• Saltar al contenido principal
  • Skip to secondary menu
  • Saltar a la barra lateral principal
  • Saltar al pie de página
  • Inicio
  • Secciones
    • Ciencia de datos
    • Criptografía
    • Herramientas
    • Machine Learning
    • Noticias
    • Opinión
    • Productividad
    • Programación
      • JavaScript
      • Julia
      • Matlab
      • Python
      • R
  • Programación
    • JavaScript
    • Julia
    • Matlab
    • Python
    • R
  • Laboratorio
    • Estadística
      • Calculadora del Tamaño Muestral en Encuestas
      • Calculadora de estadísticos descriptivos
      • Test de normalidad
      • Calculadora de contrastes de hipotesis
      • Calculadora de tamano del efecto
      • Simulador de Regresión Lineal con Ruido
      • Visualizador de PCA
      • Visualizador de Series Temporales
      • Simulador de Regresión Logística
      • Simulador de K-Means
      • Simulador de DBSCAN
      • Detector de la Ley de Benford
      • Ajuste de Curvas
      • Calculadora de Matrices
    • Probabilidad
      • Calculadora de Probabilidad de Distribuciones
      • Calculadora de Probabilidades de Lotería
      • Simulador del Problema de Monty Hall
      • Simulador de la Estrategia Martingala
    • Finanzas
      • Calculadora de Préstamos e Hipotecas
      • Conversor TIN ↔ TAE
      • Calculadora DCA con ajuste por inflación
      • Calculadora XIRR con Flujos Irregulares
      • Simulador FIRE (Financial Independence, Retire Early)
    • Negocios
      • CLV
      • Scoring
    • Herramientas
      • Formateador / Minificador de JSON
      • Conversor CSV ↔ JSON
      • Comparador y Formateador de Texto y JSON
      • Formateador y Tester de Expresiones Regulares
      • Inspector de JWT
      • Generador y verificador de hashes
      • Codificador / Decodificador Base64 y URL
      • Conversor de bases numericas
      • Conversor de Timestamp Unix
      • Conversor de colores
      • Generador de UUIDs
    • Juegos
      • Tres en Raya
      • Nim con Q-Learning
    • Más
      • Método D’Hondt
      • Generador de Contraseñas Seguras
  • Noticias
  • Boletín
  • Contacto
  • Tienda
    • Libros
    • Equipamiento de oficina
    • Equipamiento en movilidad

Analytics Lane

Ciencia e ingeniería de datos aplicada

  • Ciencia de datos
  • Machine Learning
  • IA Generativa
  • Python
  • Pandas
  • NumPy
  • R
  • Excel

Cómo calcular el rango de red y convertir máscaras CIDR en Python

octubre 4, 2024 Por Daniel Rodríguez Deja un comentario
Tiempo de lectura: 3 minutos

Al configurar redes de ordenadores, el rango de red es uno de los parámetros claves. El rango de red se puede representar usando la notación clásica de máscara de subred o el formato CIDR (Classless Inter-Domain Routing). En esta entrada, se explicará el formato CIDR y cómo traducirlo a la notación clásica de máscara de subred. Incluyendo el código Python para realizar estos cálculos.

¿Qué es el formato CIDR?

El formato CIDR es una manera de representar direcciones IP y sus máscaras de subred. En lugar de utilizar la notación de máscara de subred tradicional (por ejemplo, 255.255.255.0), el formato CIDR utiliza una barra inclinada seguida de un número (por ejemplo, /26). Este número representa la cantidad de bits que se utilizan para la máscara de red.

Cómo transformar una máscara CIDR en una máscara de subred

A modo de ejemplo, se puede utilizar la dirección IP 192.168.1.39 y la máscara /26 para ver cómo transformar una máscara CIDR en una máscara de subred.

Publicidad


Paso 1: Convertir CIDR a una máscara de subred clásica

La notación /26 indica que los primeros 26 bits de la dirección IP son parte de la máscara de red. La máscara de subred en notación decimal punteada se construye como sigue:

  1. Convertir el número de bits a una máscara de subred binaria: Los primeros 26 bits son 1s y el resto son 0s.
  2. Convertir la máscara de subred binaria a decimal.

