Previsoes nota de Matematica do ENEM 2016
Dados
Descubra as melhores notas de matemática do ENEM 2016
Você deverá criar um modelo para prever a nota da prova de matemática de quem participou do ENEM 2016.
Tópicos
Neste desafio você aprenderá:
- Lógica
- Análise de dados
- Estatística
- Regression
Detalhes
O contexto do desafio gira em torno dos resultados do ENEM 2016 (disponíveis no arquivo train.csv). Este arquivo, e apenas ele, deve ser utilizado para todos os desafios. Qualquer dúvida a respeito das colunas, consulte o Dicionário dos Microdados do Enem 2016.
Muitas universidades brasileiras utilizam o ENEM para selecionar seus futuros alunos e alunas. Isto é feito com uma média ponderada das notas das provas de matemática, ciências da natureza, linguagens e códigos, ciências humanas e redação. Determine os 20 melhores colocados, por ordem, para os pesos abaixo:
- matemática: 3
- ciências da natureza: 2
- linguagens e códigos: 1.5
- ciências humanas: 1
- redação: 3
No arquivo test.csv crie um modelo para prever nota da prova de matemática (coluna NU_NOTA_MT) de quem participou do ENEM 2016.
Salve sua resposta em um arquivo chamado answer.csv com duas colunas: NU_INSCRICAO e NU_NOTA_MT.
Faça o upload do arquivo answer.csv usando o botão “Submeter resposta”.
Observações
O objetivo do desafio é avaliar a sua capacidade de resolver problemas, então ele pode ser resolvido em qualquer linguagem de programação ou ferramenta que você tenha facilidade. Mas recomendamos o uso de linguagens com maior ferramental de matemática e estatística como Python, R, Scala ou Julia.
# Notebook
#Importando as bibliotecas
import pandas as pd
import numpy as np
from sklearn.ensemble import RandomForestRegressor
from sklearn.model_selection import train_test_split
from sklearn.metrics import r2_score
pd.set_option('display.max_columns', 200)
#Leitura dos datasets
train = pd.read_csv("train.csv")
test = pd.read_csv("test.csv")
resposta = pd.DataFrame()
train.head()
| Unnamed: 0 | NU_INSCRICAO | NU_ANO | CO_MUNICIPIO_RESIDENCIA | NO_MUNICIPIO_RESIDENCIA | CO_UF_RESIDENCIA | SG_UF_RESIDENCIA | NU_IDADE | TP_SEXO | TP_ESTADO_CIVIL | TP_COR_RACA | TP_NACIONALIDADE | CO_MUNICIPIO_NASCIMENTO | NO_MUNICIPIO_NASCIMENTO | CO_UF_NASCIMENTO | SG_UF_NASCIMENTO | TP_ST_CONCLUSAO | TP_ANO_CONCLUIU | TP_ESCOLA | TP_ENSINO | IN_TREINEIRO | CO_ESCOLA | CO_MUNICIPIO_ESC | NO_MUNICIPIO_ESC | CO_UF_ESC | SG_UF_ESC | TP_DEPENDENCIA_ADM_ESC | TP_LOCALIZACAO_ESC | TP_SIT_FUNC_ESC | IN_BAIXA_VISAO | IN_CEGUEIRA | IN_SURDEZ | IN_DEFICIENCIA_AUDITIVA | IN_SURDO_CEGUEIRA | IN_DEFICIENCIA_FISICA | IN_DEFICIENCIA_MENTAL | IN_DEFICIT_ATENCAO | IN_DISLEXIA | IN_DISCALCULIA | IN_AUTISMO | IN_VISAO_MONOCULAR | IN_OUTRA_DEF | IN_SABATISTA | IN_GESTANTE | IN_LACTANTE | IN_IDOSO | IN_ESTUDA_CLASSE_HOSPITALAR | IN_SEM_RECURSO | IN_BRAILLE | IN_AMPLIADA_24 | IN_AMPLIADA_18 | IN_LEDOR | IN_ACESSO | IN_TRANSCRICAO | IN_LIBRAS | IN_LEITURA_LABIAL | IN_MESA_CADEIRA_RODAS | IN_MESA_CADEIRA_SEPARADA | IN_APOIO_PERNA | IN_GUIA_INTERPRETE | IN_MACA | IN_COMPUTADOR | IN_CADEIRA_ESPECIAL | IN_CADEIRA_CANHOTO | IN_CADEIRA_ACOLCHOADA | IN_PROVA_DEITADO | IN_MOBILIARIO_OBESO | IN_LAMINA_OVERLAY | IN_PROTETOR_AURICULAR | IN_MEDIDOR_GLICOSE | IN_MAQUINA_BRAILE | IN_SOROBAN | IN_MARCA_PASSO | IN_SONDA | IN_MEDICAMENTOS | IN_SALA_INDIVIDUAL | IN_SALA_ESPECIAL | IN_SALA_ACOMPANHANTE | IN_MOBILIARIO_ESPECIFICO | IN_MATERIAL_ESPECIFICO | IN_NOME_SOCIAL | IN_CERTIFICADO | NO_ENTIDADE_CERTIFICACAO | CO_UF_ENTIDADE_CERTIFICACAO | SG_UF_ENTIDADE_CERTIFICACAO | CO_MUNICIPIO_PROVA | NO_MUNICIPIO_PROVA | CO_UF_PROVA | SG_UF_PROVA | TP_PRESENCA_CN | TP_PRESENCA_CH | TP_PRESENCA_LC | TP_PRESENCA_MT | CO_PROVA_CN | CO_PROVA_CH | CO_PROVA_LC | CO_PROVA_MT | NU_NOTA_CN | NU_NOTA_CH | NU_NOTA_LC | NU_NOTA_MT | TX_RESPOSTAS_CN | TX_RESPOSTAS_CH | TX_RESPOSTAS_LC | TX_RESPOSTAS_MT | TP_LINGUA | TX_GABARITO_CN | TX_GABARITO_CH | TX_GABARITO_LC | TX_GABARITO_MT | TP_STATUS_REDACAO | NU_NOTA_COMP1 | NU_NOTA_COMP2 | NU_NOTA_COMP3 | NU_NOTA_COMP4 | NU_NOTA_COMP5 | NU_NOTA_REDACAO | Q001 | Q002 | Q003 | Q004 | Q005 | Q006 | Q007 | Q008 | Q009 | Q010 | Q011 | Q012 | Q013 | Q014 | Q015 | Q016 | Q017 | Q018 | Q019 | Q020 | Q021 | Q022 | Q023 | Q024 | Q025 | Q026 | Q027 | Q028 | Q029 | Q030 | Q031 | Q032 | Q033 | Q034 | Q035 | Q036 | Q037 | Q038 | Q039 | Q040 | Q041 | Q042 | Q043 | Q044 | Q045 | Q046 | Q047 | Q048 | Q049 | Q050 | |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 0 | 1 | ed50e8aaa58e7a806c337585efee9ca41f1eb1ad | 2016 | 4314902 | Porto Alegre | 43 | RS | 24 | M | 0.0 | 1 | 1 | 4314902.0 | Porto Alegre | 43.0 | RS | 1 | 4 | 1 | NaN | 0 | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | NaN | NaN | NaN | 4314902 | Porto Alegre | 43 | RS | 1 | 1 | 1 | 1 | 16f84b7b3d2aeaff7d2f01297e6b3d0e25c77bb2 | 9cd70f1b922e02bd33453b3f607f5a644fb9b1b8 | 01af53cd161a420fff1767129c10de560cc264dd | 97caab1e1533dba217deb7ef41490f52e459ab01 | 436.3 | 495.4 | 581.2 | 399.4 | ABACCABDBEDEDEEDDDBBBDAABABECDCCCAAABCBEEABCA | BBEBCAEBCEDBDDEBCACDBCBDABDDCDBEDCEAEABCAADAC | 99999DCABCABCBBCADBCBBABAEADBEEBEDAAABAEAECCBB... | AECCCBABDCADDBCBCCADADBBAADEBCEEBABCDDEAABCAA | 1 | BCADBCEDCCBADBDCADBEBDBEADCCAEACDBEDBCACAEBEE | BCBCCADCCBEDDBEEADBDCECCBBECAEEDDADCDDACAADBA | CEDEACCBEBDBABECABDADEADCEDCBEBBCEBAAEBAAECBBC... | DADCCECBDECADCBACDBCEEABDDAABDBCEADDBECEBAEBC | 1.0 | 120.0 | 120.0 | 120.0 | 80.0 | 80.0 | 520.0 | D | D | B | B | 3 | C | A | B | B | B | A | B | A | A | A | A | A | A | B | A | A | C | A | A | A | C | H | E | 5.0 | 5.0 | 1.0 | 0.0 | 0.0 | 5 | 5 | 0 | 5 | 5 | 5 | 5 | 5.0 | A | A | A | A | A | A | A | B | D |
