El archivo contiene un grupo de funciones usadas para procesar los datos de este prototipo, se separaron del bloque principal de instrucciones con el objetivo de simplificar el desarrollo del las actividades principales.<\/p>\n\n\n\n
Recuerde disponer de este archivo en la misma carpeta que el algoritmo que invoca a la librer\u00eda.<\/p>\n\n\n\n
archivo de librer\u00eda: girni_lorawan_libreria<\/p>\n\n\n\n
\n# Girni LoRaWan librerias 2021-10-28\n# LoRaWan, lecturas de Rssi y SNR\n# Propuesta: edelros@espol.edu.ec\n# http:\/\/blog.espol.edu.ec\/girni\/\nimport numpy as np\nimport json\nimport pandas as pd\nimport datetime as dt\nimport os\nimport matplotlib.pyplot as plt\nimport matplotlib.dates as mdates\nimport matplotlib.units as munits\n\nimport geopandas as gpd\nimport fiona\nimport utm\n\ndef tablapunto(unarchivoDB,unsensor,gatewayDB,fechainicio,fechafin,zonaGMT=0):\n '''Lectura de archivo.json hacia una tabla0\n selecciona registros de "un sensor"\n graba unreporte.csv con pandas\n '''\n campos = ['domain','entity_id','state','attributes','created']\n\n # Lectura de archivo json, cambia a formato DataFrame\n tabla0 = pd.DataFrame()\n archivoexiste = os.path.exists(unarchivoDB)\n if archivoexiste:\n tabla0 = pd.read_json(unarchivoDB)\n tabla0 = pd.DataFrame(tabla0,columns=campos)\n else:\n print(' ERROR: NO se encuentra el archivo...')\n print(' revise el nombre de archivo. ')\n\n # Revisa cada registro \n leidos = 0\n tabla = {}\n if archivoexiste:\n # Intervalo de fecha como datetime\n hora_desplaza = dt.timedelta(hours = abs(zonaGMT))\n fechaformatoDB = '%Y-%m-%dT%H:%M:%S.%f'\n fechaformato = '%Y-%m-%d %H:%M:%S.%f'\n fechatxt = fechainicio[0:np.min([26,len(fechainicio)])]\n fechainicio = dt.datetime.strptime(fechatxt,fechaformato)\n fechatxt = fechafin[0:np.min([26,len(fechafin)])]\n fechafin = dt.datetime.strptime(fechatxt,fechaformato)\n\n # datos de trama\n for cadaregistro in tabla0.index:\n unatrama = tabla0['attributes'][cadaregistro]\n trama_mqtt = json.loads(unatrama)\n \n # selecciona registro por sensor, en fecha y con datos\n cualsensor = (tabla0['entity_id'][cadaregistro] == unsensor)\n \n unafecha = tabla0['created'][cadaregistro]\n unafecha = unafecha[0:np.min([26,len(unafecha)])]\n unafecha = dt.datetime.strptime(unafecha,fechaformato)\n unafecha = unafecha - hora_desplaza\n \n enfecha = (unafecha>=fechainicio) and (unafecha<=fechafin)\n condatos = 'applicationID' in trama_mqtt.keys()\n \n selecciona = cualsensor and condatos and enfecha\n if (selecciona == True): \n # datos en la mensaje MQTT\n publishedAt = trama_mqtt["publishedAt"]\n publishedAt = publishedAt[0:np.min([26,len(publishedAt)])]\n publishedAt = dt.datetime.strptime(publishedAt,fechaformatoDB)\n publishedAt = publishedAt - hora_desplaza\n \n friendly_name = trama_mqtt["friendly_name"]\n deviceName = trama_mqtt["deviceName"]\n dispositivo = friendly_name.split('_')[2]\n \n dr = trama_mqtt["dr"]\n fCnt = trama_mqtt["fCnt"]\n fPort = trama_mqtt["fPort"]\n\n objectJSON = trama_mqtt["objectJSON"]\n datosensor = json.loads(objectJSON)\n \n freq_tx = trama_mqtt["txInfo"]["frequency"]\n bandwidth = trama_mqtt["txInfo"]["loRaModulationInfo"]["bandwidth"]\n spreadingFactor = trama_mqtt["txInfo"]["loRaModulationInfo"]["spreadingFactor"]\n \n datostrama = {"publishedAt": publishedAt,\n "dispositivo": dispositivo,\n "fCnt": fCnt}\n \n # revisa gateway en la red LoRaWan\n tamano = len(trama_mqtt["rxInfo"])\n i = 0\n while i<tamano:\n gatewayID = trama_mqtt["rxInfo"][i]["gatewayID"]\n rssi = trama_mqtt["rxInfo"][i]["rssi"]\n loRaSNR = trama_mqtt["rxInfo"][i]["loRaSNR"]\n channel = trama_mqtt["rxInfo"][i]["channel"]\n rfChain = trama_mqtt["rxInfo"][i]["rfChain"]\n gtwNum = gatewayDB[gatewayID]\n \n # registra en tabla, incluyendo tramas repetidas\n datostrama['rssi_up'] = rssi\n datostrama['snr_up'] = loRaSNR\n datostrama['channel_up'] = channel\n datostrama['rfChain_up'] = rfChain\n datostrama['gtw_rx'] = gtwNum\n i = i + 1\n\n # dato del sensor\n equivale = {'Down_datarate': 'dr_down',\n 'Down_rssi' : 'rssi_down',\n 'Down_snr' : 'snr_down',\n 'bateria_V' : 'bateria_V'}\n for undato in datosensor:\n if undato in equivale.keys():\n datostrama[equivale[undato]] = datosensor[undato]\n else:\n datostrama[undato] = datosensor[undato]\n\n # datos restantes\n datostrama["frequency"] = freq_tx\n datostrama["bandwidth"] = bandwidth\n datostrama["spreadingFactor"] = spreadingFactor\n datostrama["fPort"] = fPort\n datostrama["dr"] = dr\n datostrama["created"] = unafecha\n\n leidos = leidos + 1\n \n # revisa registro repetido\n repetido = False\n if leidos>1:\n trama_num = (fCnt == tabla[leidos-1]['fCnt'])\n fecha_pub = (publishedAt == tabla[leidos-1]['publishedAt'])\n gtwNum_rep = (gtwNum == tabla[leidos-1]['gtw_rx'])\n repetido = (trama_num and fecha_pub and gtwNum_rep)\n if not(repetido):\n tabla[leidos] = datostrama\n else:\n leidos = leidos - 1\n \n # convierte diccionario en DataFrame\n if len(tabla)>0:\n tabla = pd.DataFrame(tabla)\n tabla = tabla.T\n return(tabla)\n\ndef describe_punto(tabla,codigopunto,carpeta_rsm,variables):\n ''' Descriptores estadisticos de los datos.csv\n de un dispositivo, revisa media, desviaci\u00f3 est\u00e1ndar, pmf\n graba unreporte.csv con pandas y genera gr\u00e1ficas\n '''\n medida = variables['medida']\n medida_unidad = variables['medida_unidad']\n medida_normal = variables['medida_normal']\n movAvg_cual = variables['movAvg_cual']\n medida_grafica = variables['medida_grafica']\n movAvg_color = variables['movAvg_color']\n guarda = variables['guarda']\n precision = variables['precision']\n \n fechaformato = "%Y-%m-%d %H:%M:%S.