- 综合排序
- 最热优先
- 最新优先
- 来自专栏PyStaData
PythonforResearch | 2_数据处理
], 'col2': [5,6,7,8]} df = pd.DataFrame(data=d) df col1col2015126237348 d = [(1, 2 ,3 ,4), (5, 6, 7 , 8)] df = pd.DataFrame(data=d) df 01230123415678 由字典创建 d = {'row1': [1,2,3,4], 'row2': [5,6,7,8]} ,'col3','col4'] df col1col2col3col4row25678row311121314 df.rename(columns={'col1' : 'column1', 'col2 ' : 'column2'}) column1column2col3col4row25678row311121314 使用df.rename()是复制后修改，不会对原来的 df 覆盖。 df = df.rename(columns={'col1' : 'column1', 'col2' : 'column2'}) #or df.rename(columns={'col1' : 'column1
4.8K30发布于 2020-08-17 - 来自专栏生信小驿站
数据处理神器tidyverse（2）ggplot2
数据处理神器tidyverseggplot2 ? tidyverse包其中包含着一个重要的可视化包---ggplot2。 Ggplot2是由Hadley Wickham制作的数据可视化软件包，它基于一组称为图层的原则。 基本思想是ggplot2将数据的几何对象（圆圈，线条等），主题和比例放在上面。 在这里，你可以通过总结每年的预期寿命并将结果输入ggplot而不必定义任何中间变量来对dplyr操作与ggplot2进行一些巧妙的组合。 continent year avg_lifeExp ## <fct> <int> <dbl> ## 1 Africa 1952 39.1 ## 2 自定义ggplot2 虽然我们在这里保留了默认的ggplot2功能，但是你可以用ggplot2来做很多事情。 例如，通过练习，您将学习如何通过将多个层组合在一起来生成高度自定义的绘图。
3.4K30发布于 2019-08-29 - 来自专栏数据科学（冷冻工厂）
单细胞Seurat - 数据处理 (2)
默认情况下Seurat每个数据集返回 2,000 个特征。这些将用于下游分析，例如 PCA。 pbmc), 10) # plot variable features with and without labels plot1 <- VariableFeaturePlot(pbmc) plot2 <- LabelPoints(plot = plot1, points = top10, repel = TRUE) plot1 + plot2 缩放数据 接下来，我们应用线性变换（“缩放”），这是 ## PC_ 2 ## Positive: CD79A, MS4A1, TCL1A, HLA-DQA1, HLA-DQB1 ## Negative: NKG7, PRF1, CST7, GZMB GNLY ## Negative: LTB, IL7R, CKB, VIM, MS4A7 VizDimLoadings(pbmc, dims = 1:2, reduction = "pca")
95810编辑于 2024-02-22 - 来自专栏python3
Python 数据处理（2）
("sheet5") sheet2 = excel.add_sheet("sheet2") sheet3 = excel.add_sheet("sheet3") sheet1.write(0,0,"hello world") sheet2.write(1,0,"hello") sheet3.write(2,0,"test test") excel.save("hello1.xlsx") 执行结果: ? 合并多个pdf文件为一个pdf文件 安装pypdf2 # pip install pypdf2 import PyPDF2 import os # 建立一个装pdf文件的数组 xxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx ) os.chdir(r"C:\Users\Shinelon\PycharmProjects\Python3\datachuli\aminglinux") pdfWriter = PyPDF2. PdfFileWriter() # 生成一个空白的pdf文件 for pdf in pdfFiles: pdfReader = PyPDF2.PdfFileReader(open(pdf,
1K20发布于 2020-01-10 - 来自专栏编程
Python数据处理（2）-NumPy的ndarray
