Тут не исправить уже ничего, Господь, жги! Войти !bnw Сегодня Клубы
Привет, TbI — HRWKA! 1089.9 пользователей не могут ошибаться! Официальная конфочка бнвача: bnw@conference.jabber.ru
?6100
говно5689
прекрасное5349
говнорашка4595
хуита3966
anime2699
linux2433
bnw2253
music2240
log2044
рашка1979
pic1870
ололо1738
быдло1412
украина1337
гімно1124
дыбр1095
роботы_не_одобряют1004
сталирасты880
bnw_ppl861

Куда пойти учиться без пиздатни?
#9WGBUH (13+2) / @moskvano / 1 день назад
впишите…
#PQQMWH (18+1) / @moskvano / 4 дня назад
http://www.grabezh.net/ Чо, пойдёт кто?
#V3S4HL (22) / @corpse / 27 дней назад
посоветуйте инторнет-провайдера в дс хотет 100 мбит рублев за 500-600 //хотел к онлайм ростелекомовскому, но чот дороговато, и скидос в 20% убрали
#PB99XV (3) / @anonymous / 41 день назад
> Наткнулась на замечательную сербскую поговорку «Jeblo te veslo koje te prevezlo» (ебись ты веслом, которое помогло тебе сюда добраться).
#4TKMOE (0) / @anonymous / 46 дней назад
а куда все чурки из метро пропали? да и на улицах кроме дворников никого не видно?
#524G6I (3) / @anonymous / 65 дней назад
http://www.niime.ru/press-center/events/516-seminar-issledovaniya-v-oblasti-spintroniki-i-perspektivy-sozdaniya-elementnoy-bazy-na-ee-osnove/ 26 июня Научный совет РАН «Фундаментальные проблемы элементной базы информационно-вычислительных и управляющих систем и материалов для ее создания» совместно с Отделением нанотехнологий и информационных технологий РАН и Консорциумом «Перспективные материалы и элементная база информационных и вычислительных систем» проведут научный семинар «Исследования в области спинтроники и перспективы создания элементной базы на ее основе». Научным руководителем семинара выступит академик РАН Г.Я. Красников. В программе семинара будут заслушаны доклады: 1. Д.ф.-м.н. Юрий Константинович Фетисов (НОЦ «Магнитоэлектрические материалы и устройства»), академик РАН Александр Сергеевич Сигов (Московский технологический университет (МИРЭА)) «Спинтроника: физические основы и устройства». 2. Академик РАН Владимир Васильевич Устинов, к.ф.-м.н. Михаил Анатольевич Миляев (ИФМ УрО РАН) «Металлическая наноспинтроника и элементная база магнитной сенсорики». 3. Чл.-корр. РАН Сергей Аполлонович Никитов, к.ф.-м.н. Александр Владимирович Садовников (ИРЭ им. В.А. Котельникова РАН, СГУ) «Стрейнтроника — новая область спинтроники и магноники». 4. Д.ф.-м.н. Олег Евгеньевич Терещенко (ИФП СО РАН) «От полупроводникового спин-детектора свободных электронов к спин-вентильному транзистору». 5. Д.ф.-м.н. Андрей Александрович Фраерман (ИФМ РАН) «Магнитные состояния и транспортные свойства ферромагнитных наноструктур». 6. Д.ф.-м.н. Михаил Владимирович Логунов, чл.-корр. РАН Сергей Аполлонович Никитов (ИРЭ им. В.А. Котельникова РАН) «Перспективы развития устройств записи и обработки информации на основе магнитных доменов и доменных границ». 7. Д.ф.-м.н. Александр Игоревич Морозов (МФТИ) «Магниторезистивная память с записью электрическим полем». 8. Д.ф.-м.н. Валерий Владимирович Рязанов (ИФТТ РАН) «Гибридные джозефсоновские структуры для устройств сверхпроводниковой электроники и спинтроники». 9. Д.ф.-м.н. Людмила Сергеевна Успенская (ИФТТ РАН) «Переключение спин-поляризованным током гибридных структур на базе пермаллоя». Регистрация – с 10:30, начало в 11:00. Место проведения - ИРЭ им. В.А. Котельникова РАН. Москва, ул. Моховая, 11, корп. 7, 3-й этаж, конференц-зал. Для участия в семинаре необходимо иметь паспорт. Требуется прислать заявку на участие (ФИО полностью, место работы, должность, ученая степень, контактный телефон, адрес электронной почты.) и проезд (марку и госномер автомобиля). Срок подачи заявки – не позднее 19 июня. Заявки направлять ученым секретарям Совета Тельминову О.А. (otelminov@niime.ru, тел. (495) 229-74-97, (916) 693-08-14), Харченко Л.Ю. (kharchenko2009@mail.ru, тел. (916) 566-34-76).
#HF5Z08 (4+1) / @corpse / 74 дня назад
https://yadi.sk/i/shPI-El73UzomD На митинге ГО включали.
#WU99V6 (2+1) / @corpse / 108 дней назад
Сходил на митинг. Людей было больше, чем я ожидал. Мусоров было немного, по крайней мере тех, которые были на виду. Видел Комара.
#2TVL1L (0) / @corpse / 109 дней назад
http://digitalresistance.moscow/ Чо, идёт кто?
#1RA8R7 (4+3) / @corpse / 109 дней назад

