在机器学习中，感知机（perceptron）是一种用于二分类的监督学习算法。二分类器是一个函数，它能够决定一个由数字向量表示的输入是否属于某个特定类别。它是一种线性分类器，即一种基于线性预测函数（结合一组权重和特征向量）进行预测的分类算法。

展示感知机训练过程的示意图。来源：Wikipedia, CC BY-SA 4.0。

在现代意义上，感知机是一种学习二分类器的算法，称为阈值函数：一个将输入 $\mathbf{x}$（实值向量）映射到输出值 $f(\mathbf{x})$ 的函数：

$$f(\mathbf{x}) = sign(\mathbf{w} \cdot \mathbf{x} + b)$$

$$sign(x) = \begin{cases} -1 & x < 0 \\ 0 & x = 0 \\ 1 & x > 0 \end{cases}$$

其中 $\mathbf{w}$ 是实值权重向量，$\mathbf{w} \cdot \mathbf{x}$ 是点积 $\sum_{i=1}^m w_i x_i$，$m$ 是感知机的输入数量，$b$ 是偏置。偏置将决策边界从原点移开，且不依赖于任何输入值。

现在，你有两个感知机 $f_1$ 和 $f_2$。你想要找到一个样本 $\mathbf{x}$，使得这两个感知机的分类结果不同。形式上，这意味着 $f_1(\mathbf{x}) \cdot f_2(\mathbf{x}) < 0$。

输入格式

输入包含多个测试用例。第一行包含一个正整数 $T$ ($1 \le T \le 10$)，表示测试用例的数量。

对于每个测试用例，第一行包含一个整数 $N$ ($1 \le N \le 200$)，表示感知机的输入数量。第二行包含 $N+1$ 个整数，其中第 $i$ 个 ($1 \le i \le N$) 整数表示第一个感知机的 $w_i$，最后一个整数表示偏置 $b$。第三行包含 $N+1$ 个整数，以相同格式描述第二个感知机。

保证感知机的参数 ($w_i$ 和 $b$) 均为 $[-100, 100]$ 范围内的整数。

输出格式

对于每个测试用例，如果至少存在一个满足要求的样本，则输出该样本。输出一行，包含 $N$ 个实数，其中第 $i$ 个 ($1 \le i \le N$) 数字表示样本的 $x_i$。如果不存在，则输出字符串 “No”（不含引号）。

请注意，你输出的每个数字必须在 $[-10000, 10000]$ 范围内。此外，小数位数不得超过 11 位，否则由于检查程序（checker）的精度限制，即使你的解是正确的也可能无法通过（通常情况下，应尽量减少输出的小数位数以避免精度问题。检查程序由 C++ 编写并使用 double 数据类型）。保证如果存在解，则一定存在满足上述条件的解。

样例

输入格式 1

2
2
1 -1 1
1 -1 -1
2
1 -1 0
2 -2 0

输出格式 1

0 0
No