2.基本属性：shape和dtype ndarray对象包括了两个最基本的属性，一个是shape（表示各维度大小），一个是dtype（表示数组数据类型）。
1.3K50发布于 2018-02-02 - 来自专栏气象学家
Satpy基础系列教程(2)-TROPOMI L2数据处理
y2 = np.meshgrid(np.arange(xmin,xmax+dx,dx)-dx/2. .pcolormesh(x2,y2,z) ax3.axis([x2.min(),x2.max(),y2.min(),y2.max()]) # using the boundaries gives correct plot ax4.set_title("Correct ticks") ax4.pcolormesh(x2,y2,z) ax4.axis([x2.min(),x2.max(),y2.min(),y2. Fig 2. = plt.subplot(2, 2, 2, projection=projection) add_province(ax2, provinces, west, east,
3K32发布于 2020-02-26 - 来自专栏Vincent-yuan
java之struts2的数据处理
这里的数据处理，指的是页面上的数据与Action中的数据的处理。 struts2中有3种方式来接收请求提交的数据。分别是：属性驱动方式、对象驱动方式、模型驱动方式 1. return msg; } public void setMsg(String msg) { this.msg = msg; } } struts2会做基本的数据类型转换 2.对象驱动方式 在servlet处理中，获取表单项的值后，需要手动创建对象。 在struts2中，提供了一种对象驱动方式，可以直接在Action处理类中获取对象，不再需要手动创建对象。 所以，strut2提供了模型驱动。 模型驱动综合了属性驱动和对象驱动的优点，但是模型驱动具有侵入性。 使用模型驱动处理类，需要实现 ModelDriven 接口 。 一般都是在对象驱动和模型驱动中选择 补充： 响应数据 在页面中获取struts2的响应数据有2个要点： 1.获取的数据必须是处理类的属性，并且提供了get/set 方法 2.在页面中可以通过 el
67120发布于 2019-09-10 - 来自专栏AIUAI
Caffe2 - (十八) 图片数据处理函数
Caffe2 - 图片数据处理函数 Caffe2 提供了对图片进行加载、裁剪、缩放、去均值、batch 等处理的函数 - helper.py. ## @package helpers # Module caffe2.python.tutorials.helpers from __future__ import absolute_import from __future__ import division import skimage.transform def crop_center(img, cropx, cropy): y, x, c = img.shape startx = x // 2 - (cropx // 2) starty = y // 2 - (cropy // 2) return img[starty:starty + cropy, startx:startx .swapaxes(0, 1) return img def bgr(img): # switch to BGR img = img[(2, 1, 0), :, :]
638100发布于 2019-02-18 - 来自专栏测试开发干货
面试复习系列【python-数据处理-2 】
知道为什么我要单独拿出2章来给大家普及numpy和pandas么？ 因为，在不久的将来，我即将更新ai测试领域的具体应用教程，这算是给大家提前打打基础，扫扫盲。 import pandas as pd s = pd.Series([1,2,3,4,5]) 这个运行后，我们打印s，得到的结果是这样的：左边第一列是行标，第二列开始是内容 我们也可以创建个多列的， s = pd.Series({"a":1,"b":2}) print(s) 结果如下： 但是这样创建看起来就不舒服，所以我们用DataFrame方法来创建。 = pd.Series({"a":1,"b":2},index=["a","b"]) 创建复合型序列 df = pd.DataFrame({'a':1,"b":pd.Series([1,2,3]),"c ) print(df) #查看内容 print(df.describe) #查看统计 print(df.head(2)) #查看头部2行 print(df.tail(2)) #查看倒数2行 print(
1.3K30编辑于 2022-05-20 - 来自专栏数据分析1480
R&Python Data Science 系列：数据处理（2）