​МОСКВА :fire: СПБ :fire: КАЛИНИНГРАД

В этих городах на майские праздники либертарианская партия проводит митинги против РосКомНадзора! Во всех городах акции согласованы.

МОСКВА 30.04 - Митинг против РКН
Митинг против блокировки Telegram. Проспект Сахарова, 30 апреля, 14:00
Чат для координации: @odioznybat

КАЛИНИНГРАД 30.04 - Нет - цензуре в интернете
Мы призываем вас придти 30 апреля в 14:00 на согласованный митинг в сквере у памятника В.И.Ленину.
Чат для координации: @fckrkn_kld

САНКТ-ПЕТЕРБУРГ 01.05 - Марш в защиту Петербурга и Телеграма
Встречаемся у дома 5/3 по Лиговскому проспекту.
Начало движения нашей колонны в 11.35.
Чат для координации - t.me/joinchat/BjE8ikaz1g7yoQnACGiLoA

Поделитесь записью если проживаете в одном из этих городов!

#9DYSWG (1+8) / @goren / 110 дней назад
ебать в москвашке снег пошол
#XOFFCK (0) / @anonymous / 136 дней назад
Прилетел рейсом S7 54, 9 числа, в Субботу. Можно было бы встретить в аэропорту, но эт из дома выходить, нерационально.
#OKKGCJ (2) / @anonymous / 341 день назад
посоны, а чо там будет на месте сносимых хрущевок? есть план какой-нить, где это глянуть можно?
#MX0CZ7 (0) / @anonymous / 346 дней назад

@je
Рекомендую для выбора съемного жилья заюзать google maps api distance matrix. У меня, например, собран список более менее рандомных мест, в которые я могу ходить. Я считаю с помощью google maps api, сколько из разных потенциальных жилищ я буду в среднем времени тратить в пути (либо с коэффициентами, например огромный коэффициент для места работы и маленький для любимого наркопритона, либо поровну) и строю таблицу для всех потенциальных квартир:

  • велосипедом

  • общественный транспорт, меньше всего пересадок (самый нормальный режим для гугл мапс по Москве)

  • только метро, мцк и поезда, потому что наземный транспорт в Москве слишком рандомно ходит

Код, который придется почитать, чтобы как-нибудь использовать. Строит таблички со среднем временем в пути в месяц для каждой квартиры и это же время, конвертированное в рубли (умноженное на константу)

#!/usr/bin/env python3
import pandas as pd
import googlemaps
import pytz

from collections import namedtuple
from pprint import pprint
from itertools import chain, repeat
from datetime import datetime, tzinfo
from functools import partial

gmaps = googlemaps.Client(key='AREDACTEDREDACTEDREDACTED')

