drzewo generowane poza main
This commit is contained in:
parent
7bf768e6af
commit
d1ba1659c1
|
|
@ -0,0 +1,5 @@
|
|||
{
|
||||
"python.analysis.extraPaths": [
|
||||
"./DecisionTree"
|
||||
]
|
||||
}
|
||||
|
|
@ -1,87 +0,0 @@
|
|||
import graphviz
|
||||
import pandas as pd
|
||||
from sklearn.tree import DecisionTreeClassifier
|
||||
from sklearn.tree import export_graphviz
|
||||
|
||||
# def make_tree():
|
||||
# plikZPrzecinkami = open("training_data.txt", 'w')
|
||||
|
||||
# with open('DecisionTree/200permutations_table.txt', 'r') as plik:
|
||||
# for linia in plik:
|
||||
# liczby = linia.strip()
|
||||
# wiersz = ""
|
||||
# licznik = 0
|
||||
# for liczba in liczby:
|
||||
# wiersz += liczba
|
||||
# wiersz += ";"
|
||||
# wiersz = wiersz[:-1]
|
||||
# wiersz += '\n'
|
||||
# plikZPrzecinkami.write(wiersz)
|
||||
|
||||
# plikZPrzecinkami.close()
|
||||
|
||||
# x = pd.read_csv('DecisionTree/training_data.txt', delimiter=';',
|
||||
# names=['wielkosc', 'waga,', 'priorytet', 'ksztalt', 'kruchosc', 'dolna', 'gorna', 'g > d'])
|
||||
# y = pd.read_csv('DecisionTree/decisions.txt', names=['polka'])
|
||||
# # X_train, X_test, y_train, y_test = train_test_split(x, y, test_size=0.3, random_state=1) # 70% treningowe and 30% testowe
|
||||
|
||||
# # Tworzenie instancji klasyfikatora ID3
|
||||
# clf = DecisionTreeClassifier(criterion='entropy')
|
||||
|
||||
# # Trenowanie klasyfikatora
|
||||
# clf.fit(x.values, y.values)
|
||||
# # clf.fit(X_train, y_train)
|
||||
# return clf
|
||||
|
||||
plikZPrzecinkami = open("DecisionTree/training_data.txt", 'w')
|
||||
|
||||
with open('DecisionTree/200permutations_table.txt', 'r') as plik:
|
||||
for linia in plik:
|
||||
liczby = linia.strip()
|
||||
wiersz = ""
|
||||
licznik = 0
|
||||
for liczba in liczby:
|
||||
wiersz += liczba
|
||||
wiersz += ";"
|
||||
wiersz = wiersz[:-1]
|
||||
wiersz += '\n'
|
||||
plikZPrzecinkami.write(wiersz)
|
||||
|
||||
plikZPrzecinkami.close()
|
||||
|
||||
x = pd.read_csv('DecisionTree/training_data.txt', delimiter=';',
|
||||
names=['wielkosc', 'waga,', 'priorytet', 'ksztalt', 'kruchosc', 'dolna', 'gorna', 'g > d'])
|
||||
y = pd.read_csv('DecisionTree/decisions.txt', names=['polka'])
|
||||
# X_train, X_test, y_train, y_test = train_test_split(x, y, test_size=0.3, random_state=1) # 70% treningowe and 30% testowe
|
||||
|
||||
# Tworzenie instancji klasyfikatora ID3
|
||||
clf = DecisionTreeClassifier(criterion='entropy')
|
||||
|
||||
# Trenowanie klasyfikatora
|
||||
clf.fit(x.values, y.values)
|
||||
# clf.fit(X_train, y_train)
|
||||
|
||||
|
||||
# Predykcja na nowych danych
|
||||
new_data = [[2, 2, 1, 0, 1, 1, 0, 0], [0, 0, 0, 0, 0, 0, 0, 0]]
|
||||
predictions = clf.predict(new_data)
|
||||
# y_pred = clf.predict(X_test)
|
||||
|
||||
|
||||
print(predictions)
|
||||
# print("Accuracy:", clf.score(new_data, predictions))
|
||||
# print("Accuracy:", metrics.accuracy_score(y_test, y_pred))
|
||||
|
||||
|
||||
# Wygenerowanie pliku .dot reprezentującego drzewo
|
||||
dot_data = export_graphviz(clf, out_file=None, feature_names=list(x.columns), class_names=['0', '1'], filled=True,
|
||||
rounded=True)
|
||||
|
||||
# Tworzenie obiektu graphviz z pliku .dot
|
||||
graph = graphviz.Source(dot_data)
|
||||
|
||||
# Wyświetlanie drzewa
|
||||
graph.view()
|
||||
|
||||
z = pd.concat([x, y], axis=1)
|
||||
z.to_csv('dane.csv', index=False)
|
||||
Binary file not shown.
