- 综合排序
- 最热优先
- 最新优先
10X HD数据分析进行COMMOT信号流分析
作者， Evil Genius今天我们更新一个简单的内容，10X HD分析COMMOT。 读取数据，我们读取16um的数据import commot as ctimport scanpy as scimport pandas as pdimport numpy as npadata = sc.read_visium var: 'gene_ids', 'feature_types', 'genome' uns: 'spatial' obsm: 'spatial'超过13万的spot，1万8的基因数量简单的数据分析 , adata.var.highly_variable]sc.tl.pca(adata, svd_solver='arpack')sc.pp.neighbors(adata, n_neighbors=10 sc.pl.spatial(adata,color = 'leiden')plt.savefig('sample.HD.spatial.png',bbox_inches = 'tight')配受体，我们就跑前10
29420编辑于 2025-03-06- 来自专栏数据的力量
数据分析师必需具备的10种分析思维
该思维方法的关键是：建立长远目标、全局观念、整体概念、完整地分析数据，不做井底之蛙。 三、下切思维 数据是一个过程的结果反映，怎样通过看数据找到更多的原因以及隐藏在现象背后的真相，需要我们下切思维，把事物切细了分析，把过程拆分细了分析。 此时关键是要知道数据的构成、分解数据的手段、对分解后的数据的重要程度的了解。也就是说那些数据需要分解分析？ 这也如同显微镜原理 四、求同思维 当一堆数据摆在我们面前时，表现出各异的形态，然而我们却要在种种的表象背后，找出其有共同规律的特点。关键是找到共性的东西进行分析，还要客观。 八、离开思维 通过，数据分析，你发现你处在一个不太有利的地位，那么，此时，你就要有离开思维去替你想办法，离开困境。关键是学会自我调节，自我放松。实际情况如：遇到难解的结，你怎么办？
1.1K30发布于 2018-06-20 - 来自专栏PPV课数据科学社区
数据分析师必需具备的10种分析思维
该思维方法的关键是：建立长远目标、全局观念、整体概念、完整地分析数据，不做井底之蛙。 三、下切思维 数据是一个过程的结果反映，怎样通过看数据找到更多的原因以及隐藏在现象背后的真相，需要我们下切思维，把事物切细了分析，把过程拆分细了分析。 此时 关键是要知道数据的构成、分解数据的手段、对分解后的数据的重要程度的了解。也就是说那些数据需要分解分析？ 这也如同 显微镜原理 四、求同思维 当一堆数据摆在我们面前时，表现出各异的形态，然而我们却要在种种的表象背后，找出其有共同规律的特点。 关键是找到共性的东西进行分析，还要客观。 八、离开思维 通过，数据分析，你发现你处在一个不太有利的地位，那么，此时，你就要有离开思维去替你想办法，离开困境 。 关键是学会自我调节，自我放松。 实际情况如：遇到难解的结，你怎么办？
97970发布于 2018-04-20 课前准备----10X HD数据基础分析
作者，Evil Genius现在我们的课程来到HD的分析阶段了。 重要的放前面，为了提高下游分析的灵敏度和精度，建议使用SpotClean调整spot swapping，这有助于减少由于附近点的bleed导致的点交换污染，从而提高分析的准确性。 10X HD默认输出8um、16um bin数据，如果需要调整，比如调整到20 um的精度，需要用到参数visium的捕获策略。HD的捕获策略大家能找到其中所有的不同吗？ Space Ranger分析HD数据的前准备，图像校准选择Visium HD Manual Alignment上传图片（注意这是cytoassist生成的图片，非常大）选择芯片信息确定锚点识别核心的三个锚点调整基准点 非常大）For H&E images, as in this case, select brightfield.标记landmarks确保准确度通常情况需要设置5-8个标记评估匹配度输出比对文件结束进行数据分析输入文件
40220编辑于 2024-08-14- 来自专栏CDA数据分析师
【干货】数据挖掘的10大分析方法
其缺点是：在构造树的过程中，需要对数据集进行多次的顺序扫描和排序，因而导致算法的低效。 它是一种监督式学习的方法，它广泛的应用于统计分类以及回归分析中。支持向量机将向量映射到一个更高维的空间里，在这个空间里建立有一个最大间隔超平面。在分开数据的超平面的两边建有两个互相平行的超平面。 将修改过权值的新数据集送给下层分类器进行训练，最后将每次训练得到的分类器最后融合起来，作为最后的决策分类器。 10.CART:分类与回归树 CART,ClassificationandRegressionTrees。在分类树下面有两个关键的思想。 第一个是关于递归地划分自变量空间的想法；第二个想法是用验证数据进行剪枝。