%f"\n # medida intervalo\n medida_min = np.min(medida_normal)\n medida_max = np.max(medida_normal)\n\n # fechas series a datetime\n tabla['publishedAt'] = pd.to_datetime(tabla['publishedAt'],\n format=fechaformato)\n tabla['created'] = pd.to_datetime(tabla['publishedAt'],\n format=fechaformato)\n\n # revisa errores de medida\n tabla["error_up"] = 0\n tabla["error_down"] = 0\n for undato in tabla['publishedAt'].keys(): \n medida_up = tabla[medida+'_up'][undato]\n enrango = (medida_up>=np.min(medida_normal))\n enrango = (enrango and medida_up<=np.max(medida_normal))\n if not(enrango):\n tabla.at[undato,"error_up"] = 1\n \n medida_down = tabla[medida+'_down'][undato]\n enrango = (medida_down>=np.min(medida_normal))\n enrango = (enrango and medida_down<=np.max(medida_normal))\n if not(enrango):\n tabla.at[undato,"error_down"] = 1 \n\n # tasa error trama\n leidos = len(tabla)\n if leidos > 0:\n error_up = np.sum(tabla['error_up'])\n error_up = error_up\/leidos\n error_down = np.sum(tabla['error_down'])\n error_down = error_down\/leidos\n\n # descriptor estad\u00edstico, datos sin errores\n condicion_up = (tabla['error_up']==0)\n condicion_down = (tabla['error_down']==0)\n\n medida_up = tabla[condicion_up][medida+'_up']\n describe_up = medida_up.describe()\n describe_up['error_trama'] = error_up\n\n medida_down = tabla[condicion_down][medida+'_down']\n describe_down = medida_down.describe()\n describe_down['error_trama'] = error_down\n\n descriptor = describe_up.copy()\n descriptor = pd.concat([descriptor,describe_down],axis=1)\n descriptor['dispositivo'] = tabla['dispositivo'][0]\n\n pmf_up = medida_pmf(medida_up,describe_up)\n pmf_down = medida_pmf(medida_down,describe_down)\n\n pmf_punto = {'pmf':{'pmf_up' : pmf_up,\n 'pmf_down' : pmf_down}}\n pmf_punto = pd.DataFrame(pmf_punto)\n pmf_punto['dispositivo'] = tabla['dispositivo'][0]\n\n # Para gr\u00e1ficas\n # medias moviles en movAvg_cual[]\n serie_up = pd.Series(medida_up)\n movAvg_up_mean = []\n movAvg_up_std = []\n m = len(movAvg_cual)\n for j in range(0,m,1):\n k = movAvg_cual[j]\n movAvg_up_mean.append(list(serie_up.rolling(k).mean()))\n movAvg_up_std.append(list(serie_up.rolling(k).std()))\n \n serie_down = pd.Series(medida_down)\n movAvg_down_mean = []\n movAvg_down_std = []\n for j in range(0,m,1):\n k = movAvg_cual[j]\n movAvg_down_mean.append(list(serie_down.rolling(k).mean()))\n movAvg_down_std.append(list(serie_down.rolling(k).std()))\n\n movAvgData ={'movAvg_cual' : movAvg_cual,\n 'movAvg_color' : movAvg_color,\n 'movAvg_up_mean' : movAvg_up_mean,\n 'movAvg_down_mean': movAvg_down_mean,\n 'movAvg_up_std' : movAvg_up_std,\n 'movAvg_down_std' : movAvg_down_std\n }\n\n grafData ={'codigopunto' : codigopunto,\n 'medida' : medida,\n 'precision': precision,\n 'medida_unidad' : medida_unidad,\n 'medida_grafica': medida_grafica\n }\n resultado = [tabla,descriptor,pmf_punto,movAvgData,grafData]\n return(resultado)\n\n# funci\u00f3n de probabilidad de masa pmf\ndef medida_pmf(valores,undescriptor):\n pmin = np.min(valores)\n pmax = np.max(valores)\n tramo = int(pmax-pmin)\n conteo = np.zeros(tramo+1,dtype=int)\n intervalo = np.arange(pmin,pmax+1,1)\n for valor in valores:\n donde = np.where(intervalo == valor)\n conteo[donde] = conteo[donde] + 1\n freq_relativa = np.array(conteo)\/np.sum(conteo)\n unpmf = {'intervalo' : list(intervalo),\n 'freq_relativa' : list(freq_relativa)}\n return(unpmf)\n\n# GRAFICA -----\ndef graf_puntos_serie(tabla,descriptor,movAvgData,grafData):\n ''' grafica la serie de tiempo de cada punto\n a\u00f1ade medias m\u00f3viles\n '''\n # ajuste de formato de fecha para eje x\n converter = mdates.ConciseDateConverter()\n munits.registry[np.datetime64] = converter\n munits.registry[dt.date] = converter\n munits.registry[dt.datetime] = converter\n\n # datos para grafica\n precision = grafData['precision']\n medida = grafData['medida']\n medida_unidad = grafData['medida_unidad']\n medida_grafica = grafData['medida_grafica']\n \n movAvg_cual = movAvgData['movAvg_cual']\n movAvg_color = movAvgData['movAvg_color']\n \n media_up = descriptor[medida+'_up']['mean']\n std_up = descriptor[medida+'_up']['std']\n media_down = descriptor[medida+'_down']['mean']\n std_down = descriptor[medida+'_down']['std']\n\n # ajuste de intervalo eje y\n y_min = np.min([np.min(medida_grafica),\n media_up - 