承接R&Python Data Science 系列：数据处理（1）继续介绍剩余的函数。 2 条件函数 这里介绍3个条件函数，if_else()、case_when()、between()函数，Python包dfply和R包dplyr中都是这3个函数，在用法上有点细微差别，日常中使用最多 而且if_else()函数可以嵌套使用，不过当条件判断超过2个的时候，建议使用case_when()函数。 (2) diamonds3 = diamonds >> tail(3) diamonds2 >> bind_rows(diamonds3) ? R语言实现 ##bind_rows()函数 diamonds2 = diamonds %>% head(2) diamonds3 = diamonds %>% tail(3) diamonds2 %>%
1.4K10发布于 2019-10-28 - 来自专栏数据科学（冷冻工厂）
CUT&Tag 数据处理和分析教程（2）
/tools/FastQC/fastqc -o ${projPath}/fastqFileQC/${histName} -f fastq ${projPath}/fastq/${histName}_R2. histName}/*_R1_*.fastq.gz >${projPath}/fastq/${histName}_R1.fastq.gz cat ${projPath}/data/${histName}/*_R2_ *.fastq.gz >${projPath}/fastq/${histName}_R2.fastq.gz
54210编辑于 2025-03-06 - 来自专栏算法channel
玩转Pandas，让数据处理更easy系列2
正是通过这两个强大的数据结构和基于它们建立的各种操作，才使得Pandas称霸数据处理领域工具库，关于这篇请参考： 玩转Pandas，让数据处理更easy系列1 02 DataFrame结构剖析 因为DataFrame 接下来，创建一个pd_data，分别作如下操作： #创建pd_data，values是二维list，index默认(0,1,2,...) ，columns: ['A','B','C'] pd_data = pd.DataFrame([ [4, 9, 1], [3, 5, 2] ], columns = list('ABC') ) ?
90930发布于 2018-07-25 - 来自专栏算法channel
2 个数据处理的小功能，非常实用！
：A列值大于其平均值，且 B列值大于 5 的行 方法 1 df[ (df['A'] > df["A"].mean()) & (df['B'] > 5)] 注意，& 前后必须要各自加一对 () 方法 2 cr1 = df['A'] > df["A"].mean() cr2 = df['B'] > 5 df[cr1 & cr2] 方法 3 mean = df["A"].mean() df.query("
55540发布于 2020-05-08 - 来自专栏单细胞天地
数据处理基础—ggplot2了解一下
5.8 ggplot2简介 5.8.1 什么是ggplot2 ggplot2是由Hadley Wickham设计的R软件包，它有助于数据绘图。在本实验中，我们将简要介绍该软件包的一些功能。 如果您想了解更多关于如何使用ggplot2的信息，我们建议您阅读Hadley Wickham撰写的“ggplot2 Elegant graphics for data analysis”。 , seq(1, 10, 2)] + 3 test[11:20, seq(2, 10, 2)] = test[11:20, seq(2, 10, 2)] + 2 test[15:20, seq(2, 10 , 2)] = test[15:20, seq(2, 10, 2)] + 4 colnames(test) = paste("Cell", 1:10, sep = "") rownames(test) 让我们尝试将基因聚类的数量设置为2： pheatmap(test, kmeans_k = 2) ?
2.9K30发布于 2020-03-31 - 来自专栏CSDNToQQCode
Pandas数据处理2、DataFrame的drop函数具体参数使用详情
Pandas数据处理2、DataFrame的drop函数具体参数使用详情 ---- 目录 Pandas数据处理2、DataFrame的drop函数具体参数使用详情 前言 环境 基础函数的使用 drop ：python3.9 编译工具：PyCharm Community Edition 2022.3.1 Numpy版本：1.19.5 Pandas版本：1.4.4 基础函数的使用 Pandas数据处理 ——渐进式学习1、Pandas入门基础 Pandas数据处理——渐进式学习、DataFrame(函数检索-请使用Ctrl+F搜索) ---- drop函数 函数语法： drop(labels, axis : [22, np.nan, 16, np.nan, 27] } ) print(df) drop函数axis参数测试 axis=0 axis参数测试，我们使用axis=0.删除行标为【1,2,3 [22, np.nan, 16, np.nan, 27] } ) print(df) print("----drop----") # drop使用 df = df.drop([0, 1, 2]