Binary file not shown.
Binary file not shown.
Binary file not shown.
Binary file not shown.
Binary file not shown.
Binary file not shown.
|
|
@ -0,0 +1,58 @@
|
|||
import graphviz
|
||||
import pandas as pd
|
||||
from sklearn.tree import DecisionTreeClassifier
|
||||
from sklearn.tree import export_graphviz
|
||||
|
||||
def make_tree():
|
||||
plikZPrzecinkami = open("training_data.txt", 'w')
|
||||
|
||||
with open('DecisionTree/200permutations_table.txt', 'r') as plik:
|
||||
for linia in plik:
|
||||
liczby = linia.strip()
|
||||
wiersz = ""
|
||||
licznik = 0
|
||||
for liczba in liczby:
|
||||
wiersz += liczba
|
||||
wiersz += ";"
|
||||
wiersz = wiersz[:-1]
|
||||
wiersz += '\n'
|
||||
plikZPrzecinkami.write(wiersz)
|
||||
|
||||
plikZPrzecinkami.close()
|
||||
|
||||
x = pd.read_csv('DecisionTree/training_data.txt', delimiter=';',
|
||||
names=['wielkosc', 'waga,', 'priorytet', 'ksztalt', 'kruchosc', 'dolna', 'gorna', 'g > d'])
|
||||
y = pd.read_csv('DecisionTree/decisions.txt', names=['polka'])
|
||||
# X_train, X_test, y_train, y_test = train_test_split(x, y, test_size=0.3, random_state=1) # 70% treningowe and 30% testowe
|
||||
|
||||
# Tworzenie instancji klasyfikatora ID3
|
||||
clf = DecisionTreeClassifier(criterion='entropy')
|
||||
|
||||
# Trenowanie klasyfikatora
|
||||
clf.fit(x.values, y.values)
|
||||
# clf.fit(X_train, y_train)
|
||||
return clf
|
||||
|
||||
# # Predykcja na nowych danych
|
||||
# new_data = [[2, 2, 1, 0, 1, 1, 0, 0], [0, 0, 0, 0, 0, 0, 0, 0]]
|
||||
# predictions = clf.predict(new_data)
|
||||
# # y_pred = clf.predict(X_test)
|
||||
|
||||
|
||||
# print(predictions)
|
||||
# # print("Accuracy:", clf.score(new_data, predictions))
|
||||
# # print("Accuracy:", metrics.accuracy_score(y_test, y_pred))
|
||||
|
||||
|
||||
# Wygenerowanie pliku .dot reprezentującego drzewo
|
||||
# dot_data = export_graphviz(clf, out_file=None, feature_names=list(x.columns), class_names=['0', '1'], filled=True,
|
||||
# rounded=True)
|
||||
|
||||
# # Tworzenie obiektu graphviz z pliku .dot
|
||||
# graph = graphviz.Source(dot_data)
|
||||
|
||||
# # Wyświetlanie drzewa
|
||||
# graph.view()
|
||||
|
||||
# z = pd.concat([x, y], axis=1)
|
||||
# z.to_csv('dane.csv', index=False)
|
||||
22
ekran.py
22
ekran.py
|
|
@ -1,10 +1,7 @@
|
|||
import pygame
|
||||
|
||||
from plansza import x1, y1, x2, y2, x3, y3, x4, y4, a_pix, b_pix
|
||||
from regal import Regal, obliczPixeleNaPodstawieKratek
|
||||
# import wozek
|
||||
from packageList import *
|
||||
# from paczka import Paczka
|
||||
|
||||
EKRAN_SZEROKOSC = 770
|
||||
EKRAN_WYSOKOSC = 770
|
||||
|
|
@ -15,9 +12,6 @@ pygame.display.set_caption("Inteligentny wozek")
|
|||
icon = pygame.image.load('images/icon.png')
|
||||
pygame.display.set_icon(icon)
|
||||
|
||||
# lista_paczek = packageList.zainicjuj_liste_paczek(a_pix, b_pix)
|
||||
|
||||
#lista_paczek = listOfPackages()
|
||||
lista_paczek = []
|
||||
lista_paczek_na_regalach = []
|
||||
|
||||
|
|
@ -52,11 +46,6 @@ def zwroc_regaly_kategoria(kategoria):
|
|||
lista_reg.append(reg)
|
||||
return lista_reg
|
||||