2*std_up,\n media_down - 2*std_down])\n y_max = np.max([np.max(medida_grafica),\n media_up + 2*std_up,\n media_down + 2*std_down])\n \n # selecciona sin error\n condicion_up = (tabla['error_up']==0)\n condicion_down = (tabla['error_down']==0)\n\n # grafica\n fig_serie,(graf_up,graf_down) = plt.subplots(2,1)\n \n # medida_up -----\n graf_up.plot(tabla[condicion_up]['publishedAt'],\n tabla[condicion_up][medida+'_up'],\n color='blue',marker ='.',\n linestyle='')\n \n # medida_up, medias y std\n etiq_up = str(np.round(media_up,precision))+' +\/- '\n etiq_up = etiq_up + str(np.round(std_up,precision))\n graf_up.axhline(media_up,\n color='blue',label=etiq_up)\n graf_up.axhline(media_up-std_up,\n color='blue',linestyle='dotted')\n graf_up.axhline(media_up+std_up,\n color='blue',linestyle='dotted')\n \n # medida_up, medias m\u00f3viles\n m = len(movAvg_cual)\n for j in range(0,m,1):\n k = str(movAvg_cual[j])\n graf_up.plot(tabla[condicion_up]['publishedAt'],\n movAvgData['movAvg_up_mean'][j],\n label='movAvg_'+k,\n color=movAvg_color[j])\n \n graf_up.set_ylim(y_min,y_max)\n graf_up.set_ylabel(medida+'_up ('+medida_unidad+')',\n color='blue')\n graf_up.legend()\n graf_up.grid(True,linestyle='dotted',\n axis='x',which='both')\n\n # medida_down -------\n graf_down.plot(tabla[condicion_down]['publishedAt'],\n tabla[condicion_down][medida+'_down'],\n color='brown',marker ='.',\n linestyle='')\n\n # medida_down, medias y std\n etiq_down = str(np.round(media_down,precision))+' +\/- '\n etiq_down = etiq_down + str(np.round(std_down,precision))\n graf_down.axhline(media_down,\n color='brown',label=etiq_down)\n graf_down.axhline(media_down+std_down,\n color='brown',linestyle='dotted')\n graf_down.axhline(media_down-std_down,\n color='brown',linestyle='dotted')\n \n # medida_down, medias moviles\n for j in range(0,m,1):\n k = str(movAvg_cual[j])\n graf_down.plot(tabla[condicion_down]['publishedAt'],\n movAvgData['movAvg_down_mean'][j],\n label='movAvg_'+k,\n color=movAvg_color[j])\n \n graf_down.set_ylim(y_min,y_max)\n graf_down.set_xlabel('fecha')\n graf_down.set_ylabel(medida+'_down ('+medida_unidad+')',\n color='brown')\n graf_down.legend()\n graf_down.grid(True,linestyle='dotted',\n axis='x', which='both')\n graf_up.set_title('Serie: '+grafData['codigopunto']+' '+ medida)\n plt.tight_layout()\n return(fig_serie)\n\ndef graf_puntos_pmf(pmf_punto,descriptor,grafData):\n ''' grafica funci\u00f3n de probabilida de masa\n para cada punto, media +\/- std\n '''\n # datos para grafica\n x_pmfup = pmf_punto['pmf']['pmf_up']['intervalo']\n y_pmfup = pmf_punto['pmf']['pmf_up']['freq_relativa']\n x_pmfdown = pmf_punto['pmf']['pmf_down']['intervalo']\n y_pmfdown = pmf_punto['pmf']['pmf_down']['freq_relativa']\n \n precision = grafData['precision']\n medida = grafData['medida']\n medida_unidad = grafData['medida_unidad']\n medida_grafica = grafData['medida_grafica']\n \n media_up = descriptor[medida+'_up']['mean']\n std_up = descriptor[medida+'_up']['std']\n media_down = descriptor[medida+'_down']['mean']\n std_down = descriptor[medida+'_down']['std']\n\n prob_max = 0.40\n # ajuste de intervalo eje y\n y_min = np.min([np.min(medida_grafica),\n media_up - 2*std_up,\n media_down - 2*std_down])\n y_max = np.max([np.max(medida_grafica),\n media_up + 2*std_up,\n media_down + 2*std_down])\n # grafica\n fig_pmf,graf_pmf = plt.subplots()\n etiq_up = str(np.round(media_up,precision)) +' +\/- '\n etiq_up = etiq_up + str(np.round(std_up,precision))\n graf_pmf.plot(x_pmfup,y_pmfup,\n label='media_up '+etiq_up,\n color='blue')\n graf_pmf.axvline(media_up,color='blue')\n graf_pmf.axvline(media_up+std_up,\n linestyle='dotted',color='blue')\n graf_pmf.axvline(media_up-std_up,\n linestyle='dotted',color='blue')\n\n etiq_down = str(np.round(media_down,precision))+' +\/- '\n etiq_down = etiq_down + str(np.round(std_down,precision))\n graf_pmf.plot(x_pmfdown,y_pmfdown,\n label='media_down '+etiq_down,\n color='brown')\n graf_pmf.axvline(media_down,color='brown')\n graf_pmf.axvline(media_down+std_down,\n linestyle='dotted',color='brown')\n graf_pmf.axvline(media_down-std_down,\n linestyle='dotted',color='brown')\n\n graf_pmf.set_title('pmf: '+grafData['codigopunto']+' '+medida)\n graf_pmf.set_xlim(y_min,y_max)\n graf_pmf.set_ylim(0,prob_max)\n graf_pmf.set_xlabel(medida+' ('+medida_unidad+')')\n graf_pmf.set_ylabel('frecuencia relativa')\n graf_pmf.legend()\n graf_pmf.grid(True,linestyle='dotted',\n axis='x', which='both')\n return(fig_pmf)\n\ndef graf_puntos_std(tabla,descriptor,movAvgData,grafData):\n ''' grafica serie de std usando medias moviles\n para cada punto, media_std\n '''\n # ajuste de formato de fecha para eje x\n converter = mdates.ConciseDateConverter()\n munits.registry[np.datetime64] = converter\n munits.registry[dt.date] = converter\n munits.registry[dt.datetime] = converter\n \n # datos para grafica\n precision = grafData['precision']\n medida = grafData['medida']\n medida_unidad = grafData['medida_unidad']\n\n movAvg_cual = movAvgData['movAvg_cual']\n movAvg_color = movAvgData['movAvg_color']\n\n # selecciona sin error\n condicion_up = (tabla['error_up']==0)\n condicion_down = (tabla['error_down']==0)\n \n # ajuste de intervalo eje y\n y_min = 0\n y_max = np.max([2, 2*descriptor[medida+'_up']['std'],\n 2*descriptor[medida+'_down']['std']])\n # grafica\n fig_std,(graf_stdUp,graf_stdDown) = plt.subplots(2,1)\n \n # std up\n std_up = np.round(descriptor[medida+'_up']['std'],precision)\n graf_stdUp.axhline(std_up,label='std '+str(std_up),\n color='blue')\n m = len(movAvg_cual)\n for j in range(0,m,1):\n k = str(movAvg_cual[j])\n graf_stdUp.plot(tabla[condicion_up]['publishedAt'],\n movAvgData['movAvg_up_std'][j],\n label='movAvg_'+k,\n color=movAvg_color[j])\n graf_stdUp.set_ylim(y_min,y_max)\n graf_stdUp.set_ylabel('std_up ('+medida_unidad+')',\n color='blue')\n graf_stdUp.legend()\n graf_stdUp.grid(True,linestyle='dotted',\n axis='x', which='both')\n graf_stdUp.set_title('std: '+grafData['codigopunto']+' '+ medida)\n\n # std down\n std_down = np.round(descriptor[medida+'_down']['std'],precision)\n graf_stdDown.axhline(std_down,label='std '+str(std_down),\n color='brown')\n for j in range(0,m,1):\n k = str(movAvg_cual[j])\n graf_stdDown.plot(tabla[condicion_down]['publishedAt'],\n movAvgData['movAvg_down_std'][j],\n label='movAvg_'+k,color=movAvg_color[j])\n graf_stdDown.set_ylim(y_min,y_max)\n graf_stdDown.set_xlabel('fecha')\n graf_stdDown.set_ylabel('std_down ('+medida_unidad+')',\n color='brown')\n graf_stdDown.legend()\n graf_stdDown.grid(True,linestyle='dotted',\n axis='x', which='both')\n plt.tight_layout()\n return(fig_std)\n\n\ndef linealiza_lstsq(xi,yi,digitos = 3):\n ''' usa minimos cuadrados para entregar la ecuacion\n digitos: usados en expresion latex\n '''\n unaecuacion = {}\n # Eje x en log10()\n xilog = np.log10(xi)\n n = len(xi)\n \n # m\u00ednimos cuadrados (least square),\n # distancia vs medida\n A = np.vstack([xilog, np.ones(n)]).T\n [m0, b0] = np.linalg.lstsq(A, yi, rcond=None)[0]\n alpha = -m0\/10\n beta = b0\n\n # coeficiente de correlaci\u00f3n\n coeficientes = np.corrcoef(xilog,yi)\n r = coeficientes[0,1]\n # coeficiente de determinaci\u00f3n\n r2 = r**2\n\n # ecuaciones expresion rssi(d)\n fdist0 = lambda d: -10*alpha*(np.log10(d))+beta\n \n fdtxt0 = r'$ rssi = -10(' + str(np.round(alpha,digitos))\n fdtxt0 = fdtxt0 + ')log_{10}(d)' # +('\n texto = '+'\n if beta <0:\n texto = '-'\n fdtxt0 = fdtxt0 + texto + str(np.round(np.abs(beta),digitos))+' \n\n\n # Errores respecto a rssi(d) \n yi0 = fdist0(xi)\n dyi0 = yi - yi0\n dyi0mean = np.mean(np.abs(dyi0))\n dyi0std = np.std(dyi0, dtype=np.float64)\n\n # ecuaciones expresion d(rssi)\n grssi0 = lambda rssi: 10**((beta-rssi)\/(10*alpha))\n grtxt0 = r"$ d = 10^{(" + str(np.round(beta,digitos)) + ' - '\n grtxt0 = grtxt0 + 'rssi)\/' + '(10('+str(np.round(alpha,digitos))+'))} \n\n\n # Errores respecto a rssi(d) \n xi0 = grssi0(yi)\n dxi0 = xi - xi0\n dxi0mean = np.mean(np.abs(dxi0))\n dxi0std = np.std(dxi0, dtype=np.float64)\n \n yimin = np.around(np.min(yi),2)\n yimax = np.around(np.max(yi),2)\n \n unaecuacion = {'alpha' : alpha,\n 'beta' : beta,\n 'coef_correlacion' : r,\n 'coef_determinacion' : r2,\n 'eq_latex': fdtxt0,\n 'intervalox' : [np.min(xi),np.max(xi)],\n 'error_medio': dyi0mean,\n 'error_std' : dyi0std,\n 'eqg_latex' : grtxt0,\n 'intervaloy' : [yimin,yimax],\n 'errorx_medio': dxi0mean,\n 'errorx_std' : dxi0std,\n }\n return(unaecuacion)\n\ndef ecuacion_gradiente(carpeta_rsm,arch_coord,var_gen):\n ''' desarrolla la ecuaci\u00f3n para un gradiente\n '''\n var_gen['movAvg_cual'] = [2,4] #cada cuantas muestras\n partes = carpeta_rsm.strip('\/').split('_')\n arch_nombre = partes[1]+'_'+partes[2]\n\n carp_coord = var_gen['carp_coord']\n medida = var_gen['medida']\n precision = var_gen['precision']\n \n # lee coordenadas y su distancia al gateway\n dist_Gtw = coordenadas_leer(arch_coord,carp_coord)\n\n # crea lista.txt de archivos a usar si no existe\n arch_lista = medida+"_"+arch_nombre+"_lista.txt"\n archivo_ruta = carpeta_rsm + '\/' + arch_lista\n archivoexiste = os.path.exists(archivo_ruta)\n if not(archivoexiste):\n puntoUsar = pd.DataFrame(columns=['punto', 'up', 'down'])\n for unarchivo in os.listdir(carpeta_rsm):\n verifica = unarchivo.startswith('describe_')\n verifica = verifica and unarchivo.endswith('.csv')\n if verifica:\n partes = unarchivo.strip('.csv').split('_')\n unpunto = partes[2]\n puntoUsar = puntoUsar.append({'punto' : unpunto,\n 'up' : 1,\n 'down' : 1},\n ignore_index = True)\n puntoUsar = puntoUsar.set_index('punto')\n puntoUsar.to_csv(archivo_ruta)\n\n # usa lista.txt de archivos seleccionados 1 \u00f3 0 para enlace up,down\n if (archivoexiste):\n puntoUsar = pd.read_csv(archivo_ruta)\n puntoUsar = puntoUsar.set_index('punto')\n \n # Datos para gr\u00e1fica desde lista.txt\n punto_graf = pd.DataFrame()\n puntoSinDist = []\n for unarchivo in os.listdir(carpeta_rsm):\n if unarchivo.startswith('describe_'):\n codigopunto = unarchivo.strip('.csv').split('_')[2]\n \n # lectura del archivo\n unresumen = carpeta_rsm+'\/'+unarchivo\n descriptor = pd.read_csv(unresumen,index_col='Unnamed: 0')\n\n if (codigopunto in dist_Gtw.index):\n undato = {'codigopunto': codigopunto,\n 'dist_Gtw' : dist_Gtw[codigopunto],\n medida+'_up' : descriptor['rssi_up']['mean'],\n medida+'_up'+'_std': descriptor['rssi_up']['std'],\n 'usar_up' : puntoUsar['up'][codigopunto],\n medida+'_down': descriptor['rssi_down']['mean'],\n medida+'_down'+'_std' :descriptor['rssi_down']['std'],\n 'usar_down' : puntoUsar['down'][codigopunto],\n 'dispositivo': descriptor['dispositivo'][0]\n }\n punto_graf = punto_graf.append(undato,ignore_index=True)\n else:\n puntoSinDist.append(codigopunto)\n \n punto_graf = punto_graf.set_index('codigopunto')\n punto_graf = punto_graf.sort_values('dist_Gtw' )\n\n # selecciona datos\n dist = punto_graf['dist_Gtw']\n usar_up = punto_graf['usar_up']\n usar_down = punto_graf['usar_down']\n\n # Eje x en log10()\n xi = np.array(dist)\n\n # enlace_up\n media_up = punto_graf[medida+'_up']\n std_up = punto_graf[medida+'_up'+'_std']\n media_up_techo = media_up + std_up\n media_up_piso = media_up - std_up\n\n # ecuacion enlace up\n yi_up = np.array(media_up)\n eq_up = linealiza_lstsq(xi[usar_up==1],\n yi_up[usar_up==1],\n digitos = precision)\n alpha_up = eq_up['alpha']\n beta_up = eq_up['beta']\n fd_up = lambda d: -10*alpha_up*(np.log10(d))+beta_up\n\n # errores up de puntos vs ecuacion\n fi_up = fd_up(xi)\n dyi0std = eq_up['error_std']\n punto_graf['fi_up'] = fi_up\n\n # enlace_down\n media_down = punto_graf[medida+'_down']\n std_down = punto_graf[medida+'_down'+'_std']\n media_down_techo = media_down + std_down\n media_down_piso = media_down - std_down\n\n # ecuaci\u00f3n Enlace down\n yi_down = np.array(media_down)\n eq_down = linealiza_lstsq(xi[usar_down==1],\n yi_down[usar_down==1],\n digitos = precision)\n alpha_down = eq_down['alpha']\n beta_down = eq_down['beta']\n fd_down = lambda d: -10*alpha_down*(np.log10(d))+beta_down\n\n # errores down de puntos vs ecuacion\n fi_down = fd_down(xi)\n dyi1std = eq_down['error_std']\n punto_graf['fi_down'] = fi_down\n\n resultado = {'tabla' : punto_graf,\n 'ecuacion_up' : eq_up,\n 'ecuacion_down' : eq_down,\n 'puntoSinDist' : puntoSinDist}\n \n return (resultado)\n\ndef coordenadas_leer(arch_coord,carp_coord):\n ''' lista las coordenadas desde un archivo\n ubicado en la carpeta\n '''\n if len(carp_coord)>0:\n carp_coord = carp_coord+'\/'\n archivo_ruta = carp_coord+arch_coord\n arch_coord_existe = os.path.exists(archivo_ruta)\n\n if arch_coord_existe:\n puntos = pd.read_csv(archivo_ruta,index_col='punto')\n # busca gateway y ubicaci\u00f3n de punto observado\n Gw_nombre = ''\n for unpunto in puntos.index:\n if unpunto.startswith('Gw'):\n Gw_nombre = unpunto\n dist_Gtw = puntos['dist_'+Gw_nombre] \n else:\n print(' ERROR: NO se encuentra el archivo...')\n print(' revise el ruta\/nombre de archivo. ')\n return(dist_Gtw)\n\ndef graf_gradiente(arch_nombre,punto_graf,ecuacion,var_gen):\n ''' grafica de un gradiente\n '''\n escalabase = 10 # 10\n escala = 'log'\n medida = var_gen['medida']\n precision = var_gen['precision']\n\n # enlace_up\n media_up = punto_graf[medida+'_up']\n std_up = punto_graf[medida+'_up'+'_std']\n media_up_techo = media_up + std_up\n media_up_piso = media_up - std_up\n yi_up = np.array(media_up)\n fi_up = punto_graf['fi_up']\n\n # enlace_down\n media_down = punto_graf[medida+'_down']\n std_down = punto_graf[medida+'_down'+'_std']\n media_down_techo = media_down + std_down\n media_down_piso = media_down - std_down\n yi_down = np.array(media_down)\n fi_down = punto_graf['fi_down']\n\n dist = punto_graf['dist_Gtw']\n usar_up = punto_graf['usar_up']\n usar_down = punto_graf['usar_down']\n\n eq_up = ecuacion['ecuacion_up']\n eq_down = ecuacion['ecuacion_down']\n\n dyi0std = eq_up['error_std']\n dyi1std = eq_down['error_std']\n\n fig_gradnt,(graf_up,graf_down) = plt.subplots(2,1)\n if escala == 'log':\n graf_up.set_xscale(escala,base=escalabase)\n graf_down.set_xscale(escala,base=escalabase)\n\n # medida up +\/- std\n graf_up.scatter(dist,media_up,color='blue',marker='o')\n graf_up.scatter(dist,media_up_techo,color='blue',marker='+')\n graf_up.scatter(dist,media_up_piso,color='blue',marker='+')\n\n # medida down +\/- std\n graf_down.scatter(dist,media_down,color='orange',marker='o')\n graf_down.scatter(dist,media_down_techo,color='orange',marker='+')\n graf_down.scatter(dist,media_down_piso,color='orange',marker='+')\n\n # linealizado up\n graf_up.plot(dist,fi_up,label = ' up:'+eq_up['eq_latex'],\n color='blue')\n graf_up.plot(dist,fi_up+dyi0std,\n color='blue',linestyle='dotted')\n graf_up.plot(dist,fi_up-dyi0std,\n color='blue',linestyle='dotted')\n # linealizado down\n graf_down.plot(dist,fi_down,label = 'down:'+eq_down['eq_latex'],\n color='orange')\n graf_down.plot(dist,fi_down+dyi1std,\n color='orange',linestyle='dotted')\n graf_down.plot(dist,fi_down-dyi1std,\n