Resulta que un programa para mi TI84 tenía un ciclo infinito, mi primer opción fue tratar de apagarla, pero no respondía. Por lo que mi segunda opción fue quitarle las pilas, pero eso fue una mala idea, porque al prenderla me apareció que la RAM se había corrompido y todos mis programas fueron borrados.
Lo único que tenía que hacer era presionar la tecla “ON”, lo cual genera un mensaje para interrumpir el programa.
Referencia:
http://www.dummies.com/how-to/content/the-while-end-command-on-the-ti84-plus.html
Saludos.
sábado, 14 de septiembre de 2013
jueves, 12 de septiembre de 2013
Prendiendo un LED con Raspberry Pi
Esta tarea fue bastante sencilla, este tutorial explica que librerías de Python tenemos que instalar para controlar los pines de entrada/salida.
El siguiente programa en Python comanda la salida del pin 7 a 1 (3.3V) durante 5 segundos.
Como pueden ver es bastante legible, sólo esta instrucción parece algo rara:
GPIO.setmode(GPIO.BCM)
y tiene que ver con la forma en la que se enumeran los pines.
Saludos.
El siguiente programa en Python comanda la salida del pin 7 a 1 (3.3V) durante 5 segundos.
#!/usr/bin/env python import RPi.GPIO as GPIO, time GPIO.setmode(GPIO.BCM) GPIO.setup(7,GPIO.OUT) GPIO.output(7,True) time.sleep(5) GPIO.output(7,False) GPIO.cleanup()
Como pueden ver es bastante legible, sólo esta instrucción parece algo rara:
GPIO.setmode(GPIO.BCM)
y tiene que ver con la forma en la que se enumeran los pines.
Saludos.
sábado, 7 de septiembre de 2013
Python no encuentra funciones en modulo
El siguiente error me pareció bastante curiosos, que decidí compartirlo. Cree un pequeño programa en Python para hacer unas pruebas con sockets. Se me ocurrió llamarle a mi archivo socket.py. De hecho al inicio sólo tenía dos líneas:
Pero al tratar de ejecutarlo me marcaba errores del siguiente tipo:
AttributeError: 'module' object has no attribute 'AF_PACKET'
Lo que está pasando es que Python primero busca los módulos en el directorio actual, en este caso como mi archivo se llama socket.py, se importaba a si mismo, en lugar de importar el módulo de las librerías de Python.
Simplemente renombré mi archivo a mi_socket.py y me aseguré de borrar el archivo socket.pyc que se había generado en el directorio actual.
Referencia: http://stackoverflow.com/questions/13422356/socket-isnt-working-in-python
Saludos.
import socket s = socket.socket( socket.AF_PACKET , socket.SOCK_RAW , socket.ntohs(0x0003))
Pero al tratar de ejecutarlo me marcaba errores del siguiente tipo:
AttributeError: 'module' object has no attribute 'AF_PACKET'
Lo que está pasando es que Python primero busca los módulos en el directorio actual, en este caso como mi archivo se llama socket.py, se importaba a si mismo, en lugar de importar el módulo de las librerías de Python.
Simplemente renombré mi archivo a mi_socket.py y me aseguré de borrar el archivo socket.pyc que se había generado en el directorio actual.
Referencia: http://stackoverflow.com/questions/13422356/socket-isnt-working-in-python
Saludos.
martes, 3 de septiembre de 2013
Primeros pasos con Raspberry Pi
Iniciaremos una nueva serie para compartir nuestros experimentos con un recién adquirido Raspberry Pi. Decidimos comprar un kit que además del Raspberry, también trae su fuente que se conecta al micro USB, una tarjeta SD con un sistema operativo ya configurado, un estuche y cable HDMI. Se nos hizo una buena oferta. Además como el sistema operativo ya esta listo para usarse, es muy rápido empezar a jugar con el hardware. De cualquier forma, estamos planeando en futuros experimentos, el compilar directamente un sistema operativo.
Por el momento esta configuración nos permitió hacer nuestro primer experimento muy fácilmente. Definitivamente el lugar para iniciar son los tutoriales de Adafruit.
Inicialmente conectamos el Raspberry a un mouse, teclado y monitor, pero sólo lo hice para realizar la configuración inicial. La configuración más importante es habilitar SSH, para poder conectarnos remotamente.
Después de esto, nos conectamos remotamente usando SSH para instalar VNC. El Raspberry está conectado vía Ethernet al ruteador. Y listo, ya podemos utilizar remotamente nuestro Raspberry, el cual sólo esta conectado al ruteador y a su fuente.
Nuestro siguiente experimento será prender un LED.
Saludos.
Para ver los demás post de esta serie da clic en el tag Raspberry Pi.
Por el momento esta configuración nos permitió hacer nuestro primer experimento muy fácilmente. Definitivamente el lugar para iniciar son los tutoriales de Adafruit.