2K80发布于 2018-02-11 - 来自专栏嵌入式音视频
【AI】数据分析-数据可视化模块
NumPy(Numerical Python) 是科学计算基础库，提供大量科学计算相关功能，比如数据统计，随机数生成等。 Numpy 是 Python 语言在科学计算领域取得成功的关键之一，如果想通过 Python 语言学习数据科学、人工智能（包括深度学习、语言处理等分支），就必须学习 Numpy。 pip 命令安装Numpy，语法格式如下： pip install numpy ---- 【示例1】 测试 numpy 模块安装是否成功 import numpy as np a=np.arange(10 as np x=np.arange(0,6,dtype=int) print(x) 执行结果如图 ---- 【示例 7】arange()函数指定起始值、终止值及步长 x=np.arange(10,20,2 print(x) 执行结果如图 ---- 【示例8】arange()函数创建二维数组 b=np.array([np.arange(1,4),np.arange(4,7),np.arange(7,10
96320编辑于 2023-03-16 - 来自专栏林德熙的博客
win10 UWP 九幽数据分析
九幽数据统计是统计和分析数据来源，用户使用，先申请账号 http://www.windows.sc 创建应用 图片要72*72的，然后请看图片，记密钥 在项目Nuget进行搜索，然后下载安装 在App.xaml.cs
62730发布于 2019-03-13 - 来自专栏张俊红
10周拿下数据分析师认证 ！！
真诚的向大家推荐，《腾讯课堂数据分析师认证课程》，该课程也是腾讯课堂指定认证课程。专为在校学生、0~3年职场新人量身定制，真正体系化、专业化帮大家提升数据分析能力，成为大厂抢手的数据分析人才。 10种商业模型 面对不同的场景，应用不同分析模型解决问题 5W2H分析模型、AARRR分析模型、RFM客户价值模型、A/B 测试模型、用户分成模型、SWOT分析模型、购物篮分析模型、波士顿矩阵分析、生命周期模型 》 专注于培养行业TOP10%的数据分析师 长按识别，添加课程老师微信 报名、课程咨询 《数据分析师认证课程》 专注于培养行业TOP10%的数据分析师 长按识别，添加课程老师微信 报名、课程咨询 终生学习辅导 主课程《10周成为数据分析师》，另外还附赠数据分析师高阶录播课程，覆盖0-8年数据分析师必备专业技能。 》 专注于培养行业TOP10%的数据分析师 长按识别，添加老师微信 报名、课程咨询
87040编辑于 2022-04-21 - 来自专栏Dance with GenAI
AI数据分析：集中度分析和离散度分析
在deepseek中输入提示词： 你是一个Python编程专家，要完成一个Python脚本编写的任务，具体步骤如下： 读取Excel表格："F:\AI自媒体内容\AI行业数据分析\toolify月榜\toolify2023 2列第21行-31行； 然后按照上面的计算步骤一直计算到第15列第21行-31行； 计算第2列第1行（设为数据起点）到第15列第1行（设为数据终点）数据组的简单年均增长率，写入第16列第1行，然后计算第 2行，第3行数据，一直计算到第20行； 计算第2列第1行（设为数据起点）到第15列第1行（设为数据终点）数据组的复合年均增长率，然后计算第2行，第3行数据，一直计算到第20行； 注意：每一步都输出信息到屏幕 但是代码要整合在一起 计算复合年均增长率的时候，年数n是固定值:13 源代码： import pandas as pd import numpy as np # 读取Excel文件 file_path = "F:\\AI 自媒体内容\\AI行业数据分析\\toolify月榜\\toolify2023年-2024年月排行榜汇总数据.xlsx" df = pd.read_excel(file_path) # 计算第2列到第15
35710编辑于 2024-06-24 - 来自专栏山行AI
PandasAI——让AI做数据分析
前言 PandasAI是一款数据分析领域的ChatGPT应用，本文对原项目进行翻译旨在进行知识科普和梳理。 这个项目的github地址为：https://github.com/gventuri/pandas-ai PandasAI Pandas AI 是一个 Python 库，它为 Pandas（一款流行的数据分析和操作工具 还可以看一下另一个有用的链接[10]。 PandasAI 设计用于与 Pandas 共同使用。 隐私和安全 为了生成运行的 Python 代码，我们取 dataframe 的head，将其随机化（对敏感数据使用随机生成，对非敏感数据进行打散）并只发送head。 PandasAI对象 我们主要关注一下它的run方法： 环境变量 由于需要借助LLM（大模型）的能力进行分析结果生成，这里需要设置LLM的API key。