color='orange',linestyle='dotted')\n\n # ajuste de eje y\n y_min = np.min([np.min(media_up_piso),np.min(media_down_piso)])\n y_max = np.max([np.max(yi_up+dyi0std),np.max(yi_down+dyi1std)])\n if y_min<-135:\n y_min = np.min([np.min([media_up]),np.min([media_down])])\n graf_up.set_ylim(y_min,y_max)\n graf_down.set_ylim(y_min,y_max)\n\n # etiquetas up\n for unpunto in punto_graf.index:\n media_etiq = np.round(punto_graf[medida+'_up'][unpunto],precision)\n usarpunto = punto_graf['usar_up'][unpunto]\n \n etiqueta = unpunto #+str(media_etiq)\n xi = punto_graf['dist_Gtw'][unpunto]\n yi = punto_graf['rssi_up'][unpunto]\n if usarpunto:\n graf_up.annotate(etiqueta,(xi,yi), rotation=45)\n if not(usarpunto):\n graf_up.annotate(etiqueta,(xi,yi), rotation=45,color='red')\n graf_up.scatter(dist[unpunto],media_up[unpunto],color='red',marker='o')\n graf_up.scatter(dist[unpunto],media_up_techo[unpunto],\n color='red',marker='+')\n\n # etiquetas down\n for unpunto in punto_graf.index:\n media_etiq = np.round(punto_graf[medida+'_down'][unpunto],precision)\n usarpunto = punto_graf['usar_down'][unpunto]\n etiqueta = unpunto #+str(media_etiq)\n xi = punto_graf['dist_Gtw'][unpunto]\n yi = punto_graf['rssi_down'][unpunto]\n if usarpunto:\n graf_down.annotate(etiqueta,(xi,yi), rotation=45)\n if not(usarpunto):\n graf_down.annotate(etiqueta,(xi,yi), rotation=45,color='red')\n graf_down.scatter(dist[unpunto],media_down[unpunto],color='red',marker='o')\n graf_down.scatter(dist[unpunto],media_down_techo[unpunto],\n color='red',marker='+')\n\n graf_up.set_ylabel(medida+'_up (dBm)',color='blue')\n graf_up.set_title(arch_nombre+' '+medida)\n graf_up.legend()\n graf_up.grid(True,linestyle='dotted',\n axis='x', which='both')\n\n graf_down.set_xlabel('distancia')\n graf_down.set_ylabel(medida+'_down (dBm)',color='brown')\n graf_down.legend()\n graf_down.grid(True,linestyle='dotted',\n axis='x', which='both')\n return(fig_gradnt)\n\ndef graf_diferencia_updown(arch_nombre,punto_graf,var_gen):\n '''Grafica de diferencias up-down\n '''\n medida = var_gen['medida']\n medida_unidad = var_gen['medida_unidad']\n movAvg_cual = var_gen['movAvg_cual']\n movAvg_color = var_gen['movAvg_color']\n precision = var_gen['precision']\n\n # analiza diferencias de medias y std --------------\n punto_graf['usar_dif'] = punto_graf['usar_up']*punto_graf['usar_down']\n usar_dif = punto_graf['usar_dif']\n punto_graf['dif_mean'] = punto_graf['rssi_up']-punto_graf['rssi_down']\n punto_graf['dif_std'] = punto_graf[medida+'_up_std']-punto_graf[medida+'_down_std']\n punto_graf['dif_top'] = punto_graf['dif_mean']+punto_graf['dif_std']\n punto_graf['dif_bottom'] = punto_graf['dif_mean']-punto_graf['dif_std']\n\n dist = punto_graf['dist_Gtw']\n usar_dif = punto_graf['usar_dif']\n\n # linealiza diferencia\n xi_dif = np.array(punto_graf['dist_Gtw'][usar_dif==1])\n yi_dif = np.array(punto_graf['dif_mean'][usar_dif==1])\n eq_dif = linealiza_lstsq(xi_dif,yi_dif,digitos = precision)\n alpha_dif = eq_dif['alpha']\n beta_dif = eq_dif['beta']\n fdistdif0 = lambda d: -10*alpha_dif*(np.log10(d))+beta_dif\n yi_dif0 = fdistdif0(xi_dif)\n\n ecua_dif = pd.DataFrame(eq_dif)\n\n # medias moviles en movAvg_cual[]\n serie_media = pd.Series(punto_graf['dif_mean'][usar_dif==1])\n movAvg_dmedia = []\n m = len(movAvg_cual)\n for j in range(0,m,1):\n k = movAvg_cual[j]\n movAvg_dmedia.append(serie_media.rolling(k).mean())\n\n # Grafica diferencia\n escalabase = 10 # 10\n escala = 'log'\n \n fig_dif_updown,graf_dmean = plt.subplots()\n if escala == 'log':\n graf_dmean.set_xscale(escala,base=escalabase)\n\n # diferencia medida up - down\n graf_dmean.scatter(dist,punto_graf['dif_mean'],color='purple',marker='o')\n graf_dmean.plot(xi_dif,yi_dif0,label = ' dif:'+eq_dif['eq_latex'],color='blue')\n graf_dmean.set_ylabel('media Up-Down (dBm)')\n\n # medida_up, medias m\u00f3viles\n for j in range(0,m,1):\n k = str(movAvg_cual[j])\n graf_dmean.plot(dist[usar_dif==1],movAvg_dmedia[j],\n label='movAvg_dmedia_'+k,color=movAvg_color[j])\n\n # etiquetas\n i=0\n for unpunto in punto_graf.index:\n media_etiq = np.round(punto_graf[medida+'_up'][unpunto],precision)\n etiqueta = unpunto # + ' ' +str(media_etiq)\n usar_dif = punto_graf['usar_dif'][unpunto]\n xi = punto_graf['dist_Gtw'][unpunto]\n yi = punto_graf.iloc[i]['dif_mean']\n i = i+1\n if usar_dif:\n graf_dmean.annotate(etiqueta,(xi,yi), rotation=30)\n if not(usar_dif):\n graf_dmean.annotate(etiqueta,(xi,yi),color='red',rotation=30)\n graf_dmean.scatter(xi,yi,color='red',marker='o')\n\n graf_dmean.axhline(0,color='grey')\n graf_dmean.grid(True,linestyle='dotted',axis='x', which='both')\n\n graf_dmean.legend()\n graf_dmean.set_title(arch_nombre+': '+medida+' media Up-Down')\n return(fig_dif_updown)\n\ndef graf_gradiente_std(arch_nombre,punto_graf,medida,precision):\n ''' Grafica de std_up y std_down ------\n '''\n xi_std = np.array(punto_graf['dist_Gtw'])\n yi_std_up = np.array(punto_graf[medida+'_up_std'])\n yi_std_down = np.array(punto_graf[medida+'_down_std'])\n\n # linealiza std\n usar_up = punto_graf['usar_up']\n usar_down = punto_graf['usar_down']\n\n eq_std_up = linealiza_lstsq(xi_std[usar_up==1],\n yi_std_up[usar_up==1],\n digitos = precision)\n alpha_std_up = eq_std_up['alpha']\n beta_std_up = eq_std_up['beta']\n fdiststd_up0 = lambda d: -10*alpha_std_up*(np.log10(d))+beta_std_up\n yi_std_up0 = fdiststd_up0(xi_std)\n\n eq_std_down = linealiza_lstsq(xi_std[usar_down==1],\n yi_std_down[usar_down==1],\n digitos = precision)\n alpha_std_down = eq_std_down['alpha']\n beta_std_down = eq_std_down['beta']\n fdiststd_down0 = lambda d: -10*alpha_std_down*(np.log10(d))+beta_std_down\n yi_std_down0 = fdiststd_down0(xi_std)\n\n # grafica std\n escalabase = 10 # 10\n escala = 'log'\n \n fig_grad_std,(graf_std_up,graf_std_down) = plt.subplots(2,1)\n if escala == 'log':\n graf_std_up.set_xscale(escala,base=escalabase)\n graf_std_down.set_xscale(escala,base=escalabase)\n\n graf_std_up.plot(xi_std,yi_std_up0,\n label = ' std_up:'+eq_std_up['eq_latex'],\n color='blue')\n \n # medida up +\/- std\n graf_std_up.scatter(xi_std,yi_std_up,color='blue',marker='+')\n graf_std_down.scatter(xi_std,yi_std_down,color='orange',marker='+')\n\n # etiquetas\n i=0\n for unpunto in punto_graf.index:\n media_etiq = np.round(punto_graf[medida+'_up'][unpunto],precision)\n etiqueta = unpunto # + ' ' +str(media_etiq)\n usar_up = punto_graf['usar_up'][unpunto]\n usar_down = punto_graf['usar_down'][unpunto]\n xi = punto_graf['dist_Gtw'][unpunto]\n yiu = punto_graf.iloc[i][medida+'_up_std']\n yid = punto_graf.iloc[i][medida+'_down_std']\n i = i+1\n if usar_up:\n graf_std_up.annotate(etiqueta,(xi,yiu), rotation=30)\n if not(usar_up):\n graf_std_up.annotate(etiqueta,(xi,yiu),color='red',rotation=30)\n graf_std_up.scatter(xi,yiu,color='red',marker='o')\n if usar_down:\n graf_std_down.annotate(etiqueta,(xi,yid), rotation=30)\n if not(usar_down):\n graf_std_down.annotate(etiqueta,(xi,yid),color='red',rotation=30)\n graf_std_down.scatter(xi,yid,color='red',marker='o')\n\n graf_std_down.plot(xi_std,yi_std_down0,\n label = 'std_down:'+eq_std_down['eq_latex'],\n color='orange')\n # otras etiquetas\n graf_std_up.set_ylabel('std_up (dBm)', color='blue')\n graf_std_up.set_xlabel('distancia')\n graf_std_up.axhline(0,color='grey')\n graf_std_up.grid(True,linestyle='dotted',\n axis='x', which='both')\n graf_std_up.set_title(arch_nombre+': '+medida+' std')\n graf_std_up.legend()\n\n graf_std_down.set_ylabel('std_down (dBm)', color='brown')\n graf_std_down.set_xlabel('distancia')\n graf_std_down.axhline(0,color='grey')\n graf_std_down.grid(True,linestyle='dotted',\n axis='x', which='both')\n graf_std_down.legend()\n\n return(fig_grad_std)\n\ndef coordenadas_kml_utm(archivo_ruta,zonaNum,zonaLetra,precision):\n # Lectura de archivo\n gpd.io.file.fiona.drvsupport.supported_drivers['KML'] = 'rw'\n puntos = gpd.read_file(archivo_ruta, driver='KML')\n puntos['dist'] = 0\n\n tabla = pd.DataFrame()\n for i in puntos.index:\n # en latitud, longitud y altura\n punto_nombre = puntos.loc[i]['Name']\n longitud = puntos.loc[i]['geometry'].x\n latitud = puntos.loc[i]['geometry'].y\n altitud = puntos.loc[i]['geometry'].z\n altitud = np.round(altitud,precision)\n #en UTM\n coord_utm = utm.from_latlon(latitud,longitud,\n zonaNum,zonaLetra)\n utm_este = np.round(coord_utm[0],precision)\n utm_norte = np.round(coord_utm[1],precision)\n \n # distancias a Gateways\n dist = 0.0\n if punto_nombre.startswith('Gw'):\n n_Gtw = punto_nombre\n x1 = utm_este\n y1 = utm_norte\n else:\n x2 = utm_este\n y2 = utm_norte\n dist = np.sqrt((x2-x1)**2 + (y2-y1)**2)\n dist = np.round(dist,precision)\n \n unpunto = {'punto' : punto_nombre,\n 'utm_este' : utm_este,\n 'utm_norte' : utm_norte,\n 'utm_zNum' : int(zonaNum),\n 'utm_zLetra' : zonaLetra,\n 'altitud' : altitud,\n 'altitud_gps' : altitud,\n 'dist_'+n_Gtw : dist,\n 'latitud' : latitud,\n 'longitud' : longitud\n }\n tabla = tabla.append(unpunto,ignore_index=True)\n tabla = tabla.set_index('punto')\n return(tabla)\n\ndef revisa_perfil(archivo_ruta,alturaGw,alturapunto,\n plantas,muestras=41,guarda=False):\n LineaObs = archivo_ruta.strip('.csv').split('_')[1]\n\n planta_desde = plantas[0]\n planta_hasta = plantas[1]\n planta_altura = plantas[2]\n\n # lectura de datos\n puntos = pd.read_csv(archivo_ruta,index_col='punto')\n\n # busca gateway\n n_Gtw = ''\n for unpunto in puntos.index:\n if unpunto.startswith('Gw'):\n n_Gtw = unpunto\n\n # perfil \n xi = np.array(puntos['dist_'+n_Gtw])\n yi = np.array(puntos['altitud'])\n etiqueta = puntos.index\n\n # plantaciones\n conplantas = (xi > planta_desde) & (xi < planta_hasta)\n plantacion = yi[conplantas]+planta_altura\n\n # GRAFICA\n # plantacion\n plt.fill_between(xi[conplantas],\n yi[conplantas],\n plantacion,\n color='lightgreen')\n # perfil\n xi = puntos['dist_'+n_Gtw]\n yi = puntos['altitud']\n plt.plot(xi,yi,color='brown')\n \n # antenas\n for unpunto in puntos.index:\n xip = xi[unpunto]\n yip = yi[unpunto]\n if