6 2.8 3.8
## 1068 0 3 3.2 2.4 3.8 3.6
## 1069 0 3 4.0 4.0 4.0 4.0
## 1070 0 2 2.2 1.2 3.6 3.6
## 1071 0 3 4.0 4.0 4.2 4.4
## 1072 1 3 2.0 2.0 3.6 4.8
## 1073 1 3 4.0 2.6 3.8 3.8
## 1074 0 3 3.0 2.8 4.0 5.0
## 1075 0 2 4.0 2.6 2.8 2.0
## 1076 0 3 2.8 2.8 3.2 2.4
## 1077 0 3 3.4 2.8 2.8 3.0
## 1078 1 3 2.4 2.6 4.0 3.6
## 1079 1 3 2.6 1.8 3.6 3.0
## 1080 0 3 3.2 2.4 4.0 4.0
## 1081 1 3 2.6 2.4 2.6 2.8
## 1082 0 3 2.6 3.2 3.0 3.6
## 1083 0 3 4.0 5.0 4.0 3.6
## 1084 0 3 3.6 2.8 4.0 3.6
## 1085 1 3 2.4 2.2 3.8 4.0
## 1086 1 3 4.6 4.4 5.0 4.2
## 1087 0 3 3.2 2.8 5.0 3.4
## 1088 1 3 2.0 2.4 1.8 3.8
## 1089 1 4 2.4 1.8 4.0 3.4
## 1090 0 3 3.4 2.6 5.0 4.4
## 1091 0 3 2.4 1.8 2.4 4.0
## 1092 0 3 3.6 2.2 4.2 4.0
## 1093 0 3 3.2 3.2 3.6 3.8
## 1094 1 3 3.2 2.8 4.0 3.6
## 1095 1 3 3.4 3.2 2.8 1.6
## 1096 0 3 2.4 2.6 3.0 3.8
## 1097 0 2 2.4 2.8 2.2 4.2
## 1098 1 3 3.4 2.4 2.2 3.6
## 1099 1 3 4.0 3.0 4.0 3.2
## 1100 0 3 3.6 3.0 5.0 4.6
## 1101 1 3 3.2 4.8 5.0 3.0
## 1102 0 3 3.0 2.6 4.0 3.0
## 1103 0 3 3.8 4.0 4.0 4.8
## 1104 1 4 3.2 3.0 4.0 3.6
## 1105 1 4 4.0 4.2 4.2 3.8
## 1106 1 3 3.8 4.2 4.2 3.8
## 1107 1 3 2.0 2.0 3.6 3.8
## 1108 0 3 3.6 3.6 3.4 3.4
## 1109 0 2 4.0 3.2 4.0 4.8
## 1110 0 2 3.6 3.2 4.0 3.6
## 1111 1 4 3.6 2.2 2.4 2.6
## 1112 0 3 3.4 3.2 4.6 4.0
## 1113 1 3 3.2 3.8 3.0 3.8
## 1114 0 2 4.0 3.4 4.6 4.0
## 1115 0 3 2.0 2.0 3.0 2.6
## 1116 0 3 2.0 3.0 2.2 2.4
## 1117 0 4 4.0 4.0 5.0 4.0
## 1118 1 2 3.0 3.0 3.0 3.0
## 1119 1 3 4.0 4.0 5.0 3.6
## 1120 0 3 5.0 4.0 5.0 4.0
## 1121 1 3 1.6 3.0 3.2 2.0
## 1122 1 3 1.0 2.0 3.0 3.0
## 1123 1 3 3.6 2.8 4.6 4.6
## 1124 1 3 4.4 3.2 5.0 4.8
## 1125 1 3 3.8 4.0 5.0 4.2
## 1126 0 3 2.4 2.8 4.0 3.6
## 1127 0 3 2.2 2.6 3.8 3.2
## 1128 1 3 3.0 1.6 2.4 2.6
## 1129 1 3 4.0 3.6 3.8 3.8
## 1130 0 3 3.8 3.8 4.6 3.2
## 1131 1 3 2.8 2.6 2.4 3.8
## 1132 0 3 3.6 2.6 3.6 2.8
## 1133 0 3 2.8 1.8 4.0 4.0
## 1134 1 1 2.2 2.0 1.6 2.6
## 1135 1 3 2.2 2.8 3.4 3.2
## 1136 0 3 2.0 2.0 2.8 4.6
## 1137 0 2 3.8 2.4 2.0 4.0
## 1138 0 4 2.8 1.8 2.6 3.8
## 1139 0 4 1.8 1.6 3.2 3.6
## 1140 0 3 3.0 2.8 3.0 3.6
## 1141 1 2 3.4 3.0 1.4 2.6
## 1142 1 3 3.6 2.4 3.6 3.0
## 1143 0 3 3.0 3.6 3.8 4.4
## 1144 0 3 4.0 3.8 4.0 4.0
## 1145 0 3 3.0 2.8 4.0 3.4
## 1146 0 3 2.8 2.4 2.4 3.8
## 1147 0 4 2.8 2.2 3.8 3.6
## 1148 0 3 3.4 2.6 3.6 4.0
## 1149 1 3 3.0 2.4 4.0 3.2
## 1150 0 3 3.6 2.4 3.8 3.6
## 1151 0 4 3.6 3.2 4.6 4.2
## 1152 0 2 2.8 2.0 3.6 3.2
## 1153 1 3 3.6 2.2 3.2 3.4
## 1154 1 3 4.2 5.0 5.0 4.8
## 1155 1 3 2.6 3.2 4.0 3.4
## 1156 1 3 4.0 3.2 3.8 2.4
## 1157 0 2 3.0 3.6 3.6 3.6
## 1158 0 3 2.0 2.2 3.4 2.4
## 1159 0 2 2.0 3.0 3.6 3.0
## 1160 0 3 4.0 3.4 4.0 3.8
## 1161 1 3 3.0 3.0 4.0 3.6
## 1162 1 3 3.0 3.0 4.0 2.4
## 1163 1 3 3.0 3.0 3.8 2.8
## 1164 1 3 3.0 3.0 3.8 2.4
## 1165 0 2 4.0 3.4 4.0 3.6
## 1166 0 3 4.6 3.6 5.0 3.8
## 1167 0 3 4.6 3.6 5.0 3.6
## 1168 0 3 4.6 3.6 5.0 3.8
## 1169 0 3 4.2 3.6 4.0 2.8
## 1170 0 3 3.6 3.8 4.2 4.6
## 1171 0 3 3.4 3.6 4.0 3.4
## 1172 1 3 2.6 2.0 2.2 2.0
## 1173 0 3 3.0 1.8 2.8 3.0
## 1174 0 2 2.8 2.0 2.0 2.4
## 1175 1 3 2.8 2.4 2.4 2.0
## 1176 0 3 2.6 2.4 4.0 4.0
## 1177 0 4 3.4 2.6 3.8 4.0
## 1178 0 3 3.4 1.6 4.0 3.0
## 1179 1 3 2.8 2.6 4.0 3.4
## 1180 1 3 2.6 1.6 3.0 3.2
## 1181 0 2 3.8 2.6 4.8 3.0
## 1182 1 3 2.2 3.0 3.6 2.6
## 1183 1 2 4.0 4.4 4.4 4.4
## 1184 0 3 2.2 1.6 3.0 2.4
## 1185 0 4 4.2 3.4 4.0 4.6
## 1186 0 3 2.0 2.4 1.8 2.4
## 1187 1 3 3.0 2.6 1.6 2.2
## 1188 1 3 4.0 3.8 4.6 4.0
## 1189 0 3 4.0 3.4 4.0 4.0
## 1190 1 2 3.4 3.6 3.4 3.0
## 1191 1 2 3.4 3.6 3.4 3.0
## 1192 0 2 2.0 2.2 2.6 3.0
## 1193 1 2 2.4 2.8 4.0 4.0
## 1194 0 2 3.6 3.6 5.0 3.6
## 1195 0 3 4.2 3.6 5.0 4.0
## 1196 1 2 2.0 2.0 2.4 2.0
## 1197 1 3 3.0 3.6 4.0 2.4
## 1198 0 3 4.0 4.0 4.8 2.8
## 1199 0 3 3.0 3.0 2.6 3.0
## 1200 0 4 3.2 3.4 4.8 4.2
## 1201 0 3 3.0 2.2 3.6 3.2
## 1202 0 2 2.8 2.0 2.0 3.4
## 1203 0 3 3.0 3.2 4.6 4.2
## 1204 0 2 3.2 2.2 3.8 3.2
## 1205 0 4 3.4 3.0 3.8 3.2
## 1206 0 3 2.6 2.4 2.6 3.2
## 1207 0 2 2.8 2.4 3.8 4.6
## 1208 0 3 3.2 3.0 4.4 3.4
## 1209 0 4 2.8 3.6 4.6 4.0
## 1210 1 4 3.4 3.0 4.0 3.4
## 1211 1 4 3.2 3.2 4.2 3.2
## 1212 0 4 2.2 2.6 4.0 3.6
## 1213 0 3 2.4 1.6 3.8 3.4
## 1214 0 3 2.8 2.2 3.6 3.8
## 1215 0 4 3.0 2.2 3.4 3.8
## 1216 0 3 3.6 3.6 4.0 3.4
## 1217 1 4 4.0 4.8 5.0 5.0
## 1218 0 4 3.2 2.8 4.2 2.6
## 1219 0 3 3.0 2.0 3.6 3.2
## 1220 1 3 4.0 2.4 3.6 3.2
## 1221 1 3 4.4 3.0 4.4 4.6
## 1222 0 3 4.6 3.2 3.8 3.0
## 1223 1 3 2.6 1.8 1.8 4.0
## 1224 0 4 3.6 2.0 4.4 4.6
## 1225 0 3 2.8 3.0 3.0 3.0
## 1226 0 3 3.4 2.2 4.0 4.2
## 1227 0 3 2.0 2.2 2.4 3.6
## 1228 1 3 4.4 3.4 3.4 3.4
## 1229 1 3 2.8 2.2 2.6 2.6
## 1230 0 3 2.6 1.2 3.4 3.6
## 1231 1 4 2.8 3.0 3.0 3.0
## 1232 0 4 4.6 3.6 5.0 4.4
## 1233 1 3 3.2 3.6 3.0 2.8
## 1234 0 3 3.6 3.8 3.0 3.0
## 1235 0 2 2.6 2.2 3.2 3.6
## 1236 1 3 3.0 3.6 4.0 2.4
## 1237 0 3 4.0 3.4 4.0 4.0
## 1238 0 3 4.0 4.0 4.8 2.8
## 1239 0 2 3.6 3.6 5.0 3.6
## 1240 0 2 2.0 2.2 2.6 3.0
## 1241 0 4 2.4 2.6 4.2 4.0
## 1242 1 2 3.4 3.6 3.4 3.0
## 1243 1 2 2.0 2.0 2.4 2.0
## 1244 0 3 3.0 3.0 2.6 3.0
## 1245 0 3 4.2 3.6 5.0 4.0
## 1246 0 3 2.6 3.2 4.0 3.4
## 1247 0 3 2.2 2.8 3.6 3.6
## 1248 1 3 4.0 2.4 4.0 3.0
## 1249 0 3 2.6 3.0 3.4 3.6
## 1250 0 3 2.4 3.0 4.0 3.6
## 1251 1 3 2.2 2.2 2.4 3.2
## 1252 0 3 2.8 2.0 4.0 3.2
## 1253 1 2 3.0 2.0 3.6 4.0
## 1254 0 3 4.0 3.8 4.2 4.2
## 1255 0 3 2.6 2.4 3.0 3.6
## 1256 0 3 3.2 3.6 4.2 4.0
## 1257 0 2 2.8 1.6 2.4 4.0
## 1258 0 3 3.0 2.0 2.8 3.8
## 1259 1 3 3.2 3.4 4.4 3.6
## 1260 1 3 3.4 1.8 3.0 4.0
## 1261 0 3 2.2 2.6 3.8 4.2
## 1262 0 3 3.0 2.8 2.2 3.4
## 1263 0 3 2.6 3.8 4.0 3.8
## 1264 1 3 2.4 2.6 3.4 3.2
## 1265 1 3 3.8 3.6 3.8 3.8
## 1266 0 3 2.6 2.4 3.2 4.0
## 1267 1 3 5.0 4.8 5.0 4.2
## 1268 1 4 4.0 4.0 4.0 4.0
## 1269 0 3 3.0 3.4 3.2 2.8
## 1270 1 4 4.0 4.2 4.0 4.0
## 1271 0 3 2.0 2.4 3.0 3.0
## 1272 0 3 4.0 4.0 4.0 4.0
## 1273 0 2 4.0 4.0 4.0 4.0
## 1274 1 3 4.0 4.0 4.0 4.0
## 1275 1 3 5.0 4.2 5.0 4.0
## 1276 1 3 4.0 4.0 4.0 4.0
## 1277 1 3 3.0 3.0 3.2 3.8
## 1278 0 3 3.0 3.8 3.6 2.4
## 1279 0 3 4.0 4.0 5.0 4.0
## 1280 0 3 3.0 3.0 3.0 3.0
## 1281 1 3 3.4 3.6 4.2 4.4
## 1282 1 3 3.0 2.0 3.8 3.0
## 1283 0 3 2.8 1.4 2.6 3.6
## 1284 1 3 3.2 3.8 4.2 4.2
## 1285 0 3 2.4 3.0 4.6 4.2
## 1286 0 3 3.2 3.0 4.0 3.6
## 1287 1 2 3.4 3.0 4.8 4.2
## 1288 1 3 2.2 2.0 2.2 3.8
## 1289 0 2 3.4 3.4 4.2 3.6
## 1290 0 3 4.4 4.0 4.0 3.8
## 1291 1 3 3.8 3.8 4.0 4.0
## 1292 0 3 2.8 2.6 4.0 3.8
## 1293 0 3 4.0 3.8 4.0 3.2
## 1294 1 3 3.2 2.4 4.0 3.6
## 1295 1 4 3.4 2.4 4.8 3.8
## 1296 1 3 4.0 4.0 4.0 4.0
## 1297 1 3 2.0 2.0 1.8 2.6
## 1298 0 4 2.8 3.4 4.0 4.2
## 1299 1 3 4.0 3.0 5.0 3.8
## 1300 1 2 3.5 2.4 3.2 4.0
## 1301 1 2 3.2 3.4 4.0 3.6
## 1302 1 3 3.2 2.0 3.0 4.0
## 1303 1 2 2.0 2.6 3.8 3.8
## 1304 0 2 3.8 3.8 4.0 3.4
## 1305 1 4 4.2 4.2 4.0 4.0
## 1306 0 3 4.0 2.2 4.0 2.6
## 1307 1 3 3.0 2.2 4.0 3.6
## 1308 0 3 3.8 3.4 4.0 3.6
## 1309 1 3 2.4 2.4 3.4 3.4
## 1310 0 3 2.4 2.2 2.6 3.2
## 1311 0 2 2.4 2.8 2.2 3.6
## 1312 0 3 2.4 2.4 4.6 3.4
## 1313 0 3 2.6 2.0 2.0 4.0
## 1314 1 3 4.0 3.2 5.0 4.0
## 1315 0 4 3.6 4.0 3.4 3.0
## 1316 0 3 3.8 4.0 4.0 4.0
## 1317 1 3 2.8 2.4 2.2 3.8
## 1318 1 3 4.0 3.4 4.0 4.0
## 1319 0 2 4.0 4.2 4.0 3.8
## 1320 1 3 3.8 2.2 4.0 4.0
## 1321 1 3 4.0 4.0 4.0 4.0
## 1322 1 3 2.4 2.6 3.2 2.4
## 1323 1 4 4.0 4.0 4.0 3.4
## 1324 0 4 4.6 4.2 4.0 4.0
## 1325 0 3 2.8 2.6 2.0 2.2
## 1326 0 3 4.0 3.6 3.6 4.0
## 1327 0 4 4.6 4.0 5.0 4.8
## 1328 1 3 3.0 3.4 3.6 3.8
## 1329 1 3 2.0 2.4 3.8 3.0
## 1330 1 2 3.4 3.6 3.4 3.0
## 1331 0 4 4.2 3.6 5.0 4.0
## 1332 0 3 3.2 2.8 4.0 3.6
## 1333 1 2 3.6 3.8 5.0 3.6
## 1334 0 2 2.0 2.2 2.6 3.0
## 1335 1 2 2.2 2.0 2.6 3.8
## 1336 1 3 3.2 2.8 3.2 2.8
## 1337 1 3 3.0 3.6 4.0 3.2
## 1338 1 3 2.0 2.2 2.0 2.0
## 1339 0 3 4.0 4.0 4.8 2.8
## 1340 0 3 4.0 3.4 4.0 4.0
## 1341 1 3 2.6 2.2 3.4 3.0
## 1342 1 3 3.8 2.2 3.4 3.0
## 1343 0 3 2.2 2.4 2.4 2.8
## 1344 1 4 3.6 3.2 4.0 4.0
## 1345 1 2 2.8 2.8 4.0 3.6
## 1346 0 3 2.4 2.4 3.8 3.2
## 1347 0 3 2.4 1.6 2.4 2.8
## 1348 0 3 2.4 2.8 4.0 3.2
## 1349 1 3 2.6 2.6 3.8 4.0
## 1350 1 2 2.2 2.0 2.4 3.6
## 1351 1 3 2.0 2.0 3.6 4.4
## 1352 1 2 3.4 3.6 4.0 3.6
## 1353 0 3 2.0 2.0 4.0 4.0
## 1354 1 3 2.6 2.0 3.2 3.6
## 1355 1 2 3.6 3.2 3.4 3.4
## 1356 1 3 3.6 2.8 3.6 4.2
## 1357 1 2 2.4 