|
||||
# def zwroc_regaly_wspolrzedne(x_reg, y_reg):
|
||||
# for regal in lista_regalow:
|
||||
# if regal.wiersz == obliczPixeleNaPodstawieKratek(x_reg) and regal.kolumna == obliczPixeleNaPodstawieKratek(y_reg):
|
||||
# return regal
|
||||
|
||||
def narysuj_siatke():
|
||||
blockSize = 70 # Set the size of the grid block
|
||||
WHITE = (200, 200, 200)
|
||||
|
|
@ -94,13 +83,16 @@ def sprawdz_ktora_kolumna(y):
|
|||
|
||||
|
||||
def narysuj_paczki(wozek):
|
||||
#if wozek.ln == 0:
|
||||
#for paczka in lista_paczek.list:
|
||||
#if len(lista_paczek_na_regalach) == 0:
|
||||
for paczka in lista_paczek:
|
||||
paczka.narysuj(paczka.x, paczka.y, screen)
|
||||
|
||||
def narysuj_paczke_na_regale():
|
||||
for paczka in lista_paczek_na_regalach:
|
||||
if paczka.is_in_move is False:
|
||||
paczka.narysuj(paczka.x, paczka.y, screen)
|
||||
paczka.narysuj(paczka.x, paczka.y, screen)
|
||||
|
||||
def dodaj_paczki_na_rampe(p1, p2):
|
||||
lista_paczek.append(p1)
|
||||
lista_paczek.append(p2)
|
||||
p1.update_position(a_pix, b_pix)
|
||||
p2.update_position(a_pix, b_pix)
|
||||
|
|
|
|||
33
main.py
33
main.py
|
|
@ -7,6 +7,7 @@ import ekran
|
|||
from grid import GridCellType, SearchGrid
|
||||
from sklearn.tree import DecisionTreeClassifier
|
||||
import pandas as pd
|
||||
import drzewo_decyzyjne
|
||||
|
||||
from plansza import a_pix, b_pix
|
||||
pygame.init()
|
||||
|
|
@ -14,15 +15,11 @@ pygame.init()
|
|||
|
||||
def main():
|
||||
wozek = Wozek()
|
||||
|
||||
p1 = Paczka('duzy', 12, 'narzedzia', False, True, False, any, any, any, any, any)
|
||||
p2 = Paczka('maly', 1, 'ogród', False, True, False, any, any, any, any, any)
|
||||
ekran.lista_paczek.append(p1)
|
||||
ekran.lista_paczek.append(p2)
|
||||
p1.update_position(a_pix, b_pix)
|
||||
p2.update_position(a_pix, b_pix)
|
||||
|
||||
ekran.dodaj_paczki_na_rampe(p1, p2)
|
||||
grid_points = SearchGrid()
|
||||
drzewo = drzewo_decyzyjne.make_tree()
|
||||
|
||||
while True:
|
||||
for event in pygame.event.get():
|
||||
|
|
@ -52,34 +49,14 @@ def main():
|
|||
|
||||
array, reg = przenoszona_paczka.tablica_do_drzewa(przenoszona_paczka.kategoria)
|
||||
|
||||
plikZPrzecinkami = open("DecisionTree/training_data.txt", 'w')
|
||||
predictions = drzewo.predict([array])
|
||||
|
||||
with open('DecisionTree/200permutations_table.txt', 'r') as plik:
|
||||
for linia in plik:
|
||||
liczby = linia.strip()
|
||||
wiersz = ""
|
||||
licznik = 0
|
||||
for liczba in liczby:
|
||||
wiersz += liczba
|
||||
wiersz += ";"
|
||||
wiersz = wiersz[:-1]
|
||||
wiersz += '\n'
|
||||
plikZPrzecinkami.write(wiersz)
|
||||
|
||||
plikZPrzecinkami.close()
|
||||
x = pd.read_csv('DecisionTree/training_data.txt', delimiter=';',
|
||||
names=['wielkosc', 'waga,', 'priorytet', 'ksztalt', 'kruchosc', 'dolna', 'gorna', 'g > d'])
|
||||
y = pd.read_csv('DecisionTree/decisions.txt', names=['polka'])
|
||||
clf = DecisionTreeClassifier(criterion='entropy')
|
||||
clf.fit(x.values, y.values)
|
||||
|
||||
predictions = clf.predict([array])
|
||||
if predictions == 0:
|
||||
print('odklada na dolna polke!')