Para /26, la máscara en binario es:

La caverna del consumo, o cómo Greenspan miraba calzoncillos para hacer política monetaria – El bestiario de los indicadores económicos absurdos (parte 1)
En Analytics Lane
La caverna del consumo, o cómo Greenspan miraba calzoncillos para hacer política monetaria – El bestiario de los indicadores económicos absurdos (parte 1)

11111111.11111111.11111111.11000000

En decimal, esto se traduce a:

255.255.255.192

Paso 2: Calcular el Rango de la Red

Ahora, para calcular el rango de la red es necesario realizar las siguientes operaciones:

  1. Determinar la dirección de red: Esto ya nos lo da el CIDR (192.168.1.39).
  2. Calcular la dirección de broadcast: Esto se obtiene configurando los bits de host en 1. Para /26, los últimos 6 bits son para hosts, por lo que el broadcast es 192.168.1.0 más 0.0.0.63 (donde 63 es 2^(32-26) - 1).

Entonces, el rango de la red es de 192.168.1.0 a 192.168.1.63.

Código en Python

En Python existe la librería estándar ipaddress con la que se puede realizar estas conversiones de una forma sencilla. A continuación, se crea una función que crea la máscara de red a partir del CIDR y otra que permite calcular el rango de red a partir de la IP y del CIDR.

import ipaddress


def cidr_to_netmask(cidr):
    """
    Convierte una notación CIDR a una máscara de subred en formato decimal punteado.

    Parámetros
    ----------
    cidr : int
        El prefijo en formato CIDR, que indica la cantidad de bits utilizados para la parte de red de la dirección.

    Retorna
    -------
    netmask : ipaddress.IPv4Address
        La máscara de subred correspondiente en notación decimal punteada.

    Ejemplo
    -------
    >>> cidr_to_netmask(26)
    IPv4Address('255.255.255.192')
    """
    network = ipaddress.IPv4Network(f'0.0.0.0/{cidr}', strict=False)
    return network.netmask


def calculate_network_range(ip, cidr):
    """
    Calcula la dirección de red y la dirección de broadcast para una dirección IP dada con su máscara de red en formato CIDR.

    Parámetros
    ----------
    ip : str
        La dirección IP en formato string.
    cidr : int
        El prefijo en formato CIDR que indica la cantidad de bits utilizados para la parte de red.

    Retorna
    -------
    network_address : ipaddress.IPv4Address
        La dirección de red calculada.
    broadcast_address : ipaddress.IPv4Address
        La dirección de broadcast calculada.

    Ejemplo
    -------
    >>> calculate_network_range('192.168.1.39', 26)
    (IPv4Address('192.168.1.39'), IPv4Address('192.168.1.39'))
    """
    network = ipaddress.IPv4Network(f'{ip}/{cidr}', strict=False)
    return network.network_address, network.broadcast_address


# Ejemplo de uso
cidr = 26
ip = '192.168.1.39'

netmask = cidr_to_netmask(cidr)
network_start, network_end = calculate_network_range(ip, cidr)

print(f"Máscara de subred para /{cidr}: {netmask}")
print(f"Rango de la red para {ip}/{cidr}: {network_start} - {network_end}")
Máscara de subred para /26: 255.255.255.192
Rango de la red para 192.168.1.39/26: 192.168.1.0 - 192.168.1.63

En este código se han definido dos funciones:

  • cidr_to_netmask(cidr): Convierte una notación CIDR a una máscara de subred en formato decimal punteado.
  • calculate_network_range(ip, cidr): Calcula el rango de la red dado una dirección IP y una máscara CIDR.

Al ejecutar el código se puede comprobar cómo se reproducen los valores que se han explicado en las secciones anteriores. Siendo un recurso para convertir notaciones CIDR a máscaras de subred clásicas y calcular rangos de red en Python.

Publicidad


Conclusiones

El concepto de rango de red es fundamental cuando se trabaja con redes de ordenadores. Comprender cómo transformar la notación CIDR a una máscara de subred puede hacer que sea más sencillo trabajar con redes. Manualmente, convertir la notación CIDR en una máscara de subred puede ser complicado, pero con la ayuda de librerías como ipaddress de Python esto se hace mucho más sencillo.

Imagen de Buffik en Pixabay

¿Te ha parecido de utilidad el contenido?

¡Puntúalo entre una y cinco estrellas!

Puntuación promedio 0 / 5. Votos emitidos: 0

Ya que has encontrado útil este contenido...

¡Síguenos en redes sociales!

¡Siento que este contenido no te haya sido útil!

¡Déjame mejorar este contenido!

Dime, ¿cómo puedo mejorar este contenido?