2.6 3.6 4.0
## 1358 1 3 3.8 3.2 4.0 4.4
## 1359 1 4 3.6 3.8 3.8 4.6
## 1360 1 2 3.6 2.2 3.6 3.6
## 1361 1 4 2.8 3.0 4.2 4.2
## 1362 1 2 3.8 2.8 3.4 3.8
## 1363 0 3 1.4 1.6 3.2 3.0
## 1364 0 3 2.8 3.0 4.2 4.4
## 1365 1 3 3.4 2.2 4.2 3.8
## 1366 0 3 3.2 2.4 4.6 3.6
## 1367 1 4 2.6 2.2 2.8 2.8
## 1368 1 4 2.8 2.0 2.6 3.2
## 1369 1 3 3.2 3.0 3.5 3.6
## 1370 0 3 2.6 3.0 3.0 4.0
## 1371 0 2 2.4 2.2 2.4 3.2
## 1372 0 3 2.0 2.4 2.2 3.8
## 1373 0 3 2.0 2.2 4.2 2.8
## 1374 0 2 2.8 2.6 3.8 3.4
## 1375 0 3 2.8 3.4 2.0 2.8
## 1376 1 3 3.0 3.6 4.0 4.2
## 1377 1 3 3.6 3.6 3.8 3.0
## 1378 1 4 3.8 2.2 3.8 3.6
## 1379 1 4 2.2 2.2 3.8 4.8
## 1380 1 4 3.8 2.0 3.6 3.9
## 1381 1 3 3.2 2.6 3.4 3.8
## 1382 0 3 2.8 3.2 4.0 3.4
## 1383 0 3 3.6 3.8 3.8 4.0
## 1384 0 3 1.6 2.0 2.8 3.2
## 1385 0 2 4.0 3.0 3.6 3.2
## 1386 0 3 3.0 3.0 3.0 3.0
## 1387 1 3 3.4 3.0 3.4 2.6
## 1388 0 3 2.8 3.4 3.0 2.6
## 1389 1 2 3.2 2.2 3.0 3.0
## 1390 0 2 2.8 3.0 3.0 3.0
## 1391 0 4 1.8 1.0 3.4 4.0
## 1392 0 4 2.2 3.0 3.6 4.0
## 1393 0 3 2.6 2.8 3.4 4.4
## 1394 1 3 3.0 2.8 3.4 4.2
## 1395 1 2 3.6 3.6 4.0 4.4
## 1396 1 2 3.4 1.6 3.4 3.4
## 1397 1 3 2.8 2.4 3.4 3.6
## 1398 0 4 3.0 3.6 3.8 4.2
## 1399 0 3 3.2 3.0 3.0 3.4
## 1400 0 3 3.2 3.0 3.6 3.2
## 1401 0 4 2.4 1.4 4.2 3.6
## 1402 0 3 3.0 3.4 2.8 3.8
## 1403 1 2 2.8 2.8 4.0 3.6
## 1404 0 3 2.4 2.4 3.6 4.4
## 1405 0 3 4.0 4.2 4.0 3.2
## 1406 0 3 2.6 2.6 4.0 3.6
## 1407 0 3 3.8 3.6 2.4 3.0
## 1408 1 3 3.0 2.8 3.6 3.6
## 1409 0 2 2.6 2.0 2.4 3.6
## 1410 0 3 2.6 2.2 3.8 3.8
## 1411 1 3 2.0 1.4 3.2 3.4
## 1412 0 3 1.6 2.4 3.0 3.8
## 1413 0 3 3.2 2.2 3.2 3.2
## 1414 0 3 4.0 3.6 4.6 3.8
## 1415 1 4 3.8 3.8 3.4 4.0
## 1416 1 4 3.4 3.2 4.0 3.8
## 1417 0 3 3.6 3.6 4.0 4.2
## 1418 0 4 4.0 4.0 3.8 3.2
## 1419 1 3 3.2 2.0 4.2 3.2
## 1420 1 3 3.2 2.0 4.2 3.2
## 1421 1 3 3.8 4.0 4.0 4.0
## 1422 0 3 3.2 2.2 4.0 3.0
## 1423 1 4 3.6 4.0 4.0 4.2
## 1424 1 3 3.8 3.0 4.0 3.8
## 1425 0 3 3.6 3.6 3.6 4.0
## 1426 0 2 2.6 2.6 3.8 3.6
## 1427 0 2 2.8 2.4 3.4 4.0
## 1428 0 2 3.6 2.4 3.4 3.2
## 1429 0 3 4.0 3.2 3.6 4.0
## 1430 0 3 2.4 2.8 4.8 4.4
## 1431 0 3 2.4 2.8 4.8 4.4
## 1432 0 4 3.0 2.8 3.2 3.6
## 1433 0 2 2.8 2.0 2.4 3.0
## 1434 0 2 3.8 3.2 4.4 3.2
## 1435 0 3 3.2 2.4 3.8 3.4
## 1436 1 2 3.8 3.4 4.0 4.6
## 1437 1 3 3.4 3.0 3.4 3.4
## 1438 1 2 2.0 2.8 2.2 2.0
## 1439 1 4 4.4 5.0 5.0 4.6
## 1440 0 3 3.4 3.2 3.6 3.4
## 1441 0 3 4.4 4.0 3.8 3.6
## 1442 1 3 3.8 3.6 3.6 3.4
## 1443 1 2 3.4 3.6 3.4 3.0
## 1444 0 3 4.0 3.4 4.0 4.0
## 1445 1 2 3.6 3.6 5.0 3.6
## 1446 0 2 2.0 2.2 2.6 3.0
## 1447 1 2 2.0 2.0 2.4 2.0
## 1448 1 2 2.0 2.0 2.4 2.0
## 1449 0 3 4.0 3.4 4.0 4.0
## 1450 0 2 3.6 3.6 5.0 3.6
## 1451 0 2 2.0 2.2 2.6 3.0
## 1452 0 4 4.2 3.6 5.0 4.0
## 1453 1 2 2.0 2.0 2.4 2.0
## 1454 1 3 3.2 2.8 3.2 2.8
## 1455 0 3 4.0 4.0 4.8 2.8
## 1456 1 2 3.4 3.6 3.4 3.0
## 1457 1 3 3.0 3.6 4.0 2.4
## 1458 1 3 3.0 3.6 4.0 2.4
## 1459 1 3 2.0 2.2 2.0 2.0
## 1460 0 3 3.0 3.0 2.6 3.0
## 1461 1 3 3.2 2.8 3.2 2.8
## 1462 0 3 4.0 4.0 4.8 2.8
## 1463 0 4 3.2 2.4 3.8 4.0
## 1464 1 2 3.4 3.0 3.0 3.0
## 1465 1 3 3.4 3.2 3.6 4.4
## 1466 0 3 3.4 2.8 3.8 3.6
## 1467 0 3 2.4 1.0 3.6 4.0
## 1468 0 3 3.8 2.4 4.4 4.8
## 1469 1 3 3.8 3.8 4.8 4.4
## 1470 0 3 3.2 3.0 3.5 3.6
## 1471 0 4 3.0 2.4 4.0 4.4
## 1472 1 3 2.8 1.6 2.4 3.4
## 1473 1 3 2.4 1.6 2.6 4.4
## 1474 0 4 3.0 2.4 5.0 5.0
## 1475 1 4 3.4 2.6 3.8 4.0
## 1476 1 2 2.6 3.8 4.0 4.0
## 1477 1 4 4.0 4.0 4.0 3.4
## 1478 1 2 3.0 2.0 3.0 2.2
## 1479 1 3 2.0 3.0 4.0 3.0
## 1480 1 3 2.6 2.8 3.6 3.6
## 1481 0 2 3.2 2.6 4.2 4.2
## 1482 1 3 3.6 3.0 3.0 4.0
## 1483 0 3 2.2 2.6 2.0 3.0
## 1484 0 2 2.4 2.0 2.4 2.8
## 1485 1 3 2.4 2.4 4.0 3.8
## 1486 1 3 3.4 3.6 4.0 3.8
## 1487 0 3 3.0 3.8 4.0 4.8
## 1488 1 3 3.4 3.4 3.8 3.0
## 1489 0 3 3.2 2.2 3.6 3.4
## 1490 0 2 3.0 3.2 3.2 3.4
## 1491 1 3 3.6 2.8 3.2 4.0
## 1492 0 2 2.4 3.2 3.6 4.0
## 1493 1 4 3.2 3.0 3.6 4.2
## 1494 0 4 3.4 2.4 3.6 3.8
## 1495 0 2 2.0 2.4 2.6 3.2
## 1496 0 3 2.4 1.8 4.0 4.0
## 1497 0 3 3.0 3.4 3.8 4.2
## 1498 1 2 4.6 4.4 4.6 4.2
## 1499 0 2 3.6 3.2 5.0 4.0
## 1500 1 3 3.0 2.4 2.2 3.6
## 1501 1 3 4.0 3.8 5.0 4.2
## 1502 1 2 3.4 2.4 3.8 3.4
## 1503 0 2 1.8 1.4 3.0 3.6
## 1504 0 3 3.8 3.0 3.8 4.0
## 1505 0 4 2.8 2.8 3.6 4.0
## 1506 1 3 2.4 2.4 2.4 3.2
## 1507 1 3 3.6 3.4 4.0 4.0
## 1508 0 2 2.8 2.4 3.8 4.0
## 1509 0 3 3.2 1.8 3.0 3.6
## 1510 0 3 2.0 2.8 3.6 3.6
## 1511 0 3 2.6 2.0 2.0 3.6
## 1512 1 3 3.6 2.4 3.0 4.0
## 1513 0 3 2.4 2.4 3.0 3.0
## 1514 0 3 3.0 2.4 4.0 3.6
## 1515 1 3 3.2 2.2 3.3 3.8
## 1516 0 2 2.8 1.8 3.4 3.8
## 1517 1 3 2.6 2.0 3.2 3.4
## 1518 0 3 3.0 1.6 3.6 3.8
## 1519 0 2 2.0 2.8 3.0 3.2
## 1520 0 3 3.4 3.8 4.0 4.0
## 1521 0 2 2.8 3.0 4.6 3.4
## 1522 0 2 3.0 1.8 3.2 3.0
## 1523 1 3 3.2 3.0 3.8 2.8
## 1524 1 3 3.2 2.8 4.0 4.0
## 1525 1 3 3.2 2.8 4.0 4.0
## 1526 0 2 3.2 2.0 3.8 3.2
## 1527 0 3 2.4 2.4 2.0 2.4
## 1528 1 3 3.8 3.2 4.2 3.6
## 1529 0 3 3.4 3.0 4.4 4.2
## 1530 1 4 2.0 2.8 2.8 3.2
## 1531 0 3 4.0 4.0 4.0 4.0
## 1532 0 4 4.0 3.2 4.0 4.0
## 1533 1 3 2.4 2.8 3.6 3.4
## 1534 0 3 4.0 4.4 4.4 4.2
## 1535 1 3 3.4 4.8 4.0 3.6
## 1536 0 2 3.8 4.8 4.6 4.0
## 1537 1 2 2.8 2.8 3.0 3.0
## 1538 0 3 2.2 1.4 3.6 5.0
## 1539 0 2 3.8 2.4 3.6 3.4
## 1540 1 4 4.0 2.8 4.4 5.0
## 1541 1 3 3.0 2.4 3.6 3.6
## 1542 0 3 2.4 1.8 2.0 3.0
## 1543 0 3 3.8 3.0 4.8 4.0
## 1544 0 3 3.8 4.4 4.4 4.4
## 1545 1 2 2.2 3.2 3.2 3.8
## 1546 0 3 3.6 3.2 4.2 4.0
## 1547 1 3 3.4 2.0 4.0 3.0
## 1548 0 3 2.8 3.0 3.6 3.6
## 1549 0 4 3.2 2.6 4.8 4.0
## 1550 0 4 3.0 3.0 3.2 3.8
## 1551 1 4 4.2 4.6 5.0 5.0
## 1552 1 3 2.8 3.2 4.0 4.0
## 1553 1 2 3.0 2.6 3.2 3.0
## 1554 0 3 3.4 3.8 5.0 3.8
## 1555 0 4 3.4 2.6 4.8 4.0
## 1556 0 3 3.4 3.4 4.0 4.0
## 1557 0 3 3.4 3.6 4.0 4.0
## 1558 0 2 3.8 3.4 2.4 4.4
## 1559 0 4 3.2 2.4 4.0 4.0
## 1560 0 3 2.4 3.4 5.0 3.6
## 1561 0 3 2.6 2.8 3.6 3.8
## 1562 1 3 2.6 3.0 4.0 4.2
## 1563 1 3 2.6 2.6 3.4 2.6
## 1564 0 3 3.2 3.4 4.2 4.0
## 1565 1 2 3.6 3.0 4.2 2.6
## 1566 1 2 2.4 2.2 3.2 4.4
## 1567 1 2 3.0 2.6 5.0 5.0
## 1568 1 2 4.0 3.0 4.0 4.2
## 1569 0 2 3.6 4.0 4.0 4.4
## 1570 1 3 3.6 3.0 3.8 3.4
## 1571 0 3 3.8 2.0 3.4 4.6
## 1572 0 3 3.0 2.4 2.0 2.8
## 1573 0 3 2.2 2.8 3.0 3.4
## 1574 0 2 3.2 3.0 3.8 4.4
## 1575 0 2 3.0 3.6 4.0 3.2
## 1576 0 3 3.6 3.8 4.2 3.8
## 1577 0 3 2.0 2.4 3.0 4.0
## 1578 1 3 4.0 4.0 4.0 4.0
## 1579 0 3 4.6 4.2 4.2 4.2
## 1580 1 3 4.2 4.6 3.8 3.6
## 1581 1 3 3.8 3.8 3.8 4.2
## 1582 1 3 3.8 2.4 3.2 4.4
## 1583 0 3 3.8 2.6 3.2 4.4
## 1584 0 2 3.0 2.4 3.4 3.8
## 1585 0 2 2.8 2.0 3.8 4.0
## 1586 0 3 2.0 3.8 4.0 4.0
## 1587 0 3 4.2 4.4 4.2 3.6
## 1588 0 3 3.6 2.8 4.2 3.6
## 1589 0 3 3.0 3.0 3.8 2.6
## 1590 0 1 2.6 1.4 2.0 3.6
## 1591 1 3 3.2 3.2 3.0 3.2
## 1592 1 3 1.9 2.0 2.8 1.6
## 1593 1 3 3.4 2.8 4.6 3.0
## 1594 0 3 2.0 2.0 2.0 1.6
## 1595 1 2 3.0 3.4 3.0 4.2
## 1596 0 3 3.0 3.2 4.8 4.4
## 1597 0 3 4.0 4.0 4.4 4.2
## 1598 0 3 3.0 2.6 3.8 3.4
## 1599 0 3 3.8 3.0 5.0 4.6
## 1600 1 3 3.8 3.0 4.6 4.4
## 1601 0 2 2.6 3.0 3.4 3.4
## 1602 1 2 4.0 2.8 4.0 3.2
## 1603 0 2 2.8 3.0 3.6 4.2
## 1604 0 3 3.4 3.0 3.2 3.8
## 1605 0 2 2.8 1.8 4.0 3.8
## 1606 1 2 3.6 2.6 2.6 2.4
## 1607 0 3 3.4 2.8 3.0 3.0
## 1608 1 3 4.0 3.6 3.4 4.0
## 1609 0 3 3.8 3.2 4.0 3.4
## 1610 1 3 3.6 2.4 2.4 3.2
## 1611 0 3 3.6 2.2 3.8 4.4
## 1612 0 2 3.0 2.8 3.6 3.4
## 1613 0 3 3.2 2.4 3.6 2.8
## 1614 0 3 4.2 2.4 3.8 3.4
## 1615 0 3 3.2 2.4 3.2 3.4
## 1616 0 3 3.2 2.8 3.6 3.4
## 1617 0 3 3.2 2.4 3.0 2.8
## 1618 0 4 3.4 3.2 4.0 4.0
## 1619 0 3 3.4 3.2 4.0 4.0
## 1620 1 3 3.4 2.8 4.0 4.0
## 1621 1 3 3.4 1.8 3.6 3.0
## 1622 1 3 3.0 2.6 3.8 3.4
## 1623 0 3 3.8 2.6 4.0 3.8
## 1624 0 4 3.4 3.0 3.8 3.8
## 1625 1 4 4.0 4.2 3.8 3.0
## 1626 0 3 3.2 2.6 3.6 3.4
## 1627 1 3 3.4 2.8 3.6 4.2
## 1628 0 3 3.4 2.0 3.2 2.2
## 1629 0 3 2.6 2.0 3.2 3.2
## 1630 1 3 4.0 2.4 4.2 3.2
## 1631 1 3 3.2 2.4 3.8 2.0
## 1632 0 2 4.0 2.0 3.4 2.0
## 1633 0 3 3.0 2.0 2.4 3.4
## 1634 1 3 2.8 2.0 3.0 3.4
## 1635 1 3 3.4 2.8 3.6 4.2
## 1636 0 3 2.8 2.8 3.8 3.2
## 1637 1 3 2.8 2.0 3.0 3.4
## 1638 0 3 2.0 2.0 2.6 2.4
## 1639 0 2 3.0 3.4 3.2 3.6
## 1640 0 3 4.4 3.2 3.8 4.6
## 1641 0 3 2.8 2.2 3.6 3.6
## 1642 0 3 3.0 2.6 4.0 2.8
## 1643 0 3 3.2 2.0 2.4 3.2
## 1644 0 3 3.8 3.4 4.0 3.6
## 1645 0 3 2.2 1.8 3.6 2.8
## 1646 1 3 2.2 2.0 2.8 3.2
## 1647 0 3 