# ЗАПОЛНИТЬ: сюда следует ввести адреса потенциальных мест, где я буду жить
# каждое значение может быть либо строкой с адресом, либо GPS координатами
home_addresses = [
    "Россия, Москва, ул. Усачева, 29к3",
    "Россия, Москва, ул. Беговая, 17к1",
    "Россия, Москва, Коптевская ул., 83к2",
    "Россия, Москва, ул. Степана Супруна, 3-5",
    "Россия, Москва, Новокузнецкая ул., 13/15",
    "Россия, Москва, Бутырская ул., 86Б",
    "Россия, Москва, ул. Правды, 6/34",
    "Россия, Москва,  ул. Зои и Александра Космодемьянских, 11А",
    "Россия, Москва, Ленинградский просп., 78К1",
    "Россия, Москва, Новокузнецкая ул., 13С1",
    "Россия, Москва, Севастопольский просп., 5АК1",
    "Россия, Москва, ул. 1812 года, 4/45К2",
    "Россия, Москва, Светлый проезд, 4К4",
    "Россия, Москва, Делегатская ул., 14/2",
    "Россия, Москва, ул. Маршала Рыбалко, 3",
]


# In[31]:

# ЗАПОЛНИТЬ: сюда следует ввести пары вида: 
# (адрес часто посещаемого места, период как часто вы будете добираться туда-обратно между домом и этим местом)
#
# первое значение может быть либо строкой с адресом, либо GPS координатами
#
# если второе значение например 8, это значит,
# что раз в 8 дней я езжу туда и обратно домой.
# если у вас есть место, куда вы ездите раз в 7 дней, но оттуда
# всегда едете еще куда-то, то ставьте значение 14

favorite_places = [
    ("Россия, Москва, ул. Кузнецкий Мост, 13"),  # habimoshka
    ("Россия, Москва, ул.Большая Дорогомиловская, д.5 к.2"),  # кочерга
    ("Россия, Москва, Хохловский пер, 7/9 стр 2"),  # neuron hackspace
    ("Россия, Москва, Бобров пер. 6 стр. 1, 2"),  # библиотека тургенева
    ("Россия, Москва, Милютинский пер., 19/4, стр.1"),  # зеленая дверь
    ("Россия, Москва, шелапутинский переулок, д. 6"), # swing-in-moscow
    ((55.737924, 37.620204)), # рандомный дом в центре
    ("Россия, Москва, Ленинградское шоссе, 39Ас3"), # рандомная потенциальная работа - касперский
    ("Россия, Москва, Кожевническая улица, 7"), # рандомная работа
    ("Россия, Москва, Нижний Сусальный переулок, 5с19"), # рандомная работа
    ("Россия, Москва, ул. Волочаевская, д. 5, корп. 1"), # рандомная работа - крок
    ("Россия, Москва, ул. Летниковская, 10, стр. 5"), # рандомная работа
    ("Россия, Москва, Лесная улица, 7"), # рандомная работа - авито
    ("Россия, Москва, пр-т Андропова, д. 18, корп. 1"), # рандомная работа
    ("Россия, Москва, Дмитровское шоссе, 157с5"), # рандомная работа
    ("Россия, Москва, Трубная улица, 23-2"), # ранд работа
    ("Россия, Москва, Никопольская улица, 4"), # рандом работа
    ("Россия, Москва, улица Ленинская Слобода, 19"), # рандомная работа
    "Москва, ул. Малая Юшуньская, д. 1 к2",  # locus solus
    "Москва, метро Римская",  # предел
    "Москва, Образцова, 14"  # msds
]
favorite_places = list(zip(
    favorite_places,
    repeat(len(favorite_places) / (2 * 4.5 / 7))))


def calc_avg_travel(home_addresses, favorite_places,
                    how: str, depart_when: datetime):
    request_funcs = {
        "bike": partial(gmaps.distance_matrix, mode="bicycling"),
        "car": partial(gmaps.distance_matrix, mode="driving"),
        "walking": partial(gmaps.distance_matrix, mode="walking"),
        "subway_train": partial(
            gmaps.distance_matrix, mode="transit",
            transit_mode=["subway", "train"],
            transit_routing_preference="fewer_transfers"),
        "public_transport": partial(
            gmaps.distance_matrix, mode="transit",
            transit_routing_preference="fewer_transfers")}
    assert how in request_funcs.keys()
    favorite_places = [{"location": location, "period_in_days": period_in_days}
                       for location, period_in_days in favorite_places]
    location_col = []
    duration_col = []
    home_address_col = []
    period_in_days_col = []
    for home in home_addresses:
        result = request_funcs[how](
            [home], [place["location"] for place in favorite_places],
            departure_time=depart_when)
        assert result["status"] == "OK"
        assert len(result["destination_addresses"]) == len(favorite_places)
        assert len(result["origin_addresses"]) == 1

