dav009

"""
Ejercicio QR Text Parse

Un codigo QR puede contener texto plano, como el siguiente:
000201010212501127288632702512600220290023010000050176943520460125303032540510.005802AR2611ar.com.vale5914Tamara Bernath6012Buenos Aires621008000502016304bbd0
Y en este caso, el texto tiene una codificacion que sigue un formato especifico. 
El texto esta formado por paquetes sucesivos, que a su vez estan formados por 3 unidades:
- Numero de campo (n): los primeros 2 bytes
- Largo del campo (L): los siguientes 2 bytes
- Contenido del campo: los siguientes L bytes

dav009

 [1] "Timestamp"                                                                                     
 [2] "¿Para qué tipo de empresa trabaja?"                                                            
 [3] "La empresa para la que usted trabaja se dedica principalmente a"                               
 [4] "¿Cuantos años de fundada tiene la empresa para la que trabaja?"                                
 [5] "¿Tiene usted título de fundador en la empresa?"                                                
 [6] "¿Qué porcentaje de su tiempo laboral se ocupa en tareas relacionadas a desarrollo de software?"
 [7] "¿Qué porcentaje de su tiempo laboral se ocupa en gerencia de proyectos?"                       
 [8] "¿Qué porcentaje de su tiempo laboral se ocupa en liderazgo técnico?"                           
 [9] "¿Qué porcentaje de su tiempo laboral se ocupa en gerencia de ingenieria?"                      
[10] "¿Cuánto tiempo lleva en su cargo actual (incluyendo freelance)?"                               

dav009

//setup
[source,cypher]
----
CREATE (miyamoto { name:'Shigeru Miyamoto', age:40, games: ['Zelda', 'Mario']})-[r1:CREATED]->(zelda { name:'Zelda 64', description:'RPG' })<-[r2:APPEARS]-(link { name:'Link', age:0 })

----

dav009

import gensim
import codecs
from gensim.models import Word2Vec
import json
 
def export_to_file(path_to_model, output_file):
	output = codecs.open(output_file, 'w' , 'utf-8')
	model = Word2Vec.load_word2vec_format(path_to_model, binary=True)
	vocab = model.vocab
	for mid in vocab:

dav009

import gensim
import os
 
os.system("taskset -p 0xff %d" % os.getpid())
 
def read_corpus(path_to_corpus):
    sentences = gensim.models.word2vec.LineSentence(path_to_corpus)
    print("training word2vec...")
    model = gensim.models.Word2Vec(sentences, min_count=10, size=500, window=10, sg=1, workers=4)
    print("finished training word2vec")