3.8 3.8 4.8 4.6
## 1648 1 2 3.0 3.8 4.4 4.0
## 1649 0 2 1.4 3.0 2.0 3.6
## 1650 0 2 3.0 3.6 2.2 3.0
## 1651 0 2 3.2 1.8 2.8 2.4
## 1652 0 2 2.4 2.6 3.0 3.0
## 1653 0 2 2.8 3.2 2.6 3.4
## 1654 1 2 2.4 2.8 2.4 2.4
## 1655 1 2 3.2 2.8 3.6 2.8
## 1656 0 2 2.0 3.0 3.8 4.2
## 1657 0 2 3.0 2.8 2.6 2.6
## 1658 0 2 2.6 3.0 3.2 2.8
## 1659 0 2 4.0 2.6 3.4 2.8
## 1660 1 2 2.6 3.0 3.2 2.8
## 1661 0 3 3.8 2.4 2.4 2.8
## 1662 1 3 1.0 1.0 2.6 3.0
## 1663 0 2 3.2 2.4 3.6 3.6
## 1664 1 2 3.0 3.4 3.0 4.2
## 1665 0 2 3.8 2.8 3.8 3.6
## 1666 1 3 2.6 3.8 2.6 3.8
## 1667 1 2 4.4 3.0 5.0 4.6
## 1668 1 3 4.0 3.8 3.2 3.6
## 1669 1 3 4.0 4.6 5.0 4.6
## 1670 0 2 3.6 3.6 4.0 3.0
## 1671 1 2 4.0 2.6 3.4 2.8
## 1672 0 2 3.2 3.0 2.8 2.2
## 1673 1 2 3.2 3.0 2.8 2.2
## 1674 0 3 2.2 2.0 3.6 3.6
## 1675 1 2 3.6 3.2 3.8 3.0
## 1676 0 2 4.6 3.2 4.0 4.0
## 1677 0 2 4.0 2.4 3.0 3.0
## 1678 0 2 2.0 2.2 3.8 2.8
## 1679 0 2 2.4 3.0 5.0 4.4
## 1680 1 2 5.0 4.2 5.0 5.0
## 1681 1 3 4.2 3.8 4.0 3.8
## 1682 1 3 3.2 2.4 4.0 2.8
## 1683 0 3 4.0 3.8 4.4 2.6
## 1684 1 3 3.0 1.2 4.0 2.2
## 1685 1 3 3.6 2.4 2.8 2.6
## 1686 1 3 2.0 4.0 3.4 3.4
## 1687 0 3 3.0 3.0 3.4 3.4
## 1688 0 3 3.6 2.8 4.0 3.4
## 1689 0 3 3.8 3.4 3.8 3.4
## 1690 0 2 3.2 3.0 2.8 2.2
## 1691 1 2 3.6 3.6 4.6 3.2
## 1692 0 3 3.2 3.6 3.2 3.0
## 1693 0 1 3.4 3.4 4.0 3.4
## 1694 0 3 2.6 2.6 2.2 3.8
## 1695 0 3 2.8 2.6 4.0 3.6
## 1696 1 2 3.0 3.4 2.0 2.2
## 1697 1 2 3.8 2.4 4.0 3.8
## 1698 0 3 2.4 3.2 3.4 3.4
## 1699 0 3 2.8 3.4 3.2 3.0
## 1700 0 3 3.4 2.0 4.0 2.6
## 1701 0 2 3.2 2.8 3.4 3.4
## 1702 1 3 2.0 4.0 3.4 3.4
## 1703 1 2 4.0 4.0 3.4 2.8
## 1704 1 2 2.6 3.0 3.2 2.8
## 1705 1 3 4.0 2.6 3.4 2.8
## 1706 1 3 4.0 2.6 3.4 2.8
## 1707 0 3 2.8 3.4 3.6 4.2
## 1708 0 2 3.2 3.2 3.0 3.2
## 1709 1 3 4.2 2.6 3.2 3.6
## 1710 0 2 2.8 2.8 3.4 3.0
## 1711 0 3 3.0 2.8 3.6 3.6
## 1712 0 3 2.6 3.0 3.6 3.6
## 1713 0 3 2.2 3.4 4.4 2.6
## 1714 0 3 3.6 4.0 4.4 3.8
## 1715 0 3 4.6 3.6 4.0 3.6
## 1716 0 3 4.0 2.8 3.8 4.0
## 1717 1 3 4.0 3.2 4.0 3.0
## 1718 1 3 3.2 2.4 3.8 3.2
## 1719 1 3 2.6 3.0 4.2 3.0
## 1720 1 3 3.6 3.4 3.4 3.0
## 1721 0 3 3.4 2.2 4.0 3.4
## 1722 1 3 4.4 3.0 4.2 3.0
## 1723 1 3 3.4 3.2 4.4 3.8
## 1724 1 3 1.8 2.2 3.0 2.8
## 1725 1 3 3.4 3.0 3.0 3.2
## 1726 1 3 4.6 4.6 4.2 3.2
## 1727 0 3 2.2 2.2 2.4 2.6
## 1728 0 2 3.8 2.6 3.0 3.4
## 1729 1 3 3.0 2.4 3.2 3.2
## 1730 1 3 3.8 4.2 3.6 3.8
## 1731 1 3 4.6 3.8 3.2 4.4
## 1732 0 2 4.0 3.4 3.0 2.6
## 1733 0 3 3.0 3.0 3.0 3.4
## 1734 1 3 4.0 3.8 4.0 4.0
## 1735 0 3 3.2 2.6 3.2 3.6
## 1736 1 2 2.6 3.0 3.2 2.8
## 1737 0 3 3.4 2.8 3.8 4.4
## 1738 0 3 3.6 3.8 4.0 4.0
## 1739 1 3 3.8 3.8 4.8 5.0
## 1740 0 3 4.0 3.0 4.0 4.2
## 1741 0 3 3.2 3.8 3.2 2.8
## 1742 0 3 2.8 2.8 3.0 4.0
## 1743 0 3 2.8 3.6 3.8 4.2
## 1744 0 3 3.4 3.6 4.0 3.4
## 1745 0 3 3.0 2.6 4.0 3.0
## 1746 0 3 2.8 2.2 3.0 3.2
## 1747 0 3 3.0 2.6 3.4 3.4
## 1748 0 3 2.8 3.4 3.0 3.6
## 1749 1 3 3.2 2.0 3.2 3.6
## 1750 1 3 3.6 3.0 3.8 4.0
## 1751 1 3 3.8 3.6 3.8 3.6
## 1752 1 3 4.4 4.0 4.6 3.6
## 1753 1 3 4.8 4.2 4.2 4.6
## 1754 1 3 5.0 5.0 5.0 4.6
## 1755 1 3 4.0 4.8 4.2 4.0
## 1756 1 3 3.8 2.8 3.2 3.2
## 1757 1 2 2.6 3.0 3.2 2.8
## 1758 1 2 2.6 3.0 3.2 2.8
## 1759 0 2 2.6 3.0 3.2 2.8
## 1760 1 3 3.2 3.0 2.8 2.2
## 1761 0 3 3.2 2.8 3.6 4.2
## 1762 0 3 4.8 4.8 4.4 3.6
## 1763 1 2 2.6 2.6 3.2 3.4
## 1764 0 3 4.0 3.2 4.4 4.4
## 1765 0 3 2.6 1.4 2.6 2.4
## 1766 0 3 2.6 1.4 2.6 2.4
## 1767 1 3 3.2 3.0 3.0 2.8
## 1768 1 2 3.8 4.4 4.2 3.6
## 1769 0 3 2.2 2.8 2.8 3.2
## 1770 0 4 3.2 3.2 3.8 3.4
## 1771 0 3 4.6 3.6 4.8 3.6
## 1772 1 3 3.6 4.0 5.0 4.4
## 1773 1 2 2.8 3.0 3.4 3.8
## 1774 0 3 2.8 3.0 2.8 3.6
## 1775 1 3 4.8 4.4 5.0 4.4
## 1776 0 3 2.8 2.6 2.6 4.0
## 1777 0 3 4.2 4.4 4.2 4.0
## 1778 0 3 3.8 3.0 4.2 4.2
## 1779 1 3 3.0 2.0 4.2 2.8
## 1780 0 3 3.0 3.4 3.0 2.4
## 1781 1 3 3.8 4.2 5.0 4.6
## 1782 1 2 3.4 3.0 3.0 3.2
## 1783 1 3 3.8 3.8 4.4 4.2
## 1784 1 2 2.6 2.6 4.2 3.8
## 1785 0 3 5.0 3.6 5.0 3.6
## 1786 1 1 4.2 3.6 4.4 3.4
## 1787 0 3 3.0 3.0 3.2 3.4
## 1788 0 3 4.0 4.0 3.8 4.0
## 1789 1 3 4.0 4.2 4.0 4.2
## 1790 0 3 2.0 3.0 3.2 3.0
## 1791 1 3 3.4 2.6 4.0 4.0
## 1792 0 3 2.8 2.2 3.6 3.0
## 1793 1 3 2.6 2.6 4.0 3.8
## 1794 0 3 4.0 4.2 4.8 4.4
## 1795 0 3 3.0 3.8 4.0 3.8
## 1796 0 3 2.8 2.2 3.8 3.6
## 1797 0 3 4.0 2.4 4.0 4.2
## 1798 1 2 4.0 3.2 5.0 4.6
## 1799 0 3 3.6 3.4 3.6 3.2
## 1800 0 3 2.4 2.6 2.2 4.4
## 1801 1 3 3.8 3.2 4.0 3.4
## 1802 0 3 4.0 3.0 4.8 3.8
## 1803 1 3 3.8 3.2 4.0 3.4
## 1804 0 3 4.0 3.0 4.8 3.8
## 1805 0 3 4.0 3.0 4.2 4.8
## 1806 1 3 4.2 3.8 3.2 4.0
## 1807 0 3 3.4 2.8 3.8 3.8
## 1808 1 3 2.4 2.0 2.8 3.6
## 1809 1 3 3.8 3.2 4.0 3.0
## 1810 1 4 4.0 3.2 3.0 2.6
## 1811 1 2 2.6 3.0 3.8 2.6
## 1812 1 3 2.8 2.0 3.8 4.6
## 1813 0 3 4.6 3.4 4.2 3.6
## 1814 0 3 3.0 2.0 3.4 3.0
## 1815 0 3 2.0 2.2 2.0 3.4
## 1816 0 3 3.2 2.4 4.0 2.8
## 1817 0 3 1.4 1.0 2.4 2.6
## 1818 1 1 3.6 3.0 3.4 4.2
## 1819 1 3 4.2 3.4 4.0 3.2
## 1820 1 3 2.0 1.2 2.8 3.0
## 1821 0 4 3.0 1.8 3.6 3.8
## 1822 0 3 3.4 1.0 2.4 2.6
## 1823 1 3 4.2 3.0 3.2 3.6
## 1824 0 3 5.0 4.4 5.0 3.4
## 1825 1 2 3.0 3.0 3.0 3.0
## 1826 1 3 4.0 3.2 4.4 3.0
## 1827 1 2 3.4 2.4 2.6 2.0
## 1828 1 3 3.0 2.8 4.0 4.2
## 1829 1 1 2.6 3.0 3.2 2.8
## 1830 0 4 3.0 3.2 3.8 3.4
## 1831 0 3 2.8 2.2 2.8 3.8
## 1832 0 3 2.2 2.2 4.0 4.2
## 1833 0 3 3.4 2.2 2.0 3.6
## 1834 0 3 3.2 2.6 3.0 3.4
## 1835 0 3 3.2 2.4 3.8 2.8
## 1836 0 3 2.0 2.0 4.0 4.0
## 1837 0 3 2.4 2.4 3.8 4.4
## 1838 1 3 2.0 2.4 1.8 3.4
## 1839 1 3 3.8 2.2 4.0 3.8
## 1840 1 1 3.4 3.0 3.4 4.0
## 1841 0 3 3.4 2.2 2.8 3.6
## 1842 0 3 2.8 3.4 4.0 3.2
## 1843 0 3 3.0 2.8 4.0 3.8
## 1844 0 3 4.0 2.6 3.8 4.6
## 1845 0 3 3.2 2.2 3.6 3.0
## 1846 1 3 3.4 3.6 3.6 4.2
## 1847 0 3 2.8 2.8 2.6 2.2
## 1848 1 2 3.6 2.0 2.8 3.8
## 1849 0 3 4.6 4.2 4.8 4.6
## 1850 1 3 3.4 2.2 3.8 3.4
## 1851 1 2 3.0 3.0 3.6 3.2
## 1852 0 3 3.6 3.4 4.0 3.8
## 1853 0 3 2.8 1.6 3.6 3.0
## 1854 0 3 3.2 3.0 3.8 3.8
## 1855 1 3 3.2 2.2 3.8 4.0
## 1856 1 2 2.6 2.4 4.0 3.4
## 1857 0 3 2.0 2.4 3.0 2.4
## 1858 0 3 3.0 3.2 3.2 3.0
## 1859 0 3 2.2 3.0 3.8 4.0
## 1860 0 2 2.8 3.2 2.2 2.4
## 1861 1 2 3.2 2.8 4.2 3.8
## 1862 0 3 2.8 2.0 5.0 2.6
## 1863 1 2 1.8 1.0 2.4 2.8
## 1864 1 2 3.6 3.4 3.8 3.0
## 1865 1 4 4.0 4.2 4.2 4.2
## 1866 1 3 2.0 3.0 5.0 5.0
## 1867 0 3 3.0 3.0 4.0 4.2
## 1868 1 4 3.4 2.6 3.4 4.2
## 1869 1 3 4.6 3.8 2.8 2.8
## 1870 0 3 3.0 3.6 4.0 3.0
## 1871 1 3 4.8 3.8 4.0 4.0
## 1872 0 3 3.6 3.8 4.0 2.8
## 1873 0 3 2.8 2.8 4.0 2.8
## 1874 1 3 2.6 2.4 4.0 4.0
## 1875 0 3 2.0 1.6 3.6 4.0
## 1876 0 3 3.2 3.6 4.4 4.8
## 1877 0 2 2.8 1.8 3.2 3.0
## 1878 1 3 2.0 2.2 3.8 3.6
## 1879 1 3 4.2 3.4 4.0 3.6
## 1880 0 3 3.4 3.8 4.0 3.6
## 1881 1 3 4.4 3.2 4.2 4.0
## 1882 0 3 3.4 3.4 4.0 3.4
## 1883 1 3 4.2 5.0 4.6 4.6
## 1884 0 2 3.6 1.8 3.8 3.8
## 1885 0 3 3.0 3.8 4.8 4.0
## 1886 0 2 1.8 1.4 3.0 4.0
## 1887 0 3 5.0 3.2 5.0 2.6
## 1888 1 4 3.2 3.0 4.0 3.8
## 1889 1 3 5.0 4.6 5.0 5.0
## 1890 1 2 2.8 2.4 3.4 3.0
## 1891 0 3 2.2 3.0 3.6 3.4
## 1892 1 3 3.6 2.4 3.6 3.6
## 1893 0 2 3.0 2.4 3.0 3.0
## 1894 1 3 4.2 3.2 4.2 3.2
## 1895 1 3 2.2 1.8 2.4 2.2
## 1896 1 3 3.8 3.2 4.8 4.2
## 1897 1 3 2.2 1.8 2.4 2.2
## 1898 1 3 4.8 3.2 3.4 3.2
## 1899 1 2 1.4 1.8 1.4 2.4
## 1900 0 3 3.8 4.0 3.8 3.6
## 1901 0 3 3.8 4.4 4.0 4.4
## 1902 0 3 3.6 2.8 3.8 3.0
## 1903 1 3 3.8 3.4 4.2 5.0
## 1904 1 3 4.6 4.2 4.0 3.0
## 1905 1 3 4.6 2.8 4.4 2.8
## 1906 1 3 4.0 4.0 4.2 4.2
## 1907 0 2 3.2 2.4 2.6 3.0
## 1908 1 3 2.2 3.0 3.0 3.2
## 1909 0 3 3.8 3.0 3.6 3.4
## 1910 1 3 2.6 2.8 2.4 3.4
## 1911 1 3 3.8 3.6 3.2 3.4
## 1912 1 2 3.4 3.4 3.4 3.4
## 1913 1 3 3.6 3.6 4.0 3.2
## 1914 1 3 3.2 3.2 2.8 3.4
## 1915 1 3 2.4 2.6 3.8 3.2
## 1916 0 3 2.4 1.8 3.2 3.6
## 1917 0 3 4.0 3.4 4.0 3.4
## 1918 0 2 3.4 2.2 2.6 3.4
## 1919 1 2 3.2 3.4 3.6 2.8
## 1920 1 3 3.8 2.6 3.4 3.6
## 1921 1 2 1.8 2.0 2.0 2.0
## 1922 0 2 2.4 1.0 3.4 3.4
## 1923 0 2 4.2 2.2 3.4 3.6
## 1924 1 2 3.2 3.4 3.0 3.8
## 1925 0 3 2.0 1.0 3.0 3.2data2 <- read.csv("mtcars.csv")
data2## X mpg cyl disp hp drat wt qsec vs am gear carb