        location_col += result["destination_addresses"]
        duration_col += [record["duration"]["value"] for record in result["rows"][0]["elements"]
                         if record["status"] == "OK"]
        home_address_col += [result["origin_addresses"][0]] * len(result["destination_addresses"])
        period_in_days_col += [place["period_in_days"] for place in favorite_places]

    data = pd.DataFrame({
        "location": location_col, "duration": duration_col,
        "home_address": home_address_col, "period_in_days": period_in_days_col
    })

    data["duration_per_day"] = data.duration / data.period_in_days
    return data

DEPARTURE_TIME = datetime(2017, 9, 5, 12, 0, tzinfo=pytz.utc) # сейчас указано в UTC. Москва это UTC+3

# a dumb test, kinda
def test_gmaps_api():
    home_addresses = [
        "Россия, Москва, Коптевская ул., 83к2",
        "Россия, Москва, ул. Степана Супруна, 3-5"
    ]
    destination_addresses = zip(home_addresses, [1, 3])
    data = calc_avg_travel(home_addresses, destination_addresses,
                           "public_transport", DEPARTURE_TIME)
    print(data)
    durations = data["duration"]
    assert durations.iloc[0] == 0
    assert durations.iloc[1] != 0
    assert durations.iloc[2] != 0
    assert durations.iloc[3] == 0

test_gmaps_api() # yeah it works


data = calc_avg_travel(home_addresses, favorite_places,
                       "subway_train", DEPARTURE_TIME)


unique_home_addresses = pd.DataFrame(pd.Series(data["home_address"].unique()).rename("address_by_google"))
unique_home_addresses["input_home_address"] = home_addresses
print(unique_home_addresses)
# ВАЖНО: проверьте в этой табличке, что в колонке address_by_google стоит адрес,
# понятый гуглом правильно (изначальные адреса - в колонке input_home_address)


# In[62]:

unique_destination_addresses = pd.DataFrame(pd.Series(data["location"].unique()).rename("address_by_google"))
unique_destination_addresses["input_favorite_place"] = [str(pair[0]) for pair in favorite_places]
print(unique_destination_addresses)
# ВАЖНО: проверьте в этой табличке, что в колонке address_by_google стоит адрес,
# понятый гуглом правильно (изначальные адреса - в колонке input_favorite_place)


# In[63]:

print(data.head())
print(data.tail())
# ЗАМЕЧАНИЕ: здесь будут просто показаны конец и начало получившейся таблицы
# Если не лень, можете посмотреть, чтобы каких-то неадекватных значений не было
# duration - время чтобы добраться от места до места в секундах
# period_in_days - тот самый указанный выше период в днях
# duration_per_day - кол-во секунд в день


# In[64]:

# calculate travel time per day for each home address

travel_times_per_day_per_home = pd.DataFrame(
    (data.groupby("home_address")["duration_per_day"].sum() / 60)
    .rename("minutes_of_travel_per_day")
).sort_values(by="minutes_of_travel_per_day")
print(travel_times_per_day_per_home)
# ВАЖНО: это финальный результат
# для каждого адреса квартиры в другой колонке будет указано кол-во минут, затрачиваемых на дорогу, в день
# адреса будут отсортированы от самых выгодных по времени в дороге до самых невыгодных


# In[65]:

COST_PER_HOUR = 340  # RUR
costs = travel_times_per_day_per_home     .assign(hours_per_month=lambda df: (df["minutes_of_travel_per_day"] * 30.5 / 60).round(1))     .assign(converted_rur_per_month=lambda df: df["hours_per_month"] * COST_PER_HOUR)

print(costs)
#UVGF8R (19+6) / @cat-o-nine-tails / 352 дня назад
ipv6 ready BnW для ведрофона BnW на Реформале Викивач Котятки

Цоперайт © 2010-2016 @stiletto.