| 1 | 2 | 2c3acac4b33ec2b195d77e7c04a2d75727fad723 | 2016 | 2304707 | Granja | 23 | CE | 17 | F | 0.0 | 3 | 1 | 2304707.0 | Granja | 23.0 | CE | 2 | 0 | 2 | 1.0 | 0 | 23005157.0 | 2304707.0 | Granja | 23.0 | CE | 2.0 | 1.0 | 1.0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | NaN | NaN | NaN | 2304707 | Granja | 23 | CE | 1 | 1 | 1 | 1 | b9b06ce8c319a3df2158ea3d0aef0f7d3eecaed7 | 909237ab0d84688e10c0470e2997348aff585273 | 01af53cd161a420fff1767129c10de560cc264dd | 97caab1e1533dba217deb7ef41490f52e459ab01 | 474.5 | 544.1 | 599.0 | 459.8 | EDAAABDABADBCCAEDCDDECABADBEECBBAEEDCABCAABBC | ADCAABAADCEDAACDACEEDACBDCBACEDEDBACAADADABDC | 99999ACBACDBDBCEADDAEEADCCEACEEDBECAAAACBECDAC... | AEDACBDECEDAEEAEDDEBDECDCECACADCACACAABDACEAB | 1 | EBEECADBCABECDDBEADCCABDEABEBCADBADDCCCEDBBCA | DCECBAAADCBBECAEDCEDDACCBDDACEDDBADBCADBCBCEE | CEDEACCBEBDBABECABDADEADCEDCBEBBCEBAAEBAAECBBC... | DADCCECBDECADCBACDBCEEABDDAABDBCEADDBECEBAEBC | 1.0 | 140.0 | 120.0 | 120.0 | 120.0 | 80.0 | 580.0 | A | A | A | A | 5 | B | A | B | B | A | A | B | A | A | A | A | A | A | B | A | A | A | A | A | A | A | NaN | NaN | NaN | NaN | NaN | NaN | NaN | 5 | 5 | 1 | 1 | 1 | 1 | 1 | NaN | A | A | C | A | B | A | A | C | A |
| 2 | 3 | f4545f8ccb9ff5c8aad7d32951b3f251a26e6568 | 2016 | 2304400 | Fortaleza | 23 | CE | 21 | F | 0.0 | 3 | 1 | 2304400.0 | Fortaleza | 23.0 | CE | 3 | 0 | 1 | NaN | 0 | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | NaN | NaN | NaN | 2304400 | Fortaleza | 23 | CE | 0 | 0 | 0 | 0 | 2d22ac1d42e6187f09ee6c578df187a760123ccf | 2d22ac1d42e6187f09ee6c578df187a760123ccf | 2d22ac1d42e6187f09ee6c578df187a760123ccf | 2d22ac1d42e6187f09ee6c578df187a760123ccf | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | 1 | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | D | D | B | B | 4 | C | A | B | C | A | A | B | A | A | A | A | A | A | B | A | A | B | A | A | A | A | NaN | NaN | NaN | NaN | NaN | NaN | NaN | 5 | 5 | 5 | 5 | 5 | 5 | 5 | NaN | A | A | A | A | C | A | A | B | A |
| 3 | 4 | 3d6ec248fef899c414e77f82d5c6d2bffbeaf7fe | 2016 | 3304557 | Rio de Janeiro | 33 | RJ | 25 | F | 0.0 | 0 | 1 | 3304557.0 | Rio de Janeiro | 33.0 | RJ | 1 | 9 | 1 | NaN | 0 | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | NaN | NaN | NaN | 3304557 | Rio de Janeiro | 33 | RJ | 0 | 0 | 0 | 0 | 2d22ac1d42e6187f09ee6c578df187a760123ccf | 2d22ac1d42e6187f09ee6c578df187a760123ccf | 2d22ac1d42e6187f09ee6c578df187a760123ccf | 2d22ac1d42e6187f09ee6c578df187a760123ccf | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | 0 | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | H | E | D | B | 4 | E | A | C | C | C | A | B | B | B | A | B | A | B | C | A | B | D | B | C | B | C | F | C | 2.0 | 0.0 | 5.0 | 5.0 | 5.0 | 5 | 5 | 5 | 5 | 2 | 5 | 5 | 5.0 | C | A | A | A | A | D | A | A | A |