## 1 Mazda RX4 21.0 6 160.0 110 3.90 2.620 16.46 0 1 4 4
## 2 Mazda RX4 Wag 21.0 6 160.0 110 3.90 2.875 17.02 0 1 4 4
## 3 Datsun 710 22.8 4 108.0 93 3.85 2.320 18.61 1 1 4 1
## 4 Hornet 4 Drive 21.4 6 258.0 110 3.08 3.215 19.44 1 0 3 1
## 5 Hornet Sportabout 18.7 8 360.0 175 3.15 3.440 17.02 0 0 3 2
## 6 Valiant 18.1 6 225.0 105 2.76 3.460 20.22 1 0 3 1
## 7 Duster 360 14.3 8 360.0 245 3.21 3.570 15.84 0 0 3 4
## 8 Merc 240D 24.4 4 146.7 62 3.69 3.190 20.00 1 0 4 2
## 9 Merc 230 22.8 4 140.8 95 3.92 3.150 22.90 1 0 4 2
## 10 Merc 280 19.2 6 167.6 123 3.92 3.440 18.30 1 0 4 4
## 11 Merc 280C 17.8 6 167.6 123 3.92 3.440 18.90 1 0 4 4
## 12 Merc 450SE 16.4 8 275.8 180 3.07 4.070 17.40 0 0 3 3
## 13 Merc 450SL 17.3 8 275.8 180 3.07 3.730 17.60 0 0 3 3
## 14 Merc 450SLC 15.2 8 275.8 180 3.07 3.780 18.00 0 0 3 3
## 15 Cadillac Fleetwood 10.4 8 472.0 205 2.93 5.250 17.98 0 0 3 4
## 16 Lincoln Continental 10.4 8 460.0 215 3.00 5.424 17.82 0 0 3 4
## 17 Chrysler Imperial 14.7 8 440.0 230 3.23 5.345 17.42 0 0 3 4
## 18 Fiat 128 32.4 4 78.7 66 4.08 2.200 19.47 1 1 4 1
## 19 Honda Civic 30.4 4 75.7 52 4.93 1.615 18.52 1 1 4 2
## 20 Toyota Corolla 33.9 4 71.1 65 4.22 1.835 19.90 1 1 4 1
## 21 Toyota Corona 21.5 4 120.1 97 3.70 2.465 20.01 1 0 3 1
## 22 Dodge Challenger 15.5 8 318.0 150 2.76 3.520 16.87 0 0 3 2
## 23 AMC Javelin 15.2 8 304.0 150 3.15 3.435 17.30 0 0 3 2
## 24 Camaro Z28 13.3 8 350.0 245 3.73 3.840 15.41 0 0 3 4
## 25 Pontiac Firebird 19.2 8 400.0 175 3.08 3.845 17.05 0 0 3 2
## 26 Fiat X1-9 27.3 4 79.0 66 4.08 1.935 18.90 1 1 4 1
## 27 Porsche 914-2 26.0 4 120.3 91 4.43 2.140 16.70 0 1 5 2
## 28 Lotus Europa 30.4 4 95.1 113 3.77 1.513 16.90 1 1 5 2
## 29 Ford Pantera L 15.8 8 351.0 264 4.22 3.170 14.50 0 1 5 4
## 30 Ferrari Dino 19.7 6 145.0 175 3.62 2.770 15.50 0 1 5 6
## 31 Maserati Bora 15.0 8 301.0 335 3.54 3.570 14.60 0 1 5 8
## 32 Volvo 142E 21.4 4 121.0 109 4.11 2.780 18.60 1 1 4 2data(iris)
head(iris)## Sepal.Length Sepal.Width Petal.Length Petal.Width Species
## 1 5.1 3.5 1.4 0.2 setosa
## 2 4.9 3.0 1.4 0.2 setosa
## 3 4.7 3.2 1.3 0.2 setosa
## 4 4.6 3.1 1.5 0.2 setosa
## 5 5.0 3.6 1.4 0.2 setosa
## 6 5.4 3.9 1.7 0.4 setosahead(iris,3)## Sepal.Length Sepal.Width Petal.Length Petal.Width Species
## 1 5.1 3.5 1.4 0.2 setosa
## 2 4.9 3.0 1.4 0.2 setosa
## 3 4.7 3.2 1.3 0.2 setosatail(iris)## Sepal.Length Sepal.Width Petal.Length Petal.Width Species
## 145 6.7 3.3 5.7 2.5 virginica
## 146 6.7 3.0 5.2 2.3 virginica
## 147 6.3 2.5 5.0 1.9 virginica
## 148 6.5 3.0 5.2 2.0 virginica
## 149 6.2 3.4 5.4 2.3 virginica
## 150 5.9 3.0 5.1 1.8 virginicatail(iris,3)## Sepal.Length Sepal.Width Petal.Length Petal.Width Species
## 148 6.5 3.0 5.2 2.0 virginica
## 149 6.2 3.4 5.4 2.3 virginica
## 150 5.9 3.0 5.1 1.8 virginicastr(iris)## 'data.frame': 150 obs. of 5 variables:
## $ Sepal.Length: num 5.1 4.9 4.7 4.6 5 5.4 4.6 5 4.4 4.9 ...
## $ Sepal.Width : num 3.5 3 3.2 3.1 3.6 3.9 3.4 3.4 2.9 3.1 ...
## $ Petal.Length: num 1.4 1.4 1.3 1.5 1.4 1.7 1.4 1.5 1.4 1.5 ...
## $ Petal.Width : num 0.2 0.2 0.2 0.2 0.2 0.4 0.3 0.2 0.2 0.1 ...
## $ Species : Factor w/ 3 levels "setosa","versicolor",..: 1 1 1 1 1 1 1 1 1 1 ...tail(data2)## X mpg cyl disp hp drat wt qsec vs am gear carb
## 27 Porsche 914-2 26.0 4 120.3 91 4.43 2.140 16.7 0 1 5 2
## 28 Lotus Europa 30.4 4 95.1 113 3.77 1.513 16.9 1 1 5 2
## 29 Ford Pantera L 15.8 8 351.0 264 4.22 3.170 14.5 0 1 5 4
## 30 Ferrari Dino 19.7 6 145.0 175 3.62 2.770 15.5 0 1 5 6
## 31 Maserati Bora 15.0 8 301.0 335 3.54 3.570 14.6 0 1 5 8
## 32 Volvo 142E 21.4 4 121.0 109 4.11 2.780 18.6 1 1 4 2tail(data2,3)## X mpg cyl disp hp drat wt qsec vs am gear carb
## 30 Ferrari Dino 19.7 6 145 175 3.62 2.77 15.5 0 1 5 6
## 31 Maserati Bora 15.0 8 301 335 3.54 3.57 14.6 0 1 5 8
## 32 Volvo 142E 21.4 4 121 109 4.11 2.78 18.6 1 1 4 2str(data2)## 'data.frame': 32 obs. of 12 variables:
## $ X : chr "Mazda RX4" "Mazda RX4 Wag" "Datsun 710" "Hornet 4 Drive" ...
## $ mpg : num 21 21 22.8 21.4 18.7 18.1 14.3 24.4 22.8 19.2 ...
## $ cyl : int 6 6 4 6 8 6 8 4 4 6 ...
## $ disp: num 160 160 108 258 360 ...
## $ hp : int 110 110 93 110 175 105 245 62 95 123 ...
## $ drat: num 3.9 3.9 3.85 3.08 3.15 2.76 3.21 3.69 3.92 3.92 ...
## $ wt : num 2.62 2.88 2.32 3.21 3.44 ...
## $ qsec: num 16.5 17 18.6 19.4 17 ...
## $ vs : int 0 0 1 1 0 1 0 1 1 1 ...
## $ am : int 1 1 1 0 0 0 0 0 0 0 ...
## $ gear: int 4 4 4 3 3 3 3 4 4 4 ...
## $ carb: int 4 4 1 1 2 1 4 2 2 4 ...tail(data)## Q1 Q2 Q3 Q4 Q5 Q6 Q7 Q8 Q9 Q10 Q11 Q12 Q13 Q14 Q15 Q16 Q17 Q18 Q19 Q20
## 1920 4 4 3 4 4 2 2 3 4 2 2 4 3 4 4 3 4 4 3 4
## 1921 2 2 2 1 2 2 2 2 2 2 1 3 2 1 3 2 2 2 2 2
## 1922 3 2 2 2 3 1 1 1 1 1 3 3 3 4 4 4 4 5 2 2
## 1923 5 4 4 4 4 2 2 2 2 3 3 4 3 4 3 3 3 4 4 4
## 1924 4 4 4 2 2 4 2 4 4 3 3 2 3 4 3 4 4 4 3 4
## 1925 3 3 1 1 2 1 1 1 1 1 4 4 3 2 2 3 4 4 3 2
## Gender EDU BF BM Happiness Peace
## 1920 1 3 3.8 2.6 3.4 3.6
## 1921 1 2 1.8 2.0 2.0 2.0
## 1922 0 2 2.4 1.0 3.4 3.4
## 1923 0 2 4.2 2.2 3.4 3.6
## 1924 1 2 3.2 3.4 3.0 3.8
## 1925 0 3 2.0 1.0 3.0 3.2tail(data,3)## Q1 Q2 Q3 Q4 Q5 Q6 Q7 Q8 Q9 Q10 Q11 Q12 Q13 Q14 Q15 Q16 Q17 Q18 Q19 Q20
## 1923 5 4 4 4 4 2 2 2 2 3 3 4 3 4 3 3 3 4 4 4
## 1924 4 4 4 2 2 4 2 4 4 3 3 2 3 4 3 4 4 4 3 4
## 1925 3 3 1 1 2 1 1 1 1 1 4 4 3 2 2 3 4 4 3 2
## Gender EDU BF BM Happiness Peace
## 1923 0 2 4.2 2.2 3.4 3.6
## 1924 1 2 3.2 3.4 3.0 3.8
## 1925 0 3 2.0 1.0 3.0 3.2str(data)## 'data.frame': 1925 obs. of 26 variables:
## $ Q1 : int 4 4 4 5 4 4 4 4 4 4 ...
## $ Q2 : int 4 4 4 4 4 4 2 2 4 4 ...
## $ Q3 : int 2 4 4 4 4 4 4 4 4 2 ...
## $ Q4 : int 3 4 4 4 4 4 4 4 4 2 ...
## $ Q5 : int 4 4 2 4 4 4 4 4 2 4 ...
## $ Q6 : int 2 3 4 4 4 4 4 4 1 2 ...
## $ Q7 : int 2 2 4 4 4 4 4 4 3 4 ...
## $ Q8 : int 4 4 4 4 4 4 5 5 2 2 ...
## $ Q9 : int 4 4 4 4 2 4 5 5 3 4 ...
## $ Q10 : int 4 4 2 4 4 4 5 5 2 4 ...
## $ Q11 : int 4 4 4 4 4 4 5 5 4 4 ...
## $ Q12 : int 4 4 4 4 4 4 5 5 3 4 ...
## $ Q13 : int 4 4 4 4 4 4 5 5 4 4 ...
## $ Q14 : int 4 4 4 4 4 4 5 5 5 4 ...
## $ Q15 : int 4 4 3 4 4 4 4 2 3 4 ...
## $ Q16 : int 4 4 4 4 4 4 5 2 4 4 ...
## $ Q17 : int 4 3 4 4 4 4 2 2 4 4 ...
## $ Q18 : int 4 4 4 4 4 4 4 4 4 4 ...
## $ Q19 : int 4 2 4 4 4 4 4 2 4 2 ...
## $ Q20 : int 4 1 3 4 4 4 4 2 4 2 ...
## $ Gender : int 0 0 0 0 0 0 0 0 1 0 ...
## $ EDU : int 1 1 2 1 2 1 1 1 4 3 ...
## $ BF : num 3.4 4 3.6 4.2 4 4 3.6 3.6 3.6 3.2 ...
## $ BM : num 3.2 3.4 3.6 4 3.6 4 4.6 4.6 2.2 3.2 ...
## $ Happiness: num 4 4 3.8 4 4 4 4.8 4.4 3.8 4 ...
## $ Peace : num 4 2.8 3.8 4 4 4 3.8 2.4 4 3.2 ...dim(data)## [1] 1925 26dim(data2)## [1] 32 12ls(iris)## [1] "Petal.Length" "Petal.Width" "Sepal.Length" "Sepal.Width" "Species"rm(list = ls( ))
ls()## character(0)mtcars<-read.csv("mtcars.csv")
mean(mtcars$mpg)## [1] 20.09062median(mtcars$mpg)## [1] 19.2quantile(mtcars$mpg)## 0% 25% 50% 75% 100%
## 10.400 15.425 19.200 22.800 33.900IQR(mtcars$mpg)## [1] 7.375mtcars$mpg## [1] 21.0 21.0 22.8 21.4 18.7 18.1 14.3 24.4 22.8 19.2 17.8 16.4 17.3 15.2 10.4
## [16] 10.4 14.7 32.4 30.4 33.9 21.5 15.5 15.2 13.3 19.2 27.3 26.0 30.4 15.8 19.7
## [31] 15.0 21.4summary(iris)## Sepal.Length Sepal.Width Petal.Length Petal.Width
## Min. :4.300 Min. :2.000 Min. :1.000 Min. :0.100
## 1st Qu.:5.100 1st Qu.:2.800 1st Qu.:1.600 1st Qu.:0.300
## Median :5.800 Median :3.000 Median :4.350 Median :1.300
## Mean :5.843 Mean :3.057 Mean :3.758 Mean :1.199
## 3rd Qu.:6.400 3rd Qu.:3.300 3rd Qu.:5.100 3rd Qu.:1.800
## Max. :7.900 Max. :4.400 Max. :6.900 Max. :2.500
## Species
## setosa :50
## versicolor:50
## virginica :50
##
##
## dim(iris)## [1] 150 5install.packages(“dplyr”)
rm(list=ls())
setwd(“C:/Users/super/OneDrive/문서/01 Study/ADsP/data”) getwd()
6장 결측치와 이상치 처리
01 결측치
데이터에서 값이 비어있는 상태를 의미
library(dplyr)
data(‘airquality’) summary(airquality)
str(airquality) head(airquality) airquality
NA 값을 제외한 5월 평균 오존 농도
mean(airquality[1:31,1], na.rm=T)
02 이상치
데이터에서 다른 관측값들과 비교해 현저히 크거나 작아
통계적으로 동떨어진 값을 의미합니다.
data(iris)
상자그림은 데이터의 분포와 이상치를 한눈에 보여주는 시각화
시각화 도구입니다.
중앙값, 사분위수, 범위, 이상치 등을 확인하는데 널리 사용
summary(iris) boxplot(iris\(Petal.Length~iris\)Species, data=iris)
data(“ChickWeight”) summary(ChickWeight) boxplot(ChickWeight\(weight~ChickWeight\)Diet, data=ChickWeight)
data(“chickwts”) summary(chickwts) boxplot(chickwts\(weight~chickwts\)feed, data=chickwts)
hist(chickwts\(weight) density(chickwts\)weight)
rm(list=ls())
setwd("C:/Users/super/OneDrive/문서/01 Study/ADsP/data")