Inicialmente conectamos el Raspberry a un mouse, teclado y monitor, pero sólo lo hice para realizar la configuración inicial. La configuración más importante es habilitar SSH, para poder conectarnos remotamente.
Después de esto, nos conectamos remotamente usando SSH para instalar VNC. El Raspberry está conectado vía Ethernet al ruteador. Y listo, ya podemos utilizar remotamente nuestro Raspberry, el cual sólo esta conectado al ruteador y a su fuente.
Nuestro siguiente experimento será prender un LED.
Saludos.
Para ver los demás post de esta serie da clic en el tag Raspberry Pi.
domingo, 1 de septiembre de 2013
Procesando varias fotos con Phatch
Últimamente he estado subiendo algunas fotos a Facebook y mandando varias por correo; sin embargo, note que la resolución y tamaño de las fotos es muy grande, por ejemplo 3648 x 2736, y estas fotos usualmente sólo las verán en un celular. Aun cuando Facebook y Gmail hacen un muy trabajo reduciendo el tamaño de las fotos, no esta de más el reducir el tamaño de las fotos previamente.
El principal detalle, es que pasa si queremos redimensionar 100 fotos; hacerlo una por una, no es una tarea muy atractiva. Para ello podemos usar el programa llamado “Phatch”, que permite ejecutar una secuencia de operaciones a varias fotos.
Phatch lo pueden instalar en Ubuntu. El proceso es muy sencillo, sólo tienen que crear una lista de comandos que quieren aplicar a todas fotos de un folder. En la siguiente imagen, estoy indicando que quiero redimensionar cada foto a un máximo de 800x800 manteniendo las proporciones originales y guardarlas en mi escritorio en el folder nuevas.
También se pueden aplicar acciones como cambiar el contraste y el brillo. Una vez que tengamos la lista de comandos, seleccionamos ejecutar y Phatch nos pedirá el directorio fuente y nos mostrará todas las imágenes que procesará. Al finalizar el procesamiento presenta un resumen del número de imágenes y el tiempo empleado.
En este caso, las fotos originales miden alrededor de los 4MB, las fotos generadas miden alrededor de los 100KB
Algo muy útil, es que las listas de acciones se pueden guardar. Este script de Phatch para redimensionar fotos ya lo he usado varias veces.
Saludos.
El principal detalle, es que pasa si queremos redimensionar 100 fotos; hacerlo una por una, no es una tarea muy atractiva. Para ello podemos usar el programa llamado “Phatch”, que permite ejecutar una secuencia de operaciones a varias fotos.
Phatch lo pueden instalar en Ubuntu. El proceso es muy sencillo, sólo tienen que crear una lista de comandos que quieren aplicar a todas fotos de un folder. En la siguiente imagen, estoy indicando que quiero redimensionar cada foto a un máximo de 800x800 manteniendo las proporciones originales y guardarlas en mi escritorio en el folder nuevas.
También se pueden aplicar acciones como cambiar el contraste y el brillo. Una vez que tengamos la lista de comandos, seleccionamos ejecutar y Phatch nos pedirá el directorio fuente y nos mostrará todas las imágenes que procesará. Al finalizar el procesamiento presenta un resumen del número de imágenes y el tiempo empleado.
En este caso, las fotos originales miden alrededor de los 4MB, las fotos generadas miden alrededor de los 100KB
Algo muy útil, es que las listas de acciones se pueden guardar. Este script de Phatch para redimensionar fotos ya lo he usado varias veces.
Saludos.
domingo, 20 de enero de 2013
Métricas del grafo de hash tags
El programa que extrae la información usando la API de Twitter está usando exploración aleatoria. Es decir, selecciona aleatoriamente el siguiente hash tag a solicitar. Este enfoque resulta muy práctico y nos permite descubrir muchos hash tags. Por ejemplo, después de haber ejecutado el programa algunas horas, este ha visitado alrededor de 3,000 nodos pero ha descubierto alrededor de 150,000. Esto nos da un grafo bastante incompleto, lo cual puede ser frustrante al momento de ejecutar algoritmos como el de encontrar la ruta más corta, ya que es muy probable que si seleccionamos dos nodos al azar sólo haya una ruta entre ellos. Lo ideal sería poder visitar la mayoría de los nodos que conocemos; el problema es que el realizar las peticiones de tweets es una operación costosa.
Por ello es que decidí modificar el programa para visitar sólo aquellos hash tags que luzcan más “relevantes”. La definición de relevancia es un tanto arbitraria y la definí intuitivamente. Obtuve algunas métricas con los nodos que he visitado hasta el momento para obtener un parámetro que no fuera del todo subjetivo.
NOTA: las siguientes conclusiones están basadas en los aproximadamente 3,000 hash tags que visite usando el programa descrito en secciones anteriores. Por lo que estás conclusiones pueden ser incompletas e incluso incorrectas, pero son un buen inicio para los propósitos de este tutorial.