|
||||
else:
|
||||
print('odklada na gorna polke!')
|
||||
|
||||
docelowy_stan = wyszukiwanie.Stan(reg.numerWiersza * 70, reg.numerKolumny * 70, 1) # x1 i y1 bo to są regału kategorii ogród
|
||||
docelowy_stan = wyszukiwanie.Stan(reg.numerWiersza * 70, reg.numerKolumny * 70, 1)
|
||||
wezel = wyszukiwanie.wyszukiwanie_a_star(wozek.obecnyStan, docelowy_stan, grid_points)
|
||||
sciezka = wyszukiwanie.znajdz_sciezke(wezel)
|
||||
wozek.przemiesc_wozek_po_sciezce(sciezka)
|
||||
|
|
|
|||
26
paczka.py
26
paczka.py
|
|
@ -89,36 +89,36 @@ class Paczka(pygame.sprite.Sprite):
|
|||
|
||||
# piorytet
|
||||
if self.priorytet is True:
|
||||
tablica.append(0)
|
||||
else: tablica.append(1)
|
||||
tablica.append(1)
|
||||
else: tablica.append(0)
|
||||
|
||||
# kształt
|
||||
if self.ksztalt is True:
|
||||
tablica.append(0)
|
||||
else: tablica.append(1)
|
||||
tablica.append(1)
|
||||
else: tablica.append(0)
|
||||
|
||||
# kruchość
|
||||
if self.kruchosc is True:
|
||||
tablica.append(0)
|
||||
else: tablica.append(1)
|
||||
tablica.append(1)
|
||||
else: tablica.append(0)
|
||||
|
||||
reg = ekran.zwroc_regaly_kategoria(kategoria)
|
||||
# czy dolna wolna
|
||||
if reg[0].is_dolna_free() is True:
|
||||
tablica.append(0)
|
||||
else:
|
||||
tablica.append(1)
|
||||
else:
|
||||
tablica.append(0)
|
||||
|
||||
#czy górna wolna
|
||||
if reg[0].is_dolna_free() is True:
|
||||
tablica.append(0)
|
||||
else:
|
||||
tablica.append(1)
|
||||
else:
|
||||
tablica.append(0)
|
||||
|
||||
# czy na górnej więcej miejsca
|
||||
if reg[0].is_dolna_free() is True:
|
||||
tablica.append(0)
|
||||
else:
|
||||
if reg[0].czy_na_gornej_wiecej_miejsca() is True:
|
||||
tablica.append(1)
|
||||
else:
|
||||
tablica.append(0)
|
||||
|
||||
return tablica, reg[0]
|
||||
|
|
@ -0,0 +1,200 @@
|
|||
1;0;0;1;0;0;1;0
|
||||
0;0;1;0;1;1;0;1
|
||||
2;0;1;1;0;0;0;1
|
||||
2;2;1;0;1;1;1;0
|
||||
1;0;0;1;0;0;0;1
|
||||
2;1;0;0;1;1;0;0
|
||||
1;0;0;0;1;0;0;1
|
||||
1;1;0;1;0;0;0;1
|
||||
0;0;1;0;1;1;1;0
|
||||
0;2;0;0;0;1;1;0
|
||||
0;0;1;0;0;1;0;1
|
||||
0;0;0;0;0;1;1;0
|
||||
0;2;1;0;1;1;0;0
|
||||
2;0;0;0;1;0;0;0
|
||||
2;1;0;1;0;1;1;1
|