getwd()## [1] "C:/Users/super/OneDrive/문서/01 Study/ADsP/data"# 6장 결측치와 이상치 처리
# 01 결측치
# 데이터에서 값이 비어있는 상태를 의미
library(dplyr)##
## Attaching package: 'dplyr'## The following objects are masked from 'package:stats':
##
## filter, lag## The following objects are masked from 'package:base':
##
## intersect, setdiff, setequal, uniondata('airquality')
summary(airquality)## Ozone Solar.R Wind Temp
## Min. : 1.00 Min. : 7.0 Min. : 1.700 Min. :56.00
## 1st Qu.: 18.00 1st Qu.:115.8 1st Qu.: 7.400 1st Qu.:72.00
## Median : 31.50 Median :205.0 Median : 9.700 Median :79.00
## Mean : 42.13 Mean :185.9 Mean : 9.958 Mean :77.88
## 3rd Qu.: 63.25 3rd Qu.:258.8 3rd Qu.:11.500 3rd Qu.:85.00
## Max. :168.00 Max. :334.0 Max. :20.700 Max. :97.00
## NA's :37 NA's :7
## Month Day
## Min. :5.000 Min. : 1.0
## 1st Qu.:6.000 1st Qu.: 8.0
## Median :7.000 Median :16.0
## Mean :6.993 Mean :15.8
## 3rd Qu.:8.000 3rd Qu.:23.0
## Max. :9.000 Max. :31.0
## str(airquality)## 'data.frame': 153 obs. of 6 variables:
## $ Ozone : int 41 36 12 18 NA 28 23 19 8 NA ...
## $ Solar.R: int 190 118 149 313 NA NA 299 99 19 194 ...
## $ Wind : num 7.4 8 12.6 11.5 14.3 14.9 8.6 13.8 20.1 8.6 ...
## $ Temp : int 67 72 74 62 56 66 65 59 61 69 ...
## $ Month : int 5 5 5 5 5 5 5 5 5 5 ...
## $ Day : int 1 2 3 4 5 6 7 8 9 10 ...head(airquality)## Ozone Solar.R Wind Temp Month Day
## 1 41 190 7.4 67 5 1
## 2 36 118 8.0 72 5 2
## 3 12 149 12.6 74 5 3
## 4 18 313 11.5 62 5 4
## 5 NA NA 14.3 56 5 5
## 6 28 NA 14.9 66 5 6airquality## Ozone Solar.R Wind Temp Month Day
## 1 41 190 7.4 67 5 1
## 2 36 118 8.0 72 5 2
## 3 12 149 12.6 74 5 3
## 4 18 313 11.5 62 5 4
## 5 NA NA 14.3 56 5 5
## 6 28 NA 14.9 66 5 6
## 7 23 299 8.6 65 5 7
## 8 19 99 13.8 59 5 8
## 9 8 19 20.1 61 5 9
## 10 NA 194 8.6 69 5 10
## 11 7 NA 6.9 74 5 11
## 12 16 256 9.7 69 5 12
## 13 11 290 9.2 66 5 13
## 14 14 274 10.9 68 5 14
## 15 18 65 13.2 58 5 15
## 16 14 334 11.5 64 5 16
## 17 34 307 12.0 66 5 17
## 18 6 78 18.4 57 5 18
## 19 30 322 11.5 68 5 19
## 20 11 44 9.7 62 5 20
## 21 1 8 9.7 59 5 21
## 22 11 320 16.6 73 5 22
## 23 4 25 9.7 61 5 23
## 24 32 92 12.0 61 5 24
## 25 NA 66 16.6 57 5 25
## 26 NA 266 14.9 58 5 26
## 27 NA NA 8.0 57 5 27
## 28 23 13 12.0 67 5 28
## 29 45 252 14.9 81 5 29
## 30 115 223 5.7 79 5 30
## 31 37 279 7.4 76 5 31
## 32 NA 286 8.6 78 6 1
## 33 NA 287 9.7 74 6 2
## 34 NA 242 16.1 67 6 3
## 35 NA 186 9.2 84 6 4
## 36 NA 220 8.6 85 6 5
## 37 NA 264 14.3 79 6 6
## 38 29 127 9.7 82 6 7
## 39 NA 273 6.9 87 6 8
## 40 71 291 13.8 90 6 9
## 41 39 323 11.5 87 6 10
## 42 NA 259 10.9 93 6 11
## 43 NA 250 9.2 92 6 12
## 44 23 148 8.0 82 6 13
## 45 NA 332 13.8 80 6 14
## 46 NA 322 11.5 79 6 15
## 47 21 191 14.9 77 6 16
## 48 37 284 20.7 72 6 17
## 49 20 37 9.2 65 6 18
## 50 12 120 11.5 73 6 19
## 51 13 137 10.3 76 6 20
## 52 NA 150 6.3 77 6 21
## 53 NA 59 1.7 76 6 22
## 54 NA 91 4.6 76 6 23
## 55 NA 250 6.3 76 6 24
## 56 NA 135 8.0 75 6 25
## 57 NA 127 8.0 78 6 26
## 58 NA 47 10.3 73 6 27
## 59 NA 98 11.5 80 6 28
## 60 NA 31 14.9 77 6 29
## 61 NA 138 8.0 83 6 30
## 62 135 269 4.1 84 7 1
## 63 49 248 9.2 85 7 2
## 64 32 236 9.2 81 7 3
## 65 NA 101 10.9 84 7 4
## 66 64 175 4.6 83 7 5
## 67 40 314 10.9 83 7 6
## 68 77 276 5.1 88 7 7
## 69 97 267 6.3 92 7 8
## 70 97 272 5.7 92 7 9
## 71 85 175 7.4 89 7 10
## 72 NA 139 8.6 82 7 11
## 73 10 264 14.3 73 7 12
## 74 27 175 14.9 81 7 13
## 75 NA 291 14.9 91 7 14
## 76 7 48 14.3 80 7 15
## 77 48 260 6.9 81 7 16
## 78 35 274 10.3 82 7 17
## 79 61 285 6.3 84 7 18
## 80 79 187 5.1 87 7 19
## 81 63 220 11.5 85 7 20
## 82 16 7 6.9 74 7 21
## 83 NA 258 9.7 81 7 22
## 84 NA 295 11.5 82 7 23
## 85 80 294 8.6 86 7 24
## 86 108 223 8.0 85 7 25
## 87 20 81 8.6 82 7 26
## 88 52 82 12.0 86 7 27
## 89 82 213 7.4 88 7 28
## 90 50 275 7.4 86 7 29
## 91 64 253 7.4 83 7 30
## 92 59 254 9.2 81 7 31
## 93 39 83 6.9 81 8 1
## 94 9 24 13.8 81 8 2
## 95 16 77 7.4 82 8 3
## 96 78 NA 6.9 86 8 4
## 97 35 NA 7.4 85 8 5
## 98 66 NA 4.6 87 8 6
## 99 122 255 4.0 89 8 7
## 100 89 229 10.3 90 8 8
## 101 110 207 8.0 90 8 9
## 102 NA 222 8.6 92 8 10
## 103 NA 137 11.5 86 8 11
## 104 44 192 11.5 86 8 12
## 105 28 273 11.5 82 8 13
## 106 65 157 9.7 80 8 14
## 107 NA 64 11.5 79 8 15
## 108 22 71 10.3 77 8 16
## 109 59 51 6.3 79 8 17
## 110 23 115 7.4 76 8 18
## 111 31 244 10.9 78 8 19
## 112 44 190 10.3 78 8 20
## 113 21 259 15.5 77 8 21
## 114 9 36 14.3 72 8 22
## 115 NA 255 12.6 75 8 23
## 116 45 212 9.7 79 8 24
## 117 168 238 3.4 81 8 25
## 118 73 215 8.0 86 8 26
## 119 NA 153 5.7 88 8 27
## 120 76 203 9.7 97 8 28
## 121 118 225 2.3 94 8 29
## 122 84 237 6.3 96 8 30
## 123 85 188 6.3 94 8 31
## 124 96 167 6.9 91 9 1
## 125 78 197 5.1 92 9 2
## 126 73 183 2.8 93 9 3
## 127 91 189 4.6 93 9 4
## 128 47 95 7.4 87 9 5
## 129 32 92 15.5 84 9 6
## 130 20 252 10.9 80 9 7
## 131 23 220 10.3 78 9 8
## 132 21 230 10.9 75 9 9
## 133 24 259 9.7 73 9 10
## 134 44 236 14.9 81 9 11
## 135 21 259 15.5 76 9 12
## 136 28 238 6.3 77 9 13
## 137 9 24 10.9 71 9 14
## 138 13 112 11.5 71 9 15
## 139 46 237 6.9 78 9 16
## 140 18 224 13.8 67 9 17
## 141 13 27 10.3 76 9 18
## 142 24 238 10.3 68 9 19
## 143 16 201 8.0 82 9 20
## 144 13 238 12.6 64 9 21
## 145 23 14 9.2 71 9 22
## 146 36 139 10.3 81 9 23
## 147 7 49 10.3 69 9 24
## 148 14 20 16.6 63 9 25
## 149 30 193 6.9 70 9 26
## 150 NA 145 13.2 77 9 27
## 151 14 191 14.3 75 9 28
## 152 18 131 8.0 76 9 29
## 153 20 223 11.5 68 9 30# NA 값을 제외한 5월 평균 오존 농도
mean(airquality[1:31,1], na.rm=T)## [1] 23.61538# 02 이상치
# 데이터에서 다른 관측값들과 비교해 현저히 크거나 작아
# 통계적으로 동떨어진 값을 의미합니다.
data(iris)
# 상자그림은 데이터의 분포와 이상치를 한눈에 보여주는 시각화
# 시각화 도구입니다.
# 중앙값, 사분위수, 범위, 이상치 등을 확인하는데 널리 사용
summary(iris)## Sepal.Length Sepal.Width Petal.Length Petal.Width
## Min. :4.300 Min. :2.000 Min. :1.000 Min. :0.100
## 1st Qu.:5.100 1st Qu.:2.800 1st Qu.:1.600 1st Qu.:0.300
## Median :5.800 Median :3.000 Median :4.350 Median :1.300
## Mean :5.843 Mean :3.057 Mean :3.758 Mean :1.199
## 3rd Qu.:6.400 3rd Qu.:3.300 3rd Qu.:5.100 3rd Qu.:1.800
## Max. :7.900 Max. :4.400 Max. :6.900 Max. :2.500
## Species
## setosa :50
## versicolor:50
## virginica :50
##
##
## boxplot(iris$Petal.Length~iris$Species, data=iris)
data("ChickWeight")
summary(ChickWeight)## weight Time Chick Diet
## Min. : 35.0 Min. : 0.00 13 : 12 1:220
## 1st Qu.: 63.0 1st Qu.: 4.00 9 : 12 2:120
## Median :103.0 Median :10.00 20 : 12 3:120
## Mean :121.8 Mean :10.72 10 : 12 4:118
## 3rd Qu.:163.8 3rd Qu.:16.00 17 : 12
## Max. :373.0 Max. :21.00 19 : 12
## (Other):506boxplot(ChickWeight$weight~ChickWeight$Diet, data=ChickWeight)
data("chickwts")
summary(chickwts)## weight feed
## Min. :108.0 casein :12
## 1st Qu.:204.5 horsebean:10
## Median :258.0 linseed :12
## Mean :261.3 meatmeal :11
## 3rd Qu.:323.5 soybean :14
## Max. :423.0 sunflower:12boxplot(chickwts$weight~chickwts$feed, data=chickwts)
hist(chickwts$weight)
density(chickwts$weight)##
## Call:
## density.default(x = chickwts$weight)
##
## Data: chickwts$weight (71 obs.); Bandwidth 'bw' = 29.96
##
## x y
## Min. : 18.13 Min. :2.463e-06
## 1st Qu.:141.81 1st Qu.:2.843e-04
## Median :265.50 Median :2.063e-03
## Mean :265.50 Mean :2.017e-03
## 3rd Qu.:389.19 3rd Qu.:3.716e-03
## Max. :512.87 Max. :4.268e-03getwd()
setwd(“C:/Users/super/OneDrive/문서/01 Study/ADsP/data”)
install.packages(“caret”) library(caret)
data(iris) nrow(iris)
idx <- createDataPartition(iris$Species, p=0.6, list=FALSE) idx
train <- iris[idx,] test <- iris[-idx,]
round(0.7811, 2)
library(dplyr) library(ggplot2)
data(“diamonds”) diamonds %>% head %>% dim
summary(diamonds) str(diamonds)
dim(head(diamonds))
diamonds1<-diamonds %>% rename(c=clarity,p=price) head(diamonds1,3)
첫시작
rm(list=ls())
library(caret) library(dplyr) library(ggplot2)
summary(diamonds) str(diamonds)
count(diamonds,cut)
df1<-diamonds %>% select(carat,price) head(df1,3)
diamonds %>% filter(cut==“Good”) %>% head(3)
diamonds %>% mutate(Ratio=price/carat,Double=Ratio*2) %>% select(price, carat, Ratio, Double) %>% head(3)
설치파일
install.packages(“reshape2”)
새로운 시작
data(‘airquality’) summary(airquality)
library(reshape2) library(dplyr)
head(airquality) tail(airquality)
melt() 함수는 데이터프레임을 “넓은 형식(wide format)”에서
“긴 형식(long format)”으로 변화
df<-melt(airquality, id.vars = c(“Month”, “Day”))
head(df) names(df)
df1<-dplyr::rename(df, enviro = variable, measure = value)
library(ggplot2)
ggplot(df1, aes(x = enviro, y = measure)) + geom_boxplot(fill = “skyblue”, color = “black”) + labs(title = “환경 변수별 분포 (boxplot)”, x = “환경 변수”, y = “측정값”) + theme_minimal()
ozone : 이상값 존재
Temp : 이상값 없음
mtcars<-read.csv(“mtcars.csv”)
data(mtcars) head(mtcars)
mtcars$car <- rownames(mtcars)
head(mtcars)
melt(mtcars, id.vars = “car”, variable.name = “feature”, value.name = “value”)
ggplot(mtcars, aes(x = hp, y = mpg, label = rownames(mtcars))) + geom_point() + geom_text(nudge_y = 1, size = 3) + labs(title = “마력(hp) vs 연비(mpg)”, x = “마력”, y = “연비”) + theme_minimal()
nudge_y = 1 , 텍스트를 y축 방향으로 1만큼 위로 이동시켜 겹치지 않게함
# 새로운 시작
data('airquality')
summary(airquality)## Ozone Solar.R Wind Temp
## Min. : 1.00 Min. : 7.0 Min. : 1.700 Min. :56.00
## 1st Qu.: 18.00 1st Qu.:115.8 1st Qu.: 7.400 1st Qu.:72.00
## Median : 31.50 Median :205.0 Median : 9.700 Median :79.00
## Mean : 42.13 Mean :185.9 Mean : 9.958 Mean :77.88
## 3rd Qu.: 63.25 3rd Qu.:258.8 3rd Qu.:11.500 3rd Qu.:85.00
## Max. :168.00 Max. :334.0 Max. :20.700 Max. :97.00
## NA's :37 NA's :7
## Month Day
## Min. :5.000 Min. : 1.0
## 1st Qu.:6.000 1st Qu.: 8.0
## Median :7.000 Median :16.0
## Mean :6.993 Mean :15.8
## 3rd Qu.:8.000 3rd Qu.:23.0
## Max. :9.000 Max. :31.0
## library(reshape2)
library(dplyr)
head(airquality)## Ozone Solar.R Wind Temp Month Day
## 1 41 190 7.4 67 5 1
## 2 36 118 8.0 72 5 2
## 3 12 149 12.6 74 5 3
## 4 18 313 11.5 62 5 4
## 5 NA NA 14.3 56 5 5
## 6 28 NA 14.9 66 5 6tail(airquality)## Ozone Solar.R Wind Temp Month Day
## 148 14 20 16.6 63 9 25
## 149 30 193 6.9 70 9 26
## 150 NA 145 13.2 77 9 27
## 151 14 191 14.3 75 9 28
## 152 18 131 8.0 76 9 29
## 153 20 223 11.5 68 9 30# melt() 함수는 데이터프레임을 "넓은 형식(wide format)"에서
# "긴 형식(long format)"으로 변화
df<-melt(airquality, id.vars = c("Month", "Day"))
head(df)## Month Day variable value
## 1 5 1 Ozone 41
## 2 5 2 Ozone 36
## 3 5 3 Ozone 12
## 4 5 4 Ozone 18
## 5 5 5 Ozone NA
## 6 5 6 Ozone 28names(df)## [1] "Month" "Day" "variable" "value"df1<-dplyr::rename(df, enviro = variable, measure = value)
library(ggplot2)
ggplot(df1, aes(x = enviro, y = measure)) +
geom_boxplot(fill = "skyblue", color = "black") +
labs(title = "환경 변수별 분포 (boxplot)",
x = "환경 변수",
y = "측정값") +
theme_minimal()## Warning: Removed 44 rows containing non-finite outside the scale range
