def Cargar_datos_y_señal(Link):
	Datos = scipy.io.loadmat(Link)

	Datos_Complejos = Datos['radar_I'] + 1j* Datos['radar_Q'] 

	fase = Obtener_angulos(Datos_Complejos)
	fase = fase - np.mean(fase)

	return Datos, fase

def Obtener_angulos(Datos):

	Resultado = np.zeros(len(Datos))
	Desfasaje = 0
	for i in range(len(Resultado)):

		### Siempre cargo el primer caso sin importar que
		if i == 0:
			Angulo = np.angle(Datos[0,0])
			Resultado[0] = Angulo
			continue

		### Calculo el angulo del dato
		Angulo_anterior = Angulo
		Angulo = np.angle(Datos[i])

		if np.sign(Angulo_anterior) != np.sign(Angulo) and np.abs(Angulo) > 2:
			Desfasaje += np.sum(np.pi * (-2)* np.sign(Angulo))

		Resultado[i] = Desfasaje + Angulo[0]

	return Resultado

def Resampleo_de_la_señal(Señal, frecuencia_original, nueva_frecuencia):

	Señal = np.ravel(Señal)  # asegurar que es 1D

	### Genero el filtro pasabajos para luego hacer el resampling
	fc = 2.0		 # Frecuencia de corte pasa-bajos [Hz]
	numtaps = 40	# Orden del filtro FIR (más grande = transición más suave)

	nyq = fs / 2.0
	b = firwin(numtaps, fc / nyq)   # Filtro FIR pasa-bajo lineal-fase
	Señal_filt = lfilter(b, 1.0, Señal)

	### Busco el resampling rate y lo implemento

	#M = int(np.floor(fs / (4*fc)))  # margen de seguridad del 25%
	M = int(np.floor(frecuencia_original/(2*nueva_frecuencia)))
	M = max(1, M)				   # evitar M=0

	Señal_dec = resample_poly(Señal_filt, up=1, down=M)
	fs_new = fs / M

	return Señal_dec, fs_new