| 4 | 5 | bf896ac8d3ecadd6dba1dfbf50110afcbf5d3268 | 2016 | 1302603 | Manaus | 13 | AM | 28 | M | 0.0 | 2 | 1 | 1505304.0 | Oriximiná | 15.0 | PA | 1 | 4 | 1 | NaN | 0 | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | NaN | NaN | NaN | 1302603 | Manaus | 13 | AM | 0 | 0 | 0 | 0 | 2d22ac1d42e6187f09ee6c578df187a760123ccf | 2d22ac1d42e6187f09ee6c578df187a760123ccf | 2d22ac1d42e6187f09ee6c578df187a760123ccf | 2d22ac1d42e6187f09ee6c578df187a760123ccf | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | 1 | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | E | D | C | C | 4 | C | A | B | C | A | A | B | A | B | A | A | A | A | B | A | A | B | A | A | A | B | F | D | 5.0 | 4.0 | 3.0 | 5.0 | 4.0 | 5 | 5 | 4 | 3 | 1 | 4 | 5 | NaN | A | A | A | A | A | A | A | A | A |
#Criando dataframe com as colunas de interesse
train = train[['NU_NOTA_CN', 'NU_NOTA_CH', 'NU_NOTA_LC','NU_NOTA_MT', 'NU_NOTA_REDACAO']]
train.head()
| NU_NOTA_CN | NU_NOTA_CH | NU_NOTA_LC | NU_NOTA_MT | NU_NOTA_REDACAO | |
|---|---|---|---|---|---|
| 0 | 436.3 | 495.4 | 581.2 | 399.4 | 520.0 |
| 1 | 474.5 | 544.1 | 599.0 | 459.8 | 580.0 |
| 2 | NaN | NaN | NaN | NaN | NaN |
| 3 | NaN | NaN | NaN | NaN | NaN |
| 4 | NaN | NaN | NaN | NaN | NaN |
#Verificando quantos NaN existem no dataset de treino
train.info()
<class 'pandas.core.frame.DataFrame'>
RangeIndex: 13730 entries, 0 to 13729
Data columns (total 5 columns):
NU_NOTA_CN 10341 non-null float64
NU_NOTA_CH 10341 non-null float64
NU_NOTA_LC 10133 non-null float64
NU_NOTA_MT 10133 non-null float64
NU_NOTA_REDACAO 10133 non-null float64
dtypes: float64(5)
memory usage: 536.5 KB
#Substituindo todos os valores NaN por 0
train = train.fillna({'NU_NOTA_CN':0 , 'NU_NOTA_CH':0, 'NU_NOTA_LC':0, 'NU_NOTA_MT':0, 'NU_NOTA_REDACAO':0})
train.info()
<class 'pandas.core.frame.DataFrame'>
RangeIndex: 13730 entries, 0 to 13729
Data columns (total 5 columns):
NU_NOTA_CN 13730 non-null float64
NU_NOTA_CH 13730 non-null float64
NU_NOTA_LC 13730 non-null float64
NU_NOTA_MT 13730 non-null float64
NU_NOTA_REDACAO 13730 non-null float64
dtypes: float64(5)
memory usage: 536.5 KB
train.head()
| NU_NOTA_CN | NU_NOTA_CH | NU_NOTA_LC | NU_NOTA_MT | NU_NOTA_REDACAO | |
|---|---|---|---|---|---|
| 0 | 436.3 | 495.4 | 581.2 | 399.4 | 520.0 |
| 1 | 474.5 | 544.1 | 599.0 | 459.8 | 580.0 |
| 2 | 0.0 | 0.0 | 0.0 | 0.0 | 0.0 |
| 3 | 0.0 | 0.0 | 0.0 | 0.0 | 0.0 |
| 4 | 0.0 | 0.0 | 0.0 | 0.0 | 0.0 |
#Separação das variáveis para o modelo
var = ['NU_NOTA_CN', 'NU_NOTA_CH', 'NU_NOTA_LC', 'NU_NOTA_REDACAO']
x = train[var]
y = train['NU_NOTA_MT']
#Validação do Modelo
SEED = 20
treino_x, teste_x, treino_y, teste_y = train_test_split(x, y, random_state = SEED)