## (`stat_boxplot()`).
# ozone : 이상값 존재
# Temp : 이상값 없음
#mtcars<-read.csv("mtcars.csv")
data(mtcars)
head(mtcars)## mpg cyl disp hp drat wt qsec vs am gear carb
## Mazda RX4 21.0 6 160 110 3.90 2.620 16.46 0 1 4 4
## Mazda RX4 Wag 21.0 6 160 110 3.90 2.875 17.02 0 1 4 4
## Datsun 710 22.8 4 108 93 3.85 2.320 18.61 1 1 4 1
## Hornet 4 Drive 21.4 6 258 110 3.08 3.215 19.44 1 0 3 1
## Hornet Sportabout 18.7 8 360 175 3.15 3.440 17.02 0 0 3 2
## Valiant 18.1 6 225 105 2.76 3.460 20.22 1 0 3 1mtcars$car <- rownames(mtcars)
head(mtcars)## mpg cyl disp hp drat wt qsec vs am gear carb
## Mazda RX4 21.0 6 160 110 3.90 2.620 16.46 0 1 4 4
## Mazda RX4 Wag 21.0 6 160 110 3.90 2.875 17.02 0 1 4 4
## Datsun 710 22.8 4 108 93 3.85 2.320 18.61 1 1 4 1
## Hornet 4 Drive 21.4 6 258 110 3.08 3.215 19.44 1 0 3 1
## Hornet Sportabout 18.7 8 360 175 3.15 3.440 17.02 0 0 3 2
## Valiant 18.1 6 225 105 2.76 3.460 20.22 1 0 3 1
## car
## Mazda RX4 Mazda RX4
## Mazda RX4 Wag Mazda RX4 Wag
## Datsun 710 Datsun 710
## Hornet 4 Drive Hornet 4 Drive
## Hornet Sportabout Hornet Sportabout
## Valiant Valiantmelt(mtcars, id.vars = "car",
variable.name = "feature",
value.name = "value")## car feature value
## 1 Mazda RX4 mpg 21.000
## 2 Mazda RX4 Wag mpg 21.000
## 3 Datsun 710 mpg 22.800
## 4 Hornet 4 Drive mpg 21.400
## 5 Hornet Sportabout mpg 18.700
## 6 Valiant mpg 18.100
## 7 Duster 360 mpg 14.300
## 8 Merc 240D mpg 24.400
## 9 Merc 230 mpg 22.800
## 10 Merc 280 mpg 19.200
## 11 Merc 280C mpg 17.800
## 12 Merc 450SE mpg 16.400
## 13 Merc 450SL mpg 17.300
## 14 Merc 450SLC mpg 15.200
## 15 Cadillac Fleetwood mpg 10.400
## 16 Lincoln Continental mpg 10.400
## 17 Chrysler Imperial mpg 14.700
## 18 Fiat 128 mpg 32.400
## 19 Honda Civic mpg 30.400
## 20 Toyota Corolla mpg 33.900
## 21 Toyota Corona mpg 21.500
## 22 Dodge Challenger mpg 15.500
## 23 AMC Javelin mpg 15.200
## 24 Camaro Z28 mpg 13.300
## 25 Pontiac Firebird mpg 19.200
## 26 Fiat X1-9 mpg 27.300
## 27 Porsche 914-2 mpg 26.000
## 28 Lotus Europa mpg 30.400
## 29 Ford Pantera L mpg 15.800
## 30 Ferrari Dino mpg 19.700
## 31 Maserati Bora mpg 15.000
## 32 Volvo 142E mpg 21.400
## 33 Mazda RX4 cyl 6.000
## 34 Mazda RX4 Wag cyl 6.000
## 35 Datsun 710 cyl 4.000
## 36 Hornet 4 Drive cyl 6.000
## 37 Hornet Sportabout cyl 8.000
## 38 Valiant cyl 6.000
## 39 Duster 360 cyl 8.000
## 40 Merc 240D cyl 4.000
## 41 Merc 230 cyl 4.000
## 42 Merc 280 cyl 6.000
## 43 Merc 280C cyl 6.000
## 44 Merc 450SE cyl 8.000
## 45 Merc 450SL cyl 8.000
## 46 Merc 450SLC cyl 8.000
## 47 Cadillac Fleetwood cyl 8.000
## 48 Lincoln Continental cyl 8.000
## 49 Chrysler Imperial cyl 8.000
## 50 Fiat 128 cyl 4.000
## 51 Honda Civic cyl 4.000
## 52 Toyota Corolla cyl 4.000
## 53 Toyota Corona cyl 4.000
## 54 Dodge Challenger cyl 8.000
## 55 AMC Javelin cyl 8.000
## 56 Camaro Z28 cyl 8.000
## 57 Pontiac Firebird cyl 8.000
## 58 Fiat X1-9 cyl 4.000
## 59 Porsche 914-2 cyl 4.000
## 60 Lotus Europa cyl 4.000
## 61 Ford Pantera L cyl 8.000
## 62 Ferrari Dino cyl 6.000
## 63 Maserati Bora cyl 8.000
## 64 Volvo 142E cyl 4.000
## 65 Mazda RX4 disp 160.000
## 66 Mazda RX4 Wag disp 160.000
## 67 Datsun 710 disp 108.000
## 68 Hornet 4 Drive disp 258.000
## 69 Hornet Sportabout disp 360.000
## 70 Valiant disp 225.000
## 71 Duster 360 disp 360.000
## 72 Merc 240D disp 146.700
## 73 Merc 230 disp 140.800
## 74 Merc 280 disp 167.600
## 75 Merc 280C disp 167.600
## 76 Merc 450SE disp 275.800
## 77 Merc 450SL disp 275.800
## 78 Merc 450SLC disp 275.800
## 79 Cadillac Fleetwood disp 472.000
## 80 Lincoln Continental disp 460.000
## 81 Chrysler Imperial disp 440.000
## 82 Fiat 128 disp 78.700
## 83 Honda Civic disp 75.700
## 84 Toyota Corolla disp 71.100
## 85 Toyota Corona disp 120.100
## 86 Dodge Challenger disp 318.000
## 87 AMC Javelin disp 304.000
## 88 Camaro Z28 disp 350.000
## 89 Pontiac Firebird disp 400.000
## 90 Fiat X1-9 disp 79.000
## 91 Porsche 914-2 disp 120.300
## 92 Lotus Europa disp 95.100
## 93 Ford Pantera L disp 351.000
## 94 Ferrari Dino disp 145.000
## 95 Maserati Bora disp 301.000
## 96 Volvo 142E disp 121.000
## 97 Mazda RX4 hp 110.000
## 98 Mazda RX4 Wag hp 110.000
## 99 Datsun 710 hp 93.000
## 100 Hornet 4 Drive hp 110.000
## 101 Hornet Sportabout hp 175.000
## 102 Valiant hp 105.000
## 103 Duster 360 hp 245.000
## 104 Merc 240D hp 62.000
## 105 Merc 230 hp 95.000
## 106 Merc 280 hp 123.000
## 107 Merc 280C hp 123.000
## 108 Merc 450SE hp 180.000
## 109 Merc 450SL hp 180.000
## 110 Merc 450SLC hp 180.000
## 111 Cadillac Fleetwood hp 205.000
## 112 Lincoln Continental hp 215.000
## 113 Chrysler Imperial hp 230.000
## 114 Fiat 128 hp 66.000
## 115 Honda Civic hp 52.000
## 116 Toyota Corolla hp 65.000
## 117 Toyota Corona hp 97.000
## 118 Dodge Challenger hp 150.000
## 119 AMC Javelin hp 150.000
## 120 Camaro Z28 hp 245.000
## 121 Pontiac Firebird hp 175.000
## 122 Fiat X1-9 hp 66.000
## 123 Porsche 914-2 hp 91.000
## 124 Lotus Europa hp 113.000
## 125 Ford Pantera L hp 264.000
## 126 Ferrari Dino hp 175.000
## 127 Maserati Bora hp 335.000
## 128 Volvo 142E hp 109.000
## 129 Mazda RX4 drat 3.900
## 130 Mazda RX4 Wag drat 3.900
## 131 Datsun 710 drat 3.850
## 132 Hornet 4 Drive drat 3.080
## 133 Hornet Sportabout drat 3.150
## 134 Valiant drat 2.760
## 135 Duster 360 drat 3.210
## 136 Merc 240D drat 3.690
## 137 Merc 230 drat 3.920
## 138 Merc 280 drat 3.920
## 139 Merc 280C drat 3.920
## 140 Merc 450SE drat 3.070
## 141 Merc 450SL drat 3.070
## 142 Merc 450SLC drat 3.070
## 143 Cadillac Fleetwood drat 2.930
## 144 Lincoln Continental drat 3.000
## 145 Chrysler Imperial drat 3.230
## 146 Fiat 128 drat 4.080
## 147 Honda Civic drat 4.930
## 148 Toyota Corolla drat 4.220
## 149 Toyota Corona drat 3.700
## 150 Dodge Challenger drat 2.760
## 151 AMC Javelin drat 3.150
## 152 Camaro Z28 drat 3.730
## 153 Pontiac Firebird drat 3.080
## 154 Fiat X1-9 drat 4.080
## 155 Porsche 914-2 drat 4.430
## 156 Lotus Europa drat 3.770
## 157 Ford Pantera L drat 4.220
## 158 Ferrari Dino drat 3.620
## 159 Maserati Bora drat 3.540
## 160 Volvo 142E drat 4.110
## 161 Mazda RX4 wt 2.620
## 162 Mazda RX4 Wag wt 2.875
## 163 Datsun 710 wt 2.320
## 164 Hornet 4 Drive wt 3.215
## 165 Hornet Sportabout wt 3.440
## 166 Valiant wt 3.460
## 167 Duster 360 wt 3.570
## 168 Merc 240D wt 3.190
## 169 Merc 230 wt 3.150
## 170 Merc 280 wt 3.440
## 171 Merc 280C wt 3.440
## 172 Merc 450SE wt 4.070
## 173 Merc 450SL wt 3.730
## 174 Merc 450SLC wt 3.780
## 175 Cadillac Fleetwood wt 5.250
## 176 Lincoln Continental wt 5.424
## 177 Chrysler Imperial wt 5.345
## 178 Fiat 128 wt 2.200
## 179 Honda Civic wt 1.615
## 180 Toyota Corolla wt 1.835
## 181 Toyota Corona wt 2.465
## 182 Dodge Challenger wt 3.520
## 183 AMC Javelin wt 3.435
## 184 Camaro Z28 wt 3.840
## 185 Pontiac Firebird wt 3.845
## 186 Fiat X1-9 wt 1.935
## 187 Porsche 914-2 wt 2.140
## 188 Lotus Europa wt 1.513
## 189 Ford Pantera L wt 3.170
## 190 Ferrari Dino wt 2.770
## 191 Maserati Bora wt 3.570
## 192 Volvo 142E wt 2.780
## 193 Mazda RX4 qsec 16.460
## 194 Mazda RX4 Wag qsec 17.020
## 195 Datsun 710 qsec 18.610
## 196 Hornet 4 Drive qsec 19.440
## 197 Hornet Sportabout qsec 17.020
## 198 Valiant qsec 20.220
## 199 Duster 360 qsec 15.840
## 200 Merc 240D qsec 20.000
## 201 Merc 230 qsec 22.900
## 202 Merc 280 qsec 18.300
## 203 Merc 280C qsec 18.900
## 204 Merc 450SE qsec 17.400
## 205 Merc 450SL qsec 17.600
## 206 Merc 450SLC qsec 18.000
## 207 Cadillac Fleetwood qsec 17.980
## 208 Lincoln Continental qsec 17.820
## 209 Chrysler Imperial qsec 17.420
## 210 Fiat 128 qsec 19.470
## 211 Honda Civic qsec 18.520
## 212 Toyota Corolla qsec 19.900
## 213 Toyota Corona qsec 20.010
## 214 Dodge Challenger qsec 16.870
## 215 AMC Javelin qsec 17.300
## 216 Camaro Z28 qsec 15.410
## 217 Pontiac Firebird qsec 17.050
## 218 Fiat X1-9 qsec 18.900
## 219 Porsche 914-2 qsec 16.700
## 220 Lotus Europa qsec 16.900
## 221 Ford Pantera L qsec 14.500
## 222 Ferrari Dino qsec 15.500
## 223 Maserati Bora qsec 14.600
## 224 Volvo 142E qsec 18.600
## 225 Mazda RX4 vs 0.000
## 226 Mazda RX4 Wag vs 0.000
## 227 Datsun 710 vs 1.000
## 228 Hornet 4 Drive vs 1.000
## 229 Hornet Sportabout vs 0.000
## 230 Valiant vs 1.000
## 231 Duster 360 vs 0.000
## 232 Merc 240D vs 1.000
## 233 Merc 230 vs 1.000
## 234 Merc 280 vs 1.000
## 235 Merc 280C vs 1.000
## 236 Merc 450SE vs 0.000
## 237 Merc 450SL vs 0.000
## 238 Merc 450SLC vs 0.000
## 239 Cadillac Fleetwood vs 0.000
## 240 Lincoln Continental vs 0.000
## 241 Chrysler Imperial vs 0.000
## 242 Fiat 128 vs 1.000
## 243 Honda Civic vs 1.000
## 244 Toyota Corolla vs 1.000
## 245 Toyota Corona vs 1.000
## 246 Dodge Challenger vs 0.000
## 247 AMC Javelin vs 0.000
## 248 Camaro Z28 vs 0.000
## 249 Pontiac Firebird vs 0.000
## 250 Fiat X1-9 vs 1.000
## 251 Porsche 914-2 vs 0.000
## 252 Lotus Europa vs 1.000
## 253 Ford Pantera L vs 0.000
## 254 Ferrari Dino vs 0.000
## 255 Maserati Bora vs 0.000
## 256 Volvo 142E vs 1.000
## 257 Mazda RX4 am 1.000
## 258 Mazda RX4 Wag am 1.000
## 259 Datsun 710 am 1.000
## 260 Hornet 4 Drive am 0.000
## 261 Hornet Sportabout am 0.000
## 262 Valiant am 0.000
## 263 Duster 360 am 0.000
## 264 Merc 240D am 0.000
## 265 Merc 230 am 0.000
## 266 Merc 280 am 0.000
## 267 Merc 280C am 0.000
## 268 Merc 450SE am 0.000
## 269 Merc 450SL am 0.000
## 270 Merc 450SLC am 0.000
## 271 Cadillac Fleetwood am 0.000
## 272 Lincoln Continental am 0.000
## 273 Chrysler Imperial am 0.000
## 274 Fiat 128 am 1.000
## 275 Honda Civic am 1.000
## 276 Toyota Corolla am 1.000
## 277 Toyota Corona am 0.000
## 278 Dodge Challenger am 0.000
## 279 AMC Javelin am 0.000
## 280 Camaro Z28 am 0.000
## 281 Pontiac Firebird am 0.000
## 282 Fiat X1-9 am 1.000
## 283 Porsche 914-2 am 1.000
## 284 Lotus Europa am 1.000
## 285 Ford Pantera L am 1.000
## 286 Ferrari Dino am 1.000
## 287 Maserati Bora am 1.000
## 288 Volvo 142E am 1.000
## 289 Mazda RX4 gear 4.000
## 290 Mazda RX4 Wag gear 4.000
## 291 Datsun 710 gear 4.000
## 292 Hornet 4 Drive gear 3.000
## 293 Hornet Sportabout gear 3.000
## 294 Valiant gear 3.000
## 295 Duster 360 gear 3.000
## 296 Merc 240D gear 4.000
## 297 Merc 230 gear 4.000
## 298 Merc 280 gear 4.000
## 299 Merc 280C gear 4.000
## 300 Merc 450SE gear 3.000
## 301 Merc 450SL gear 3.000
## 302 Merc 450SLC gear 3.000
## 303 Cadillac Fleetwood gear 3.000
## 304 Lincoln Continental gear 3.000
## 305 Chrysler Imperial gear 3.000
## 306 Fiat 128 gear 4.000
## 307 Honda Civic gear 4.000
## 308 Toyota Corolla gear 4.000
## 309 Toyota Corona gear 3.000
## 310 Dodge Challenger gear 3.000
## 311 AMC Javelin gear 3.000
## 312 Camaro Z28 gear 3.000
## 313 Pontiac Firebird gear 3.000
## 314 Fiat X1-9 gear 4.000
## 315 Porsche 914-2 gear 5.000
## 316 Lotus Europa gear 5.000
## 317 Ford Pantera L gear 5.000
## 318 Ferrari Dino gear 5.000
## 319 Maserati Bora gear 5.000
## 320 Volvo 142E gear 4.000
## 321 Mazda RX4 carb 4.000
## 322 Mazda RX4 Wag carb 4.000
## 323 Datsun 710 carb 1.000
## 324 Hornet 4 Drive carb 1.000
## 325 Hornet Sportabout carb 2.000
## 326 Valiant carb 1.000
## 327 Duster 360 carb 4.000
## 328 Merc 240D carb 2.000
## 329 Merc 230 carb 2.000
## 330 Merc 280 carb 4.000
## 331 Merc 280C carb 4.000
## 332 Merc 450SE carb 3.000
## 333 Merc 450SL carb 3.000
## 334 Merc 450SLC carb 3.000
## 335 Cadillac Fleetwood carb 4.000
## 336 Lincoln Continental carb 4.000
## 337 Chrysler Imperial carb 4.000
## 338 Fiat 128 carb 1.000
## 339 Honda Civic carb 2.000
## 340 Toyota Corolla carb 1.000
## 341 Toyota Corona carb 1.000
## 342 Dodge Challenger carb 2.000
## 343 AMC Javelin carb 2.000
## 344 Camaro Z28 carb 4.000
## 345 Pontiac Firebird carb 2.000
## 346 Fiat X1-9 carb 1.000
## 347 Porsche 914-2 carb 2.000
## 348 Lotus Europa carb 2.000
## 349 Ford Pantera L carb 4.000
## 350 Ferrari Dino carb 6.000
## 351 Maserati Bora carb 8.000
## 352 Volvo 142E carb 2.000ggplot(mtcars, aes(x = hp, y = mpg, label = rownames(mtcars))) +
geom_point() +
geom_text(nudge_y = 1, size = 3) +
labs(title = "마력(hp) vs 연비(mpg)", x = "마력", y = "연비") +
theme_minimal()
# nudge_y = 1 , 텍스트를 y축 방향으로 1만큼 위로 이동시켜 겹치지 않게함install.packages(“plyr”)
library(plyr)
head(airquality)
ddply(airquality, .(Month), summarise, Mean_Ozone = mean(Ozone, na.rm = TRUE))
data(infert)
head(infert) str(infert)
infert$age attach(infert)
age
sd(age)
sqrt(var(age))
var(age)^(1/2)
install.packages(“ISLR”) library(ISLR) summary(Wage)
str(Wage)
par(mfrow = c(1, 3))
hist(rnorm(10), main = “n = 10”) hist(rnorm(100), main = “n = 100”) hist(rnorm(1000), main = “n = 1000”)
mx<-matrix(c(23,41,12,35,67,1,24,7,53),nrow=3) as.vector(mx)
DF <- c(“Monday”,“Tuesday”,“Wednesday”) substr(DF,1,3)
install.packages(“gapminder”)
library(gapminder) head(gapminder)
date_vec<-c(“2020-05-01”, “2021-08-15”, “2022-12-31”) year_vec<-substr(date_vec, 1, 4) print(year_vec)
install.packages(“dplyr”)
library(dplyr)
library(ggplot2) data(economics) head(economics)
1. Date → 문자형으로 변환
date_str <- as.character(economics$date)
2. substr()로 연도 추출 (1~4번째 문자)
economics$year <- substr(date_str, 1, 4)
economics %>% group_by(year) %>%summarise(mean_pce = mean(pce))
economics %>% group_by(year) %>% summarise(mean_pop = mean(pop))
economics %>% group_by(year) %>% summarise(mean_psavert = mean(psavert))
as.Date(“08 / 13 / 2013”,“%m / %d / %Y”)
as.Date(“08 / 13 / 2013”,“%D / %M / %Y”)
as.Date(“08 / 13 / 2013”“,”%d / %m / %Y”)
as.Date(“08 / 13 / 2013”,“%M / %D / %Y”)
새로운 시작
회귀분석 개요
1. 예측
2. 관계분석
3. 모델링
단순 선형회기
data(mtcars) head(mtcars)
model <- lm(mpg ~ hp, data = mtcars) summary(model)
Multiple R-squared(결정계수)
회귀분석에서 모델이 종속변수의 변동을 얼마나 잘 설명하는지를 나타내는 지표
결정계수 0~1사이의 값을 갖는다.
결정계수 1이라면 선형회귀 직선위에 모든 관측치가 있음을 의미함
3개의 회귀모형 중 세번째 모델인
model_3 <- lm(height ~ weight, data = women) 가 가장 우수했음
결정계수 값이 0.75 이상이면 좋은 설명을 가진 모형입니다.