||||
0;1;1;0;1;1;1;0
|
||||
0;2;0;1;1;1;0;1
|
||||
1;2;1;0;1;1;0;0
|
||||
0;0;1;1;1;1;0;1
|
||||
0;0;0;1;1;0;0;1
|
||||
1;1;1;1;1;0;1;0
|
||||
1;2;1;0;0;1;1;1
|
||||
2;2;1;1;0;1;1;1
|
||||
1;2;1;0;1;1;0;1
|
||||
0;1;0;0;0;1;0;1
|
||||
1;1;0;0;0;1;0;1
|
||||
0;1;0;0;0;1;1;1
|
||||
2;1;0;1;0;1;0;1
|
||||
0;1;1;0;1;1;0;0
|
||||
2;1;0;1;0;1;1;0
|
||||
1;2;1;0;0;0;1;1
|
||||
1;2;0;1;0;1;1;1
|
||||
0;2;0;1;0;1;0;1
|
||||
2;1;1;0;1;1;1;1
|
||||
0;2;0;1;0;0;0;1
|
||||
0;1;1;0;0;1;1;0
|
||||
2;2;1;0;0;0;1;1
|
||||
1;0;0;0;0;0;1;0
|
||||
0;0;1;1;0;1;0;0
|
||||
2;2;0;1;1;1;0;0
|
||||
1;2;1;1;0;0;0;1
|
||||
1;2;0;1;0;0;1;1
|
||||
0;1;0;1;1;1;1;0
|
||||
0;1;0;0;1;1;0;0
|
||||
0;1;0;1;1;0;0;0
|
||||
1;1;1;0;1;1;0;1
|
||||
1;1;1;1;0;1;1;0
|
||||
2;1;1;1;0;1;1;0
|
||||
2;2;0;0;1;1;0;0
|
||||
1;0;0;1;0;1;0;1
|
||||
2;1;1;1;1;0;1;0
|
||||
0;0;0;0;1;1;0;0
|
||||
2;1;1;1;0;1;0;1
|
||||
1;2;1;1;1;0;1;1
|
||||
0;2;0;0;1;1;1;1
|
||||
2;1;0;1;1;0;0;0
|
||||
0;2;1;1;1;0;1;1
|
||||
1;2;0;1;1;1;1;0
|
||||
0;2;0;0;0;1;0;1
|
||||
1;2;0;0;0;1;0;0
|
||||
2;0;0;1;0;1;1;1
|
||||
2;1;1;0;0;0;1;1
|
||||
0;1;1;1;0;1;0;0
|
||||
2;1;0;1;1;1;0;0
|
||||
0;2;0;1;0;0;0;0
|
||||
2;1;0;0;1;0;0;1
|
||||
1;1;0;0;1;1;0;0
|
||||
2;0;0;1;0;0;1;1
|
||||
2;0;1;1;1;0;1;1
|
||||
2;2;0;1;1;0;0;0
|
||||
0;1;0;1;1;1;0;1
|
||||
1;0;1;1;1;0;0;0
|
||||
2;0;0;1;1;1;1;1
|
||||
1;0;0;0;0;0;0;1
|
||||
2;1;1;0;0;0;0;1
|
||||
0;0;0;0;1;1;0;1
|
||||
0;1;0;1;0;0;0;1
|
||||
2;2;0;1;0;0;0;0
|
||||
0;2;1;1;1;1;0;1
|
||||
2;2;1;0;0;1;1;0
|
||||
1;2;0;0;1;1;1;0
|
||||
0;1;1;1;0;0;0;1
|
||||
1;1;1;0;1;0;0;0
|
||||
2;0;1;1;0;0;1;1
|
||||
2;0;1;0;1;0;1;0
|
||||
2;2;0;0;0;1;1;0
|
||||
1;1;0;1;1;0;1;1
|
||||
2;0;0;0;0;0;1;1
|
||||
1;2;0;0;1;1;0;1
|
||||
1;2;1;1;0;0;0;0
|
||||
0;0;1;1;1;1;1;0
|
||||
0;2;1;1;0;1;0;0
|
||||
2;1;1;0;0;0;1;0
|
||||
1;0;0;1;1;0;0;0
|
||||
2;2;0;1;1;1;0;1
|
||||
2;0;0;1;1;1;0;0
|
||||
0;2;1;0;0;0;0;0
|
||||
1;2;1;1;1;0;0;1
|
||||
0;0;0;0;0;1;1;1
|
||||
2;2;1;1;1;0;1;1
|
||||
0;1;0;0;1;0;1;0
|
||||
2;1;1;0;1;1;0;0
|
||||
0;1;1;1;1;1;1;1
|
||||
1;2;1;1;1;0;1;0
|
||||
2;0;1;1;1;1;1;0
|
||||
1;0;1;1;0;0;1;0
|
||||
0;2;0;0;1;0;0;1
|
||||
2;2;0;0;0;1;0;0
|
||||