unpunto.startswith('Gw'):\n xigtw = xip\n yigtw = yip+alturaGw\n plt.scatter(xip ,yigtw)\n plt.annotate(unpunto,(xigtw,yigtw))\n else:\n xid = xip\n yid = yip+alturapunto\n plt.plot((xigtw,xid),(yigtw,yid),\n color = 'green',\n linestyle='dotted')\n plt.scatter(xid ,yid)\n plt.annotate(unpunto,(xid,yid), rotation=45)\n plt.title('Linea :'+LineaObs)\n plt.xlabel('distancia')\n plt.ylabel('altura')\n plt.grid()\n\n # plt.axis('equal') \n return(puntos)\n\ndef revisa_fresnel(analiza_punto, archivo_ruta,alturaGw,alturapunto,\n plantas,guarda=False,nFres =1,freq=915,muestras=41):\n LineaObs = archivo_ruta.strip('.csv').split('_')[1]\n\n planta_desde = plantas[0]\n planta_hasta = plantas[1]\n planta_altura = plantas[2]\n\n # lambda Fresnel\n lamb = 300\/freq #300e6(m\/s)\/(freq*1e6)\n puntos = pd.read_csv(archivo_ruta,index_col='punto')\n\n # busca gateway\n i_Gw = 0\n i_punto = 0\n n_Gtw = ''\n i = 0\n for unpunto in puntos.index:\n if unpunto.startswith('Gw'):\n n_Gtw = unpunto\n if unpunto==analiza_punto:\n i_punto = i\n i = i+1\n\n # perfil \n xi = np.array(puntos['dist_'+n_Gtw])\n yi = np.array(puntos['altitud'])\n etiqueta = puntos.index\n\n # plantaciones\n conplantas = (xi > planta_desde) & (xi < planta_hasta)\n plantacion = yi[conplantas]+planta_altura\n\n # a\u00f1ade alturas de antenas\n yi_ant = np.copy(yi) + alturapunto\n yi_ant[i_Gw] = yi[i_Gw] + alturaGw\n\n # Zona de Fresnel\n if i_punto>0:\n \n # linea directa\n dy = yi_ant[i_punto]-yi_ant[i_Gw]\n dx = xi[i_punto]-xi[i_Gw]\n m = dy\/dx\n alpha = np.arctan(m)\n yi_f = lambda x: m*x + yi_ant[i_Gw]\n\n xi_D = np.linspace(xi[i_Gw],xi[i_punto],\n muestras)\n yi_D = yi_f(xi_D)\n dist_D = np.sqrt(dx**2+dy**2)\n\n # zona Fresnel 1\n F1_up = np.zeros(len(xi_D))\n F1_down = np.zeros(len(xi_D))\n for i in range(0,len(xi_D),1):\n d1 = xi_D[i]\/np.cos(alpha)\n d2 = dist_D-d1\n F1 = np.sqrt(np.abs(nFres*lamb*d1*d2)\/(d1+d2))\n\n xiu = xi_D[i]-F1*np.sin(np.abs(alpha))\n d1_u = xiu\n d2_u = dist_D-d1_u\n\n xid = xi_D[i]+F1*np.sin(np.abs(alpha))\n d1_d = xid\n d2_d = dist_D-d1_d\n # Fresnel, formula\n Fup = np.sqrt(np.abs(nFres*lamb*d1_u*d2_u)\/(d1_u+d2_u))\n Fdown = np.sqrt(np.abs(nFres*lamb*d1_d*d2_d)\/(d1_d+d2_d))\n \n # Linea directa +\/- Fresnel\n F1_up[i] = yi_D[i] + Fup*np.cos(alpha)\n F1_down[i] = yi_D[i] - Fdown*np.cos(alpha)\n else:\n print('punto no encontrado',analiza_punto)\n\n # SALIDA\n # print('Radio Fresnel: ',np.max(F1u[i]))\n\n # GRAFICA\n plt.fill_between(xi[conplantas],yi[conplantas],\n plantacion,color='lightgreen',\n label = 'plantas')\n plt.plot(xi,yi,label='perfil', color = "brown")\n # antenas\n plt.scatter(xi,yi_ant,label=\n 'Dispositivos',color='blue')\n if i_punto>0:\n # Fresnel\n plt.plot(xi_D,yi_D,\n label='Directo',color='orange',\n linestyle = 'dashed')\n plt.plot(xi_D,F1_down,\n label='Fresnel1',color='orange')\n plt.plot(xi_D,F1_up,\n color='orange')\n \n for i in range(0,len(xi),1):\n plt.annotate(etiqueta[i],\n (xi[i],yi_ant[i]),rotation=45)\n plt.xlabel('distancia')\n plt.ylabel('altura')\n plt.title('L\u00ednea :'+LineaObs+', Enlace: '+n_Gtw+'-'+etiqueta[i_punto])\n plt.legend()\n plt.grid()\n # plt.axis('equal')\n # plt.show()\n return(puntos)\n<\/pre><\/div>","protected":false},"excerpt":{"rendered":"El archivo contiene un grupo de funciones usadas para procesar los datos de este prototipo, se separaron del bloque principal de instrucciones con el objetivo de simplificar el desarrollo del las actividades principales. Recuerde disponer de este archivo en la misma carpeta que el algoritmo que invoca a la librer\u00eda. archivo de librer\u00eda: girni_lorawan_libreria Instrucciones […]<\/p>\n","protected":false},"author":8043,"featured_media":0,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[1466681],"tags":[],"class_list":["post-3895","post","type-post","status-publish","format-standard","hentry","category-lorawan-propagacion"],"_links":{"self":[{"href":"https:\/\/blog.espol.edu.ec\/girni\/wp-json\/wp\/v2\/posts\/3895","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/blog.espol.edu.ec\/girni\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/blog.espol.edu.ec\/girni\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/blog.espol.edu.ec\/girni\/wp-json\/wp\/v2\/users\/8043"}],"replies":[{"embeddable":true,"href":"https:\/\/blog.espol.edu.ec\/girni\/wp-json\/wp\/v2\/comments?post=3895"}],"version-history":[{"count":12,"href":"https:\/\/blog.espol.edu.ec\/girni\/wp-json\/wp\/v2\/posts\/3895\/revisions"}],"predecessor-version":[{"id":4784,"href":"https:\/\/blog.espol.edu.ec\/girni\/wp-json\/wp\/v2\/posts\/3895\/revisions\/4784"}],"wp:attachment":[{"href":"https:\/\/blog.espol.edu.ec\/girni\/wp-json\/wp\/v2\/media?parent=3895"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/blog.espol.edu.ec\/girni\/wp-json\/wp\/v2\/categories?post=3895"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/blog.espol.edu.ec\/girni\/wp-json\/wp\/v2\/tags?post=3895"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}