Estimate Std. Error : 표준오차 = t value(통계량)
t 통계량이 절대값이 클수록 통계적으로 유의(significance)합니다.
Signif. codes : 유의수준
’*’ 가 있으면 유의수준 0.05에서 유의한 변수입니다.
회귀모형의 유의성 검정 판단에 필요한 F-statistic, p-value
귀무가설 : 회귀계수는 0이다.
대립가설 : 회귀계수는 0이 아니다.
p-value: 1.091e-14 < 0.05(유의수준)
귀무가설 기각이므로 통계적으로 유의미한 모형이라 합니다.
결과적으로 회귀계수 하나라도 0이 아니면 통계적으로 유의미한 모형입니다.
표본크기-독립변수의 수-1=자유도
n-1-1=30
1 and 30 DF : 1 DF(분자자유도) = 회귀모형에 사용된 설명변수 계수
30 DF (분모 자유도) = 잔차의 자유도, 즉 n(관측치수)-p(독립변수수)-1
Residual standard error : 3.863
평균적으로 예측값과 실제값의 차이가 약 3.863 정도라는 뜻
Estimate :회귀계수
Intercept : 절편
y=-0.06823+30.09886x
산점도와 회귀선 시각화
library(ggplot2)
ggplot(mtcars, aes(x = hp, y = mpg)) + geom_point() + # 산점도 geom_smooth(method = “lm”, se = TRUE) + # 회귀선과 신뢰구간 theme_minimal() + labs(title = “MPG vs Horsepower”, x = “Horsepower”, y = “Miles per Gallon”)
새로운 데이터로 예측
new_data <- data.frame(hp = c(100, 150, 200)) predict(model, newdata = new_data)
2025.5.28
faithful 데이터셋
data(faithful) head(faithful) summary(faithful) str(faithful)
model_1 <- lm(eruptions ~ waiting, data = faithful) summary(model_1) format(2.2e-16, scientific=FALSE)
Residuals : 잔차(오차)
Coefficients : 회귀계수(Estimate)
(Intercept) : 절편(상수) : -1.874016
독립변수 temperature 회귀계수는: 0.075628
Pr(>|t|) 유의확률입니다.
0.00000000000000022 < 유의수준 0.05
귀무가설 : 회귀계수는 0이다.
대립가설 : 회귀계수는 0이 아니다.
따라서 귀무가설 기각, 통계적으로 유의한 변수라고 한다.
표본크기-독립변수의 수-1=자유도
n-1-1=270
1 and 30 DF : 1 DF(분자자유도) = 회귀모형에 사용된 설명변수 계수
30 DF (분모 자유도) = 잔차의 자유도, 즉 n(관측치수)-p(독립변수수)-1
Residual standard error : 0.4965
평균적으로 예측값과 실제값의 차이가 약 0.4965 정도라는 뜻
pressure 데이터셋
data(pressure) head(pressure) summary(pressure) str(pressure)
model_2 <- lm(temperature ~ pressure, data = pressure) summary(model_2)
Residuals : 잔차(오차)
Coefficients : 회귀계수(Estimate)
(Intercept) : 절편(상수) : 132.79072
독립변수 temperature 회귀계수는: 0.37969
Pr(>|t|) 유의확률입니다.
0.000171 < 유의수준 0.05
귀무가설 : 회귀계수는 0이다.
대립가설 : 회귀계수는 0이 아니다.
따라서 귀무가설 기각, 통계적으로 유의한 변수라고 한다.
표본크기-독립변수의 수-1=자유도
n-1-1=17
1 and 30 DF : 1 DF(분자자유도) = 회귀모형에 사용된 설명변수 계수
30 DF (분모 자유도) = 잔차의 자유도, 즉 n(관측치수)-p(독립변수수)-1
Residual standard error : 75.56
평균적으로 예측값과 실제값의 차이가 약 75.56 정도라는 뜻
women 데이터셋
data(women) head(women) summary(women) str(women)
model_3 <- lm(height ~ weight, data = women) summary(model_3) format(1.091e-14, scientific=FALSE)
Residuals : 잔차(오차)
Coefficients : 회귀계수(Estimate)
(Intercept) : 절편(상수) : 25.723456
독립변수 temperature 회귀계수는: 0.287249
Pr(>|t|) 유의확률입니다.
0.00000000000001091 < 유의수준 0.05
귀무가설 : 회귀계수는 0이다.
대립가설 : 회귀계수는 0이 아니다.
따라서 귀무가설 기각, 통계적으로 유의한 변수라고 한다.
표본크기-독립변수의 수-1=자유도
n-1-1=13
1 and 30 DF : 1 DF(분자자유도) = 회귀모형에 사용된 설명변수 계수
30 DF (분모 자유도) = 잔차의 자유도, 즉 n(관측치수)-p(독립변수수)-1
Residual standard error : 0.44
평균적으로 예측값과 실제값의 차이가 약 0.44 정도라는 뜻
## 2025.5.28
# faithful 데이터셋
data(faithful)
head(faithful)## eruptions waiting
## 1 3.600 79
## 2 1.800 54
## 3 3.333 74
## 4 2.283 62
## 5 4.533 85
## 6 2.883 55summary(faithful)## eruptions waiting
## Min. :1.600 Min. :43.0
## 1st Qu.:2.163 1st Qu.:58.0
## Median :4.000 Median :76.0
## Mean :3.488 Mean :70.9
## 3rd Qu.:4.454 3rd Qu.:82.0
## Max. :5.100 Max. :96.0str(faithful)## 'data.frame': 272 obs. of 2 variables:
## $ eruptions: num 3.6 1.8 3.33 2.28 4.53 ...
## $ waiting : num 79 54 74 62 85 55 88 85 51 85 ...model_1 <- lm(eruptions ~ waiting, data = faithful)
summary(model_1)##
## Call:
## lm(formula = eruptions ~ waiting, data = faithful)
##
## Residuals:
## Min 1Q Median 3Q Max
## -1.29917 -0.37689 0.03508 0.34909 1.19329
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -1.874016 0.160143 -11.70 <2e-16 ***
## waiting 0.075628 0.002219 34.09 <2e-16 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.4965 on 270 degrees of freedom
## Multiple R-squared: 0.8115, Adjusted R-squared: 0.8108
## F-statistic: 1162 on 1 and 270 DF, p-value: < 2.2e-16format(2.2e-16, scientific=FALSE)## [1] "0.00000000000000022"# Residuals : 잔차(오차)
# Coefficients : 회귀계수(Estimate)
# (Intercept) : 절편(상수) : -1.874016
# 독립변수 temperature 회귀계수는: 0.075628
# Pr(>|t|) 유의확률입니다.
# 0.00000000000000022 < 유의수준 0.05
# 귀무가설 : 회귀계수는 0이다.
# 대립가설 : 회귀계수는 0이 아니다.
# 따라서 귀무가설 기각, 통계적으로 유의한 변수라고 한다.
# 표본크기-독립변수의 수-1=자유도
# n-1-1=270
# 1 and 30 DF : 1 DF(분자자유도) = 회귀모형에 사용된 설명변수 계수
# 30 DF (분모 자유도) = 잔차의 자유도, 즉 n(관측치수)-p(독립변수수)-1
# Residual standard error : 0.4965
# 평균적으로 예측값과 실제값의 차이가 약 0.4965 정도라는 뜻
# pressure 데이터셋
data(pressure)
head(pressure)## temperature pressure
## 1 0 0.0002
## 2 20 0.0012
## 3 40 0.0060
## 4 60 0.0300
## 5 80 0.0900
## 6 100 0.2700summary(pressure)## temperature pressure
## Min. : 0 Min. : 0.0002
## 1st Qu.: 90 1st Qu.: 0.1800
## Median :180 Median : 8.8000
## Mean :180 Mean :124.3367
## 3rd Qu.:270 3rd Qu.:126.5000
## Max. :360 Max. :806.0000str(pressure)## 'data.frame': 19 obs. of 2 variables:
## $ temperature: num 0 20 40 60 80 100 120 140 160 180 ...
## $ pressure : num 0.0002 0.0012 0.006 0.03 0.09 0.27 0.75 1.85 4.2 8.8 ...model_2 <- lm(temperature ~ pressure, data = pressure)
summary(model_2)##
## Call:
## lm(formula = temperature ~ pressure, data = pressure)
##
## Residuals:
## Min 1Q Median 3Q Max
## -132.791 -62.813 6.507 67.033 90.759
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 132.79072 19.94314 6.658 4.03e-06 ***
## pressure 0.37969 0.07929 4.788 0.000171 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 75.56 on 17 degrees of freedom
## Multiple R-squared: 0.5742, Adjusted R-squared: 0.5492
## F-statistic: 22.93 on 1 and 17 DF, p-value: 0.000171# Residuals : 잔차(오차)
# Coefficients : 회귀계수(Estimate)
# (Intercept) : 절편(상수) : 132.79072
# 독립변수 temperature 회귀계수는: 0.37969
# Pr(>|t|) 유의확률입니다.
# 0.000171 < 유의수준 0.05
# 귀무가설 : 회귀계수는 0이다.
# 대립가설 : 회귀계수는 0이 아니다.
# 따라서 귀무가설 기각, 통계적으로 유의한 변수라고 한다.
# 표본크기-독립변수의 수-1=자유도
# n-1-1=17
# 1 and 30 DF : 1 DF(분자자유도) = 회귀모형에 사용된 설명변수 계수
# 30 DF (분모 자유도) = 잔차의 자유도, 즉 n(관측치수)-p(독립변수수)-1
# Residual standard error : 75.56
# 평균적으로 예측값과 실제값의 차이가 약 75.56 정도라는 뜻
# women 데이터셋
data(women)
head(women)## height weight
## 1 58 115
## 2 59 117
## 3 60 120
## 4 61 123
## 5 62 126
## 6 63 129summary(women)## height weight
## Min. :58.0 Min. :115.0
## 1st Qu.:61.5 1st Qu.:124.5
## Median :65.0 Median :135.0
## Mean :65.0 Mean :136.7
## 3rd Qu.:68.5 3rd Qu.:148.0
## Max. :72.0 Max. :164.0str(women)## 'data.frame': 15 obs. of 2 variables:
## $ height: num 58 59 60 61 62 63 64 65 66 67 ...
## $ weight: num 115 117 120 123 126 129 132 135 139 142 ...model_3 <- lm(height ~ weight, data = women)
summary(model_3)##
## Call:
## lm(formula = height ~ weight, data = women)
##
## Residuals:
## Min 1Q Median 3Q Max
## -0.83233 -0.26249 0.08314 0.34353 0.49790
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 25.723456 1.043746 24.64 2.68e-12 ***
## weight 0.287249 0.007588 37.85 1.09e-14 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.44 on 13 degrees of freedom
## Multiple R-squared: 0.991, Adjusted R-squared: 0.9903
## F-statistic: 1433 on 1 and 13 DF, p-value: 1.091e-14format(1.091e-14, scientific=FALSE)## [1] "0.00000000000001091"# Residuals : 잔차(오차)
# Coefficients : 회귀계수(Estimate)
# (Intercept) : 절편(상수) : 25.723456
# 독립변수 temperature 회귀계수는: 0.287249
# Pr(>|t|) 유의확률입니다.
# 0.00000000000001091 < 유의수준 0.05
# 귀무가설 : 회귀계수는 0이다.
# 대립가설 : 회귀계수는 0이 아니다.
# 따라서 귀무가설 기각, 통계적으로 유의한 변수라고 한다.
# 표본크기-독립변수의 수-1=자유도
# n-1-1=13
# 1 and 30 DF : 1 DF(분자자유도) = 회귀모형에 사용된 설명변수 계수
# 30 DF (분모 자유도) = 잔차의 자유도, 즉 n(관측치수)-p(독립변수수)-1
# Residual standard error : 0.44
# 평균적으로 예측값과 실제값의 차이가 약 0.44 정도라는 뜻library(dplyr)
glimpse(mtcars)
install.packages(“lmtest”)
2025.5.29
model <-lm(mpg~hp, data = mtcars) #독립변수 1개, 단순선형(직선) 회귀
par(mfrow = c(2, 2))
library(lmtest)
dwtest(model)
Durbin-Watson Test for Autocorrelation (자기상관 검정)
p-value < 0.05 → 잔차 간에 자기상관 있음 → 독립성 가정 위반
DW 통계량은 보통 2에 가까우면 이상적 (1보다 작으면 양의 자기상관 의심)
plot(model, which = 1)
회귀모형을 적합한 후 plot(model) 명령어로 확인할 수 있는 잔차 플롯
4가지는 회귀모형의 가정이 잘 만족되는지 진단하는 중요한 도구입니다.
각 which = 1~4 플롯의 의미와 해석은 다음과 같습니다
Residuals vs Fitted Plot (잔차 대 적합값 플롯)
목적: 선형성(linearity) 및 등분산성(homoscedasticity) 검정
이상적 모습: 잔차들이 0을 중심으로 무작위로 흩어짐
U자형 / 곡선 → 비선형 관계 존재 가능성
잔차의 퍼짐이 점점 커짐/작아짐 → 이분산성 존재 가능성
이분산성이란, 회귀분석에서 잔차의 분산이 일정하지
않은 현상을 의미합니다.
플롯에서 잔차가 0을 중심으로 무작위로 흩어져야 함.
U자형, 곡선 등 비선형 패턴이 보이면 선형성 가정 위반
plot(model, which = 2)
Normal Q-Q Plot (정규 Q-Q 플롯)
이상적 모습: 점들이 대각선 위에 일직선
꼬리가 위나 아래로 휘어짐 → 잔차가 정규분포가 아닐 수 있음
극단값 존재 → 이상치 영향 의심
plot(model, which = 3)
Scale-Location Plot (√|Standardized Residuals| vs Fitted)
목적: 등분산성(Homoscedasticity) 검정
이상적 모습: 점들이 고르게 흩어짐 (수평선 주변에 무작위 분포)
위쪽으로 퍼지거나 깔때기 모양 → 이분산성 존재
plot(model, which = 4)
Cook’s Distance Plot
목적: 영향력 있는 관측치 식별
이상적 모습: 모든 관측치가 낮은 쿡의 거리 값
특정 관측치가 다른 점들보다 월등히 높은 경우 → 해당 점이 모델에 큰 영향
faithful data
dwtest(model_1) plot(model_1, which = 1) plot(model_1, which = 2) plot(model_1, which = 3) plot(model_1, which = 4)
1. Durbin-Watson Test for Autocorrelation
: p-value( = 1) > 0.05 -> 잔차 간에 자기상관 없음
2. Residuals vs Fitted Plot :비선형 패턴이 보이면 선형성 가정 위반
3. Q-Q plot : 이상적 모습: 점들이 대각선 위에 일직선
4. Scale Location Plot : 위쪽으로 퍼지거나 깔때기 모양 -> 이분산성 존재
5. Cook’s Distance Plot : 158, 197, 203 관측치가 월등히 높음
pressure data
dwtest(model_2) plot(model_2, which = 1) plot(model_2, which = 2) plot(model_2, which = 3) plot(model_2, which = 4)
1. Durbin-Watson Test for Autocorrelation
: p-value( = 5.205e-13) < 0.05 > 잔차 간에 자기상관 있음
2. Residuals vs Fitted Plot :비선형 패턴 -> 선형성 가정 위반
3. Q-Q plot : 꼬리가 휘어짐 > 잔차가 정규분포가 아닐 수 있음
4. Scale Location Plot : 위쪽으로 퍼지거나 깔때기 모양 -> 이분산성 존재
5. Cook’s Distance Plot : 19 관측치가 월등히 높음
women data
dwtest(model_3) plot(model_3, which = 1) plot(model_3, which = 2) plot(model_3, which = 3) plot(model_3, which = 4)
1. Durbin-Watson Test for Autocorrelation
: p-value( = 9.623e-08) < 0.05 > 잔차 간에 자기상관 있음
2. Residuals vs Fitted Plot :비선형 패턴 -> 선형성 가정 위반
3. Q-Q plot : 꼬리가 휘어짐 > 잔차가 정규분포가 아닐 수 있음
4. Scale Location Plot : 위쪽으로 퍼지거나 깔때기 모양 -> 이분산성 존재
5. Cook’s Distance Plot : 15 관측치가 월등히 높음
# 2025.5.29
model <-lm(mpg~hp, data = mtcars)
#독립변수 1개, 단순선형(직선) 회귀
par(mfrow = c(2, 2))
library(lmtest)## Loading required package: zoo##
## Attaching package: 'zoo'## The following objects are masked from 'package:base':
##
## as.Date, as.Date.numericdwtest(model)##
## Durbin-Watson test
##
## data: model
## DW = 1.1338, p-value = 0.00411
## alternative hypothesis: true autocorrelation is greater than 0# Durbin-Watson Test for Autocorrelation (자기상관 검정)
# p-value < 0.05 → 잔차 간에 자기상관 있음 → 독립성 가정 위반
# DW 통계량은 보통 2에 가까우면 이상적 (1보다 작으면 양의 자기상관 의심)
plot(model, which = 1)