print('Treino com %d elementos e teste com %d elementos' % (len(treino_x), len(teste_x)))
modelo = RandomForestRegressor(n_estimators=100)
modelo.fit(treino_x, treino_y)
previsoes = modelo.predict(teste_x)
r2 = r2_score(previsoes, teste_y) *100
print("O coeficiente de determinação foi de %.2f%%" % r2)
Treino com 10297 elementos e teste com 3433 elementos
O coeficiente de determinação foi de 90.77%
Aplicando modelo no dataset test.csv
teste = test[['NU_NOTA_CN', 'NU_NOTA_CH', 'NU_NOTA_LC', 'NU_NOTA_REDACAO']]
teste.head()
| NU_NOTA_CN | NU_NOTA_CH | NU_NOTA_LC | NU_NOTA_REDACAO | |
|---|---|---|---|---|
| 0 | 464.8 | 443.5 | 431.8 | 420.0 |
| 1 | 391.1 | 491.1 | 548.0 | 580.0 |
| 2 | 595.9 | 622.7 | 613.6 | 320.0 |
| 3 | NaN | NaN | NaN | NaN |
| 4 | 592.9 | 492.6 | 571.4 | 320.0 |
teste.info()
<class 'pandas.core.frame.DataFrame'>
RangeIndex: 4576 entries, 0 to 4575
Data columns (total 4 columns):
NU_NOTA_CN 3442 non-null float64
NU_NOTA_CH 3442 non-null float64
NU_NOTA_LC 3377 non-null float64
NU_NOTA_REDACAO 3377 non-null float64
dtypes: float64(4)
memory usage: 143.1 KB
teste = teste.fillna({'NU_NOTA_CN':0 , 'NU_NOTA_CH':0, 'NU_NOTA_LC':0, 'NU_NOTA_REDACAO':0})
teste.info()
<class 'pandas.core.frame.DataFrame'>
RangeIndex: 4576 entries, 0 to 4575
Data columns (total 4 columns):
NU_NOTA_CN 4576 non-null float64
NU_NOTA_CH 4576 non-null float64
NU_NOTA_LC 4576 non-null float64
NU_NOTA_REDACAO 4576 non-null float64
dtypes: float64(4)
memory usage: 143.1 KB
teste.head()
| NU_NOTA_CN | NU_NOTA_CH | NU_NOTA_LC | NU_NOTA_REDACAO | |
|---|---|---|---|---|
| 0 | 464.8 | 443.5 | 431.8 | 420.0 |
| 1 | 391.1 | 491.1 | 548.0 | 580.0 |
| 2 | 595.9 | 622.7 | 613.6 | 320.0 |
| 3 | 0.0 | 0.0 | 0.0 | 0.0 |
| 4 | 592.9 | 492.6 | 571.4 | 320.0 |
previsoes2 = modelo.predict(teste)
previsoes2
array([423.55 , 458.407, 587.684, ..., 677.185, 471.13 , 0. ])
#Salvando no dataframe vazio
resposta['NU_INSCRICAO'] = test['NU_INSCRICAO']
resposta['NU_NOTA_MT'] = np.around(previsoes2, 2)
resposta.head()
| NU_INSCRICAO | NU_NOTA_MT | |
|---|---|---|
| 0 | 73ff9fcc02f0a99919906c942c2e1a1042cdcf98 | 423.55 |
| 1 | 71a95f9f1b91a82c65ad94abbdf9f54e6066f968 | 458.41 |
| 2 | b38a03232f43b11c9d0788abaf060f7366053b6d | 587.68 |
| 3 | 70b682d9a3636be23f6120fa9d6b164eb3c6002d | 0.00 |
| 4 | 715494628a50142ce8cb17191cfe6d0f3cae0934 | 500.15 |
resposta.to_csv('answer.csv', index=False)
final = pd.read_csv('answer.csv')
final.head()
| NU_INSCRICAO | NU_NOTA_MT | |
|---|---|---|
| 0 | 73ff9fcc02f0a99919906c942c2e1a1042cdcf98 | 423.55 |
| 1 | 71a95f9f1b91a82c65ad94abbdf9f54e6066f968 | 458.41 |
| 2 | b38a03232f43b11c9d0788abaf060f7366053b6d | 587.68 |
| 3 | 70b682d9a3636be23f6120fa9d6b164eb3c6002d | 0.00 |
| 4 | 715494628a50142ce8cb17191cfe6d0f3cae0934 | 500.15 |