Publicaciones relacionadas

  • La caverna del consumo, o cómo Greenspan miraba calzoncillos para hacer política monetaria – El bestiario de los indicadores económicos absurdos (parte 1)
  • La vanidad del paisaje, o por qué un becario sale a contar grúas a Manhattan – El bestiario de los indicadores económicos absurdos (parte 2)
  • Analytics Lane lanza la versión 1.1 del laboratorio con nuevas suites de CLV y Scoring
  • Cómo comparar tendencias con gráficos de líneas en Matplotlib: guía práctica paso a paso
  • Analytics Lane lanza la versión 1.2 del laboratorio con nuevas herramientas de ajuste de curvas y cálculo matricial
  • Subplots en Matplotlib: cómo organizar múltiples gráficos en una sola figura
  • Ley de Benford: cómo detectar datos manipulados con ejemplos reales
  • Síndrome del objeto brillante en ciencia de datos: el error simétrico a los costes hundidos
  • De la Regresión Logística al Scorecard: La Transformación Matemática

Publicado en: Herramientas, Python

Interacciones con los lectores

Deja una respuesta Cancelar la respuesta

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *

I accept the Terms and Conditions and the Privacy Policy

Este sitio usa Akismet para reducir el spam. Aprende cómo se procesan los datos de tus comentarios.

Barra lateral principal

Suscríbete a nuestro boletín

Suscríbete al boletín semanal para estar al día de todas las publicaciones.

Política de Privacidad

Analytics Lane en redes sociales

  • Amazon
  • Bluesky
  • Facebook
  • GitHub
  • Instagram
  • Mastodon
  • Pinterest
  • RSS
  • Telegram
  • Tumblr
  • Twitter
  • YouTube

Publicidad

Entradas recientes

Noticias

Analytics Lane lanza la versión 1.2 del laboratorio con nuevas herramientas de ajuste de curvas y cálculo matricial

junio 12, 2026 Por Daniel Rodríguez

La vanidad del paisaje, o por qué un becario sale a contar grúas a Manhattan – El bestiario de los indicadores económicos absurdos (parte 2)

junio 11, 2026 Por Daniel Rodríguez

Cómo comparar tendencias con gráficos de líneas en Matplotlib: guía práctica paso a paso

junio 9, 2026 Por Daniel Rodríguez

Publicidad

Es tendencia

  • El método de las aproximaciones sucesivas e implementación en Python publicado el marzo 10, 2023 | en Ciencia de datos
  • Comprobar hash SHA-256 o MD5 en Windows, macOS y Linux publicado el noviembre 1, 2023 | en Criptografía, Herramientas
  • Método del codo (Elbow method) para seleccionar el número óptimo de clústeres en K-means publicado el junio 9, 2023 | en Ciencia de datos
  • pandas Pandas: Cómo iterar sobre las filas de un DataFrame en Pandas publicado el septiembre 13, 2021 | en Python
  • Número óptimo de clústeres con Silhouette e implementación en Python publicado el junio 23, 2023 | en Ciencia de datos

Publicidad

Lo mejor valorado

4.9 (24)

Seleccionar filas y columnas en Pandas con iloc y loc

4.6 (16)

Archivos JSON con Python: lectura y escritura

4.4 (14)

Ordenación de diccionarios en Python mediante clave o valor

4.7 (13)

Operaciones de filtrado de DataFrame con Pandas en base a los valores de las columnas

4.9 (11)

Pandas: Cambiar los tipos de datos en los DataFrames

Comentarios recientes

  • bif en JSON en bases de datos: cuándo es buena idea y cuándo no
  • bif en Cómo desinstalar Oracle Database 19c en Windows
  • M. Pilar en Cómo eliminar las noticias en Windows 11 y recuperar tu concentración
  • Daniel Rodríguez en Probabilidad básica: cómo entender el azar en nuestra vida diaria
  • Pepe en Probabilidad básica: cómo entender el azar en nuestra vida diaria

Publicidad


Footer

Analytics Lane

  • Acerca de Analytics Lane
  • Boletín de noticias
  • Contacto
  • Libros
  • Lo más popular
  • Noticias
  • Tienda
  • Tiendas afiliadas

Secciones

  • Ciencia de datos
  • Criptografía
  • Herramientas
  • Machine Learning
  • Opinión
  • Productividad
  • Programación
  • Reseñas

Sobre de Analytics Lane

En Analytics Lane tratamos de explicar los principales conceptos de la ciencia e ingeniería de datos con un enfoque práctico. Los principales temas tratados son ciencia de datos, ingeniería de datos, inteligencia artificial, machine learning, deep learning y criptografía. Además, también se habla de los principales lenguajes de programación y herramientas utilizadas por los científicos e ingenieros de datos.

Copyright © 2018-2026 Analytics Lane ·Términos y condiciones ·Política de Cookies ·Política de Privacidad ·Herramientas de privacidad ·Contacto