# 회귀모형을 적합한 후 plot(model) 명령어로 확인할 수 있는 잔차 플롯
# 4가지는 회귀모형의 가정이 잘 만족되는지 진단하는 중요한 도구입니다.
# 각 which = 1~4 플롯의 의미와 해석은 다음과 같습니다
# Residuals vs Fitted Plot (잔차 대 적합값 플롯)
# 목적: 선형성(linearity) 및 등분산성(homoscedasticity) 검정
# 이상적 모습: 잔차들이 0을 중심으로 무작위로 흩어짐
# U자형 / 곡선 → 비선형 관계 존재 가능성
# 잔차의 퍼짐이 점점 커짐/작아짐 → 이분산성 존재 가능성
# 이분산성이란, 회귀분석에서 잔차의 분산이 일정하지
# 않은 현상을 의미합니다.
# 플롯에서 잔차가 0을 중심으로 무작위로 흩어져야 함.
# U자형, 곡선 등 비선형 패턴이 보이면 선형성 가정 위반
plot(model, which = 2)
# Normal Q-Q Plot (정규 Q-Q 플롯)
# 이상적 모습: 점들이 대각선 위에 일직선
# 꼬리가 위나 아래로 휘어짐 → 잔차가 정규분포가 아닐 수 있음
# 극단값 존재 → 이상치 영향 의심
plot(model, which = 3)
# Scale-Location Plot (√|Standardized Residuals| vs Fitted)
# 목적: 등분산성(Homoscedasticity) 검정
# 이상적 모습: 점들이 고르게 흩어짐 (수평선 주변에 무작위 분포)
# 위쪽으로 퍼지거나 깔때기 모양 → 이분산성 존재
plot(model, which = 4)
# Cook’s Distance Plot
# 목적: 영향력 있는 관측치 식별
# 이상적 모습: 모든 관측치가 낮은 쿡의 거리 값
# 특정 관측치가 다른 점들보다 월등히 높은 경우 → 해당 점이 모델에 큰 영향
#### faithful data
dwtest(model_1)##
## Durbin-Watson test
##
## data: model_1
## DW = 2.561, p-value = 1
## alternative hypothesis: true autocorrelation is greater than 0plot(model_1, which = 1)
plot(model_1, which = 2)
plot(model_1, which = 3)
plot(model_1, which = 4)
# 1. Durbin-Watson Test for Autocorrelation
# : p-value( = 1) > 0.05 -> 잔차 간에 자기상관 없음
# 2. Residuals vs Fitted Plot :비선형 패턴이 보이면 선형성 가정 위반
# 3. Q-Q plot : 이상적 모습: 점들이 대각선 위에 일직선
# 4. Scale Location Plot : 위쪽으로 퍼지거나 깔때기 모양 -> 이분산성 존재
# 5. Cook’s Distance Plot : 158, 197, 203 관측치가 월등히 높음
#### pressure data
dwtest(model_2)##
## Durbin-Watson test
##
## data: model_2
## DW = 0.13453, p-value = 5.205e-13
## alternative hypothesis: true autocorrelation is greater than 0plot(model_2, which = 1)
plot(model_2, which = 2)
plot(model_2, which = 3)
plot(model_2, which = 4)
# 1. Durbin-Watson Test for Autocorrelation
# : p-value( = 5.205e-13) < 0.05 -> 잔차 간에 자기상관 있음
# 2. Residuals vs Fitted Plot :비선형 패턴 -> 선형성 가정 위반
# 3. Q-Q plot : 꼬리가 휘어짐 > 잔차가 정규분포가 아닐 수 있음
# 4. Scale Location Plot : 위쪽으로 퍼지거나 깔때기 모양 -> 이분산성 존재
# 5. Cook’s Distance Plot : 19 관측치가 월등히 높음
#### women data
dwtest(model_3)##
## Durbin-Watson test
##
## data: model_3
## DW = 0.31156, p-value = 9.623e-08
## alternative hypothesis: true autocorrelation is greater than 0plot(model_3, which = 1)
plot(model_3, which = 2)
plot(model_3, which = 3)
plot(model_3, which = 4)
# 1. Durbin-Watson Test for Autocorrelation
# : p-value( = 9.623e-08) < 0.05 -> 잔차 간에 자기상관 있음
# 2. Residuals vs Fitted Plot :비선형 패턴 -> 선형성 가정 위반
# 3. Q-Q plot : 꼬리가 휘어짐 > 잔차가 정규분포가 아닐 수 있음
# 4. Scale Location Plot : 위쪽으로 퍼지거나 깔때기 모양 -> 이분산성 존재
# 5. Cook’s Distance Plot : 15 관측치가 월등히 높음성별과 바르질 점수 데이터 생성
gender <- factor(c(rep(“male”, 10), rep(“female”, 10))) score <- c(70, 72, 68, 75, 74, 71, 73, 76, 69, 72, 65, 66, 64, 67, 63, 62, 68, 66, 65, 64)
df <- data.frame(gender, score) glimpse((df)) model <- lm(score ~ gender, data = df) summary(model)
새로운 시작
rm(list=ls()) install.packages(“car”) # 한 번만 설치
library(car) # 매번 로드
data(mtcars) summary(mtcars) model <- lm(mpg ~ wt + hp + disp, data = mtcars) vif(model)
2025.5.30 새로운 시작
다중회귀 분석 1
데이터 확인
data(mtcars)
다중 선형회귀모형 적합
model <- lm(mpg ~ wt + hp + drat, data = mtcars)
회귀 결과 요약
summary(model)
다중회귀 분석 2
데이터 확인
data(iris)
다중 선형회귀모형 적합
model <- lm(Sepal.Length ~ Sepal.Width + Petal.Length + Petal.Width, data = iris)
회귀 결과 요약
summary(model)
다중회귀 분석 3
결측치 제거
data(airquality) airquality_clean <- na.omit(airquality)
다중 선형회귀모형 적합
model <- lm(Ozone ~ Solar.R + Wind + Temp, data = airquality_clean)
회귀 결과 요약
summary(model)
2025.6.2 새로운 시작
data(mtcars)
종속변수: mpg
모든 변수 포함한 전체 모형
full_model <- lm(mpg ~ ., data = mtcars)
절편만 포함한 시작 모형
null_model <- lm(mpg ~ 1, data = mtcars)
1.후진제거법 (Backward Elimination)
backward_model <- step(full_model, direction = “backward”) summary(backward_model)
2.전진선택법 (Forward Selection)
forward_model <- step(null_model, scope = list(lower = null_model, upper = full_model), direction = “forward”)
summary(forward_model)
3.단계별방법 (Stepwise Method)
stepwise_model <- step(null_model, scope = list(lower = null_model, upper = full_model), direction = “both”)
summary(stepwise_model)
direction = “both”: 전진선택과 후진제거를 모두 수행
step() 함수는 AIC 기준으로 변수를 추가하거나 제거하며 최적의 조합을 찾습니다.
### 2025.6.2 새로운 시작
data(mtcars)
# 종속변수: mpg
# 모든 변수 포함한 전체 모형
full_model <- lm(mpg ~ ., data = mtcars)
# 절편만 포함한 시작 모형
null_model <- lm(mpg ~ 1, data = mtcars)
# 1.후진제거법 (Backward Elimination)
backward_model <- step(full_model, direction = "backward")## Start: AIC=70.9
## mpg ~ cyl + disp + hp + drat + wt + qsec + vs + am + gear + carb
##
## Df Sum of Sq RSS AIC
## - cyl 1 0.0799 147.57 68.915
## - vs 1 0.1601 147.66 68.932
## - carb 1 0.4067 147.90 68.986
## - gear 1 1.3531 148.85 69.190
## - drat 1 1.6270 149.12 69.249
## - disp 1 3.9167 151.41 69.736
## - hp 1 6.8399 154.33 70.348
## - qsec 1 8.8641 156.36 70.765
## <none> 147.49 70.898
## - am 1 10.5467 158.04 71.108
## - wt 1 27.0144 174.51 74.280
##
## Step: AIC=68.92
## mpg ~ disp + hp + drat + wt + qsec + vs + am + gear + carb
##
## Df Sum of Sq RSS AIC
## - vs 1 0.2685 147.84 66.973
## - carb 1 0.5201 148.09 67.028
## - gear 1 1.8211 149.40 67.308
## - drat 1 1.9826 149.56 67.342
## - disp 1 3.9009 151.47 67.750
## - hp 1 7.3632 154.94 68.473
## <none> 147.57 68.915
## - qsec 1 10.0933 157.67 69.032
## - am 1 11.8359 159.41 69.384
## - wt 1 27.0280 174.60 72.297
##
## Step: AIC=66.97
## mpg ~ disp + hp + drat + wt + qsec + am + gear + carb
##
## Df Sum of Sq RSS AIC
## - carb 1 0.6855 148.53 65.121
## - gear 1 2.1437 149.99 65.434
## - drat 1 2.2139 150.06 65.449
## - disp 1 3.6467 151.49 65.753
## - hp 1 7.1060 154.95 66.475
## <none> 147.84 66.973
## - am 1 11.5694 159.41 67.384
## - qsec 1 15.6830 163.53 68.200
## - wt 1 27.3799 175.22 70.410
##
## Step: AIC=65.12
## mpg ~ disp + hp + drat + wt + qsec + am + gear
##
## Df Sum of Sq RSS AIC
## - gear 1 1.565 150.09 63.457
## - drat 1 1.932 150.46 63.535
## <none> 148.53 65.121
## - disp 1 10.110 158.64 65.229
## - am 1 12.323 160.85 65.672
## - hp 1 14.826 163.35 66.166
## - qsec 1 26.408 174.94 68.358
## - wt 1 69.127 217.66 75.350
##
## Step: AIC=63.46
## mpg ~ disp + hp + drat + wt + qsec + am
##
## Df Sum of Sq RSS AIC
## - drat 1 3.345 153.44 62.162
## - disp 1 8.545 158.64 63.229
## <none> 150.09 63.457
## - hp 1 13.285 163.38 64.171
## - am 1 20.036 170.13 65.466
## - qsec 1 25.574 175.67 66.491
## - wt 1 67.572 217.66 73.351
##
## Step: AIC=62.16
## mpg ~ disp + hp + wt + qsec + am
##
## Df Sum of Sq RSS AIC
## - disp 1 6.629 160.07 61.515
## <none> 153.44 62.162
## - hp 1 12.572 166.01 62.682
## - qsec 1 26.470 179.91 65.255
## - am 1 32.198 185.63 66.258
## - wt 1 69.043 222.48 72.051
##
## Step: AIC=61.52
## mpg ~ hp + wt + qsec + am
##
## Df Sum of Sq RSS AIC
## - hp 1 9.219 169.29 61.307
## <none> 160.07 61.515
## - qsec 1 20.225 180.29 63.323
## - am 1 25.993 186.06 64.331
## - wt 1 78.494 238.56 72.284
##
## Step: AIC=61.31
## mpg ~ wt + qsec + am
##
## Df Sum of Sq RSS AIC
## <none> 169.29 61.307
## - am 1 26.178 195.46 63.908
## - qsec 1 109.034 278.32 75.217
## - wt 1 183.347 352.63 82.790summary(backward_model)##
## Call:
## lm(formula = mpg ~ wt + qsec + am, data = mtcars)
##
## Residuals:
## Min 1Q Median 3Q Max
## -3.4811 -1.5555 -0.7257 1.4110 4.6610
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 9.6178 6.9596 1.382 0.177915
## wt -3.9165 0.7112 -5.507 6.95e-06 ***
## qsec 1.2259 0.2887 4.247 0.000216 ***
## am 2.9358 1.4109 2.081 0.046716 *
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 2.459 on 28 degrees of freedom
## Multiple R-squared: 0.8497, Adjusted R-squared: 0.8336
## F-statistic: 52.75 on 3 and 28 DF, p-value: 1.21e-11# 2.전진선택법 (Forward Selection)
forward_model <- step(null_model,
scope = list(lower = null_model, upper = full_model),
direction = "forward")## Start: AIC=115.94
## mpg ~ 1
##
## Df Sum of Sq RSS AIC
## + wt 1 847.73 278.32 73.217
## + cyl 1 817.71 308.33 76.494
## + disp 1 808.89 317.16 77.397
## + hp 1 678.37 447.67 88.427
## + drat 1 522.48 603.57 97.988
## + vs 1 496.53 629.52 99.335
## + am 1 405.15 720.90 103.672
## + carb 1 341.78 784.27 106.369
## + gear 1 259.75 866.30 109.552
## + qsec 1 197.39 928.66 111.776
## <none> 1126.05 115.943
##
## Step: AIC=73.22
## mpg ~ wt
##
## Df Sum of Sq RSS AIC
## + cyl 1 87.150 191.17 63.198
## + hp 1 83.274 195.05 63.840
## + qsec 1 82.858 195.46 63.908
## + vs 1 54.228 224.09 68.283
## + carb 1 44.602 233.72 69.628
## + disp 1 31.639 246.68 71.356
## <none> 278.32 73.217
## + drat 1 9.081 269.24 74.156
## + gear 1 1.137 277.19 75.086
## + am 1 0.002 278.32 75.217
##
## Step: AIC=63.2
## mpg ~ wt + cyl
##
## Df Sum of Sq RSS AIC
## + hp 1 14.5514 176.62 62.665
## + carb 1 13.7724 177.40 62.805
## <none> 191.17 63.198
## + qsec 1 10.5674 180.60 63.378
## + gear 1 3.0281 188.14 64.687
## + disp 1 2.6796 188.49 64.746
## + vs 1 0.7059 190.47 65.080
## + am 1 0.1249 191.05 65.177
## + drat 1 0.0010 191.17 65.198
##
## Step: AIC=62.66
## mpg ~ wt + cyl + hp
##
## Df Sum of Sq RSS AIC
## <none> 176.62 62.665
## + am 1 6.6228 170.00 63.442
## + disp 1 6.1762 170.44 63.526
## + carb 1 2.5187 174.10 64.205
## + drat 1 2.2453 174.38 64.255
## + qsec 1 1.4010 175.22 64.410
## + gear 1 0.8558 175.76 64.509
## + vs 1 0.0599 176.56 64.654summary(forward_model)##
## Call:
## lm(formula = mpg ~ wt + cyl + hp, data = mtcars)
##
## Residuals:
## Min 1Q Median 3Q Max
## -3.9290 -1.5598 -0.5311 1.1850 5.8986
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 38.75179 1.78686 21.687 < 2e-16 ***
## wt -3.16697 0.74058 -4.276 0.000199 ***
## cyl -0.94162 0.55092 -1.709 0.098480 .
## hp -0.01804 0.01188 -1.519 0.140015
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 2.512 on 28 degrees of freedom
## Multiple R-squared: 0.8431, Adjusted R-squared: 0.8263
## F-statistic: 50.17 on 3 and 28 DF, p-value: 2.184e-11# 3.단계별방법 (Stepwise Method)
stepwise_model <- step(null_model,
scope = list(lower = null_model, upper = full_model),
direction = "both")## Start: AIC=115.94
## mpg ~ 1
##
## Df Sum of Sq RSS AIC
## + wt 1 847.73 278.32 73.217
## + cyl 1 817.71 308.33 76.494
## + disp 1 808.89 317.16 77.397
## + hp 1 678.37 447.67 88.427
## + drat 1 522.48 603.57 97.988
## + vs 1 496.53 629.52 99.335
## + am 1 405.15 720.90 103.672
## + carb 1 341.78 784.27 106.369
## + gear 1 259.75 866.30 109.552
## + qsec 1 197.39 928.66 111.776
## <none> 1126.05 115.943
##
## Step: AIC=73.22
## mpg ~ wt
##
## Df Sum of Sq RSS AIC
## + cyl 1 87.15 191.17 63.198
## + hp 1 83.27 195.05 63.840
## + qsec 1 82.86 195.46 63.908
## + vs 1 54.23 224.09 68.283
## + carb 1 44.60 233.72 69.628
## + disp 1 31.64 246.68 71.356
## <none> 278.32 73.217
## + drat 1 9.08 269.24 74.156
## + gear 1 1.14 277.19 75.086
## + am 1 0.00 278.32 75.217
## - wt 1 847.73 1126.05 115.943
##
## Step: AIC=63.2
## mpg ~ wt + cyl
##
## Df Sum of Sq RSS AIC
## + hp 1 14.551 176.62 62.665
## + carb 1 13.772 177.40 62.805
## <none> 191.17 63.198
## + qsec 1 10.567 180.60 63.378
## + gear 1 3.028 188.14 64.687
## + disp 1 2.680 188.49 64.746
## + vs 1 0.706 190.47 65.080
## + am 1 0.125 191.05 65.177
## + drat 1 0.001 191.17 65.198
## - cyl 1 87.150 278.32 73.217
## - wt 1 117.162 308.33 76.494
##
## Step: AIC=62.66
## mpg ~ wt + cyl + hp
##
## Df Sum of Sq RSS AIC
## <none> 176.62 62.665
## - hp 1 14.551 191.17 63.198
## + am 1 6.623 170.00 63.442
## + disp 1 6.176 170.44 63.526
## - cyl 1 18.427 195.05 63.840
## + carb 1 2.519 174.10 64.205
## + drat 1 2.245 174.38 64.255
## + qsec 1 1.401 175.22 64.410
## + gear 1 0.856 175.76 64.509
## + vs 1 0.060 176.56 64.654
## - wt 1 115.354 291.98 76.750summary(stepwise_model)##
## Call:
## lm(formula = mpg ~ wt + cyl + hp, data = mtcars)
##
## Residuals:
## Min 1Q Median 3Q Max
## -3.9290 -1.5598 -0.5311 1.1850 5.8986
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 38.75179 1.78686 21.687 < 2e-16 ***
## wt -3.16697 0.74058 -4.276 0.000199 ***
## cyl -0.94162 0.55092 -1.709 0.098480 .
## hp -0.01804 0.01188 -1.519 0.140015
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 2.512 on 28 degrees of freedom
## Multiple R-squared: 0.8431, Adjusted R-squared: 0.8263
## F-statistic: 50.17 on 3 and 28 DF, p-value: 2.184e-11# direction = "both": 전진선택과 후진제거를 모두 수행
# step() 함수는 AIC 기준으로 변수를 추가하거나 제거하며 최적의 조합을 찾습니다.