2.4K30编辑于 2023-02-17 PBMM2，新一代PacBio数据处理工具
在生物信息学领域，PBMM2是一个创新的工具，它提供了一种高效的PacBio数据对齐和处理解决方案。 项目简介PBMM2是minimap2的封装，专为PacBio数据设计。其目标是简化工作流程，通过内建的参数集、即时排序功能以及后处理，实现最佳的序列对齐。 作为一个官方推荐的BLASR替代品，PBMM2在序列识别度、映射基序数量以及运行时间方面表现出色。技术分析PBMM2基于minimap2的C API，提供了针对PacBio数据的原生输入和输出支持。 应用场景PBMM2适用于一系列生物信息学应用，包括但不限于：高通量测序数据的精确对齐。基因组组装后的错误修正（抛光）。长读长转录本组装和注释。基于PacBio数据的变异检测和结构变异分析。 要开始使用PBMM2，只需按照提供的示例进行操作。无论您是新手还是经验丰富的生物信息学家，PBMM2都能帮助您更高效地处理PacBio数据，从而推进您的科学研究。
61310编辑于 2025-01-13- 来自专栏生信小驿站
数据处理第2节：将列转换为正确的形状
数据集 根据之前的博客文章，当你有很多专栏时，为了方便人们复制粘贴代码和实验，我使用的是ggplot2内置数据集 library(tidyverse) glimpse(msleep) ## Observations dbl> <dbl> ## 1 Cheetah 12.1 1.70 10.2 ## 2 <dbl> <dbl> ## 1 African elephant 5.71 NA ## 2 Asian elephant 4.60 NA ## 3 ## # A tibble: 4 x 2 ## conservation2 n ## <chr> <int> ## 1 Endangered 4 ## ## # A tibble: 4 x 2 ## conservation2 n ## <ord> <int> ## 1 Endangered 4 ##
10.7K30发布于 2018-09-29 - 来自专栏生信喵实验柴
数据处理
Python 相似的操作 1、获取工作目录 Linux: pwd (print word directory) R:getwd()函数，获取工作目录 python：import os;os.getcwd() 2、
2.2K10编辑于 2022-10-25 - 来自专栏往期博文
【数据挖掘】任务2：医学数据库MIMIC-III数据处理
要求，按照采集时间的前后顺序，汇总每个病人每次住院期间的所有的pO2, pCO2指标值。涉及到的预处理方法包括插值，去噪，缺失值填充，离群点数据处理，可视化等。 = pd.DataFrame() a2["PO2"] = po2["VALUENUM"] a2["PCO2"] = pco2["VALUENUM"] a2["SUBJECT_ID"] = po2["SUBJECT_ID "] a2["HADM_ID1"] = po2["HADM_ID"] a2['采集时间'] = a2.index # 重置索引 a2.reset_index() # 根据采集时间从早到晚进行排序 a2. ipl['PCO2'] plo2['PCO2去噪后'] = dno1['PCO2'] plo2.plot.hist(alpha=0.9) 对CHARTEVENTS表格中PO2和PCO2数据进行去噪 dno2 columns 对PO2和PCO2去噪结果进行可视化展示 # PO2去噪前后可视化 plo3 = pd.DataFrame() plo3['PO2去噪前'] = ipl2['PO2'] plo3['PO2
2.7K20编辑于 2022-09-01 - 来自专栏pandas
Pandas高级数据处理：实时数据处理
引言在当今的数据驱动时代，实时数据处理变得越来越重要。无论是金融交易、社交媒体分析还是物联网设备监控，都需要对海量数据进行快速而准确的处理。 Pandas作为Python中最为流行的数据处理库之一，提供了强大的工具来处理结构化数据。本文将从基础到高级，逐步介绍如何使用Pandas进行实时数据处理，并解决常见的问题和报错。 30, 35], 'City': ['New York', 'Los Angeles', 'Chicago']}df = pd.DataFrame(data)print(df)二、实时数据处理的基础实时数据处理通常涉及到从多个来源获取数据 chunksize=1000): process(chunk)# 选择性加载df_selected = pd.read_csv('data.csv', usecols=['col1', 'col2' 希望本文能够为读者提供有价值的参考，在实际工作中更好地运用Pandas进行数据处理。
2.9K10编辑于 2025-02-06
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号