0;2;0;0;1;1;0;0
|
||||
0;1;0;0;0;0;1;1
|
||||
1;0;0;0;0;1;0;1
|
||||
2;1;0;0;0;0;1;0
|
||||
0;1;1;0;0;1;0;0
|
||||
1;0;1;0;1;0;1;0
|
||||
2;0;0;0;1;1;0;0
|
||||
0;0;0;0;0;0;0;0
|
||||
0;0;1;0;1;0;0;0
|
||||
1;0;1;0;0;0;0;0
|
||||
0;2;1;0;0;0;0;1
|
||||
2;0;0;1;1;1;0;1
|
||||
0;2;0;1;1;1;1;0
|
||||
0;2;1;1;1;1;1;1
|
||||
1;2;0;1;0;1;1;0
|
||||
0;2;1;0;0;1;0;0
|
||||
2;0;1;1;1;1;1;1
|
||||
0;0;0;1;1;1;1;1
|
||||
1;2;0;1;1;0;0;0
|
||||
1;2;0;1;1;0;0;1
|
||||
2;2;0;1;0;0;1;0
|
||||
2;2;0;0;0;0;1;0
|
||||
0;0;0;1;0;0;1;0
|
||||
1;0;1;0;1;0;0;0
|
||||
0;2;0;0;0;0;0;0
|
||||
2;0;1;0;1;1;1;1
|
||||
0;2;1;0;0;0;1;1
|
||||
0;2;1;0;1;1;1;1
|
||||
2;2;1;0;1;0;1;0
|
||||
1;1;1;1;1;1;1;1
|
||||
0;1;1;0;1;0;0;0
|
||||
2;1;1;0;0;1;1;1
|
||||
0;0;1;0;1;1;1;1
|
||||
0;1;1;0;1;0;1;0
|
||||
2;0;0;1;0;0;1;0
|
||||
1;1;0;1;1;1;1;0
|
||||
2;0;0;1;1;1;1;0
|
||||
0;0;1;0;0;1;1;0
|
||||
1;0;1;0;1;1;1;1
|
||||
0;1;0;0;0;0;0;1
|
||||
0;2;0;1;1;0;0;1
|
||||
2;1;1;0;1;0;1;1
|
||||
1;1;1;1;1;0;1;1
|
||||
1;0;1;1;0;0;1;1
|
||||
1;0;0;1;1;0;0;1
|
||||
2;1;1;1;0;0;1;0
|
||||
1;0;0;0;0;0;0;0
|
||||
0;0;0;1;1;1;1;0
|
||||
1;0;1;1;0;0;0;1
|
||||
2;1;1;1;1;0;1;1
|
||||
1;2;0;1;0;1;0;1
|
||||
1;1;0;0;0;1;1;0
|
||||
2;2;1;0;1;1;0;1
|
||||
0;0;0;0;0;0;1;0
|
||||
0;2;0;0;0;1;1;1
|
||||
2;1;0;0;0;0;1;1
|
||||
0;0;0;1;1;1;0;0
|
||||
1;0;1;0;0;1;1;0
|
||||
2;0;0;0;1;1;1;1
|
||||
1;2;1;0;0;0;0;1
|
||||
2;2;0;0;0;1;0;1
|
||||
0;1;1;0;0;0;1;0
|
||||
0;2;0;0;1;0;1;0
|
||||
1;1;0;0;1;1;1;1
|
||||
0;0;0;1;0;0;1;1
|
||||
0;1;1;0;0;1;1;1
|
||||
2;2;0;1;1;0;1;0
|
||||
1;0;1;0;1;0;1;1
|
||||
1;1;0;1;0;0;1;1
|
||||
2;0;1;1;0;0;1;0
|
||||
2;0;1;0;0;0;1;0
|
||||
1;1;1;1;0;1;1;1
|
||||
2;1;1;0;1;0;0;0
|
||||
0;2;0;1;1;0;0;0
|
||||
1;2;1;1;0;1;0;0
|
||||
2;1;1;1;1;1;0;1
|
||||
0;2;0;1;0;1;1;1
|
||||
0;2;1;0;1;0;0;1
|
||||
0;1;1;0;0;0;1;1
|
||||
1;0;0;1;1;0;1;1
|
||||
2;2;1;1;0;0;0;0
|
||||
0;1;1;0;0;0;0;0
|
||||
2;0;1;1;0;1;0;0
|
||||
0;1;1;0;0;0;0;1
|
||||
0;0;1;1;1;0;1;0
|
||||
0;2;0;0;0;0;1;0
|
||||
2;0;0;1;0;1;1;0
|
||||
0;0;1;0;1;0;1;1
|
||||
2;2;0;0;1;0;1;1
|
||||
2;2;0;1;0;0;0;1
|
||||
2;2;0;1;0;1;0;1
|
||||
1;2;1;0;0;1;0;1
|
||||
Loading…
Reference in New Issue