El término hash tag y nodo son equivalentes en la siguiente discusión.
La primer métrica es el número de vecinos de un nodo: en promedio tienen 133 vecinos. En la siguiente gráfica observamos que más del 40% de los nodos tienen 90 o más vecinos. Esto concuerda con nuestros resultados (sólo 3,000 visitados pero ya llevamos 150.000 descubiertos); es decir, el universo de nodos descubiertos crece muy rápidamente conforme vamos visitando más nodos.
Es interesante ver como hay también un buen porcentaje de nodos con muy pocos vecinos, tal vez esto se deba a hash tags esporádicos.
Bueno, regresando a la pregunta de qué es un nodo relevante, decidí ver la fortaleza entre dos hash tags, y esto es simplemente cuantas veces aparece un hash tag en la búsqueda de otro. Por ejemplo, cuando buscamos #Toluca, de los 400 tweets obtenidos, el hash tag #futbol apareció 20 veces; en este caso digo que la fortaleza de #Toluca a #futbol es 20.
La siguiente gráfica muestra la distribución de las fortalezas de los enlaces. Noten como el 70% de los enlaces sólo tienen fortaleza 1, pareciera que la mayoría de las relaciones entre hash tags son esporádicas. Sin embargo, existe un porcentaje considerable de enlaces con fortaleza igual o mayor a 9.
Precisamente está es la métrica que utilicé para decidir que nodos visitar. Sólo visitaremos aquellos nodos que estén muy conectados a alguno de los nodos que hayamos visitado. Obviamente hay que cuidar no ser muy restrictivo que lleguemos al punto de no encontrar más nodos. Para ello obtuve la siguiente gráfica donde podemos ver que aproximadamente la mitad de los nodos están conectados a por lo menos otro nodo con fortaleza 9 o mayor. Lo cual es un buen indicador que aún cuando estamos reduciendo el espacio de búsqueda, seguiremos encontrando nuevos nodos.
Primero probé con enlaces de fortaleza 4, pero aún así el número de nodos conocidos crecía muy rápidamente. Así que ajuste este valor a 10.
El código lo pueden encontrar aquí. El archivo tweets_old.zip contiene la información usada para las métricas. El archivo tweet_graph.py calcula y despliega las métricas. Tweet_search.py es el programa de extracción de tweets con las modificaciones mencionadas.
sábado, 12 de enero de 2013
Creación del grafo de hash tags
Ahora que ya tenemos datos podemos empezar a crear nuestro grafo. Existen dos formas principales de representar un grafo: matriz de adyacencia o lista de adyacencia. Aquí usaremos una lista de adyacencia, en particular, usaremos un diccionario de adyacencia.
El programa twitter_graph.py contiene un ciclo doble donde construye el grafo. Después entra a un cliclo donde podemos teclear un hash tag y despliega los 10 hash tags vecinos más frecuentes.
Nuestro grafo lo representamos con un diccionario de diccionarios. En el diccionario externo las llaves son los nodos del grafo y los valores son los vecinos de este nodo. Siendo más precisos, un valor es otro diccionario, donde las llaves son los vecinos y los valores representan el número de veces que un hash tag apareció.
Veamos un ejemplo de la variable que apunta al grafo en el programa usando los resultados de la imagen anterior.
graph["#cozumel"]
: contiene los vecinos del hash tag #cozumel.graph["#cozumel"]["#cancun"]
: regresa el número de veces que #cancun apareció en la búsqueda de #cozumel, en este caso 10 veces.
Vale la pena mencionar dos funciones de los diccionarios en python que ayudan a hacer código más compacto. El siguiente fragmento de código agrega el hash tag al grafo en caso de ser necesario.
if hash_tag not in graph: graph[hash_tag] = dict() links = graph[hash_tag]
Esto es equivalente a usar la función setdefault, la cual regresa el valor asociado con la llave (primer parámetro), en caso de no existir, inserta la llave con el segundo parámetro en el diccionario y por último regresa ese nuevo valor.
links = graph.setdefault(hash_tag, dict())
El siguiente código inicializa e incrementa el número de ocurrencias de un vecino.
if neighbor not in links: links[neighbor] = 1 else: links[neighbor] = links[neighbor] + 1
Esto se puede reemplazar por la siguiente línea de código:
links[neighbor] = links.get(neighbor,0) + 1
La función get regresa el valor asociado con la llave o en caso de no existir regresa el segundo parámetro.
El código lo pueden encontrar aquí. Para ejecutarlo sólo recibe la carpeta donde están guardados los tweets:
python twitter_graph.py ./tweets
También incluí un archivo zip que contiene alrededor de 3,000 hash tags consultados, sólo tienen que descomprimir este archivo. AVISO: algunos de los hash tags pueden resultar ofensivos, pero eso es lo que encontró el programa.
En el siguiente post veremos algunas métricas de este grafo.
Suscribirse a:
Entradas (Atom)