2.3K40编辑于 2023-06-14 - 来自专栏Dance with GenAI
AI数据分析：根据Excel表格数据进行时间序列分析
ChatGPT中输入提示词： 你是一个Python编程专家，要完成一个Python脚本编写的任务，具体步骤如下： 读取Excel表格："F:\AI自媒体内容\AI行业数据分析\toolify月榜\toolify2023 自媒体内容\AI行业数据分析”，图片标题为：2023年Top20 AI应用近一年的发展趋势； 显示图片； 注意：每一步都输出信息到屏幕 源代码： import pandas as pd import matplotlib.pyplot 自媒体内容\AI行业数据分析\toolify月榜\toolify2023年-2024年月排行榜汇总数据.xlsx' try: df = pd.read_excel(file_path) print("Excel ', ':', (0, (5, 10)), (0, (3, 5, 1, 5))] # 定义不同的虚线样式 # 绘制每条线 try: for i in range(len(y_data)): data_line 应用近一年的发展趋势') plt.xlabel('月份') plt.ylabel('月访问量') plt.legend() # 保存图片 output_dir = r'F:\AI自媒体内容\AI行业数据分析
58410编辑于 2024-06-24 - 来自专栏CDA数据分析师
【干货】数据分析师必懂的10种分析思维
该思维方法的关键是：建立长远目标、全局观念、整体概念、完整地分析数据，不做井底之蛙。 三、下切思维 数据是一个过程的结果反映，怎样通过看数据找到更多的原因以及隐藏在现象背后的真相，需要我们下切思维，把事物切细了分析，把过程拆分细了分析。 此时 关键是要知道数据的构成、分解数据的手段、对分解后的数据的重要程度的了解。也就是说那些数据需要分解分析？ 这也如同 显微镜原理 四、求同思维 当一堆数据摆在我们面前时，表现出各异的形态，然而我们却要在种种的表象背后，找出其有共同规律的特点。 关键是找到共性的东西进行分析，还要客观。 八、离开思维 通过数据分析，你发现你处在一个不太有利的地位，那么，此时，你就要有离开思维去替你想办法，离开困境 。 关键是学会自我调节，自我放松。 实际情况如：遇到难解的结，你怎么办？
66970发布于 2018-02-11 - 来自专栏GEE数据专栏，GEE学习专栏，GEE错误集等专栏
AI Earth数据集——中国10米地物分类数据集(AIEC)
AIEarth中国10米地物分类数据集(AIEC) 简介与Notebook示例¶ 达摩院AI Earth团队自研的中国区10m分辨率地物分类产品，数据包含2020-2022年中国逐年土地覆盖信息。 AI EarthSentinel地物分类中国年度产品 AI Earth中国10米地物分类数据集(AIEC)是一个用于地物分类的数据集。 该数据集包含了中国范围内的高分辨率遥感影像，并对影像中的地物进行分类。前言 – 人工智能教程 AIEC数据集的分辨率为10米，覆盖了中国的各个地区。 10 波段 名称 描述 最小值 最大值 Map 用地类型 1 9 土地分类 数值 类型 1 耕地 2 林地 3 草地 4 灌木 5 湿地 6 水体 7 人造地表 8 裸地 9 冰雪 数据检索 import AI Earth团队，数据版权归AI Earth所有，用户使用中请遵守AI Earth平台用户协议中相关条款。
1.8K00编辑于 2024-05-24 - 来自专栏PPV课数据科学社区
【职业】数据分析师必懂的10种分析思维
该思维方法的关键是：建立长远目标、全局观念、整体概念、完整地分析数据，不做井底之蛙。 三、下切思维 数 据是一个过程的结果反映，怎样通过看数据找到更多的原因以及隐藏在现象背后的真相，需要我们下切思维，把事物切细了分析，把过程拆分细了分析。 此时 关键是要知道数据的构成、分解数据的手段、对分解后的数据的重要程度的了解。也就是说那些数据需要分解分析？ 这也如同 显微镜原理 四、求同思维 当一堆数据摆在我们面前时，表现出各异的形态，然而我们却要在种种的表象背后，找出其有共同规律的特点。 关键是找到共性的东西进行分析，还要客观。 八、离开思维 通过数据分析，你发现你处在一个不太有利的地位，那么，此时，你就要有离开思维去替你想办法，离开困境 。 关键是学会自我调节，自我放松。 实际情况如：遇到难解的结，你怎么办？
75940发布于 2018-04-18 AI 如何让数据管理效率提升 10 倍？
从自然语言查询到智能运维，从跨域数据协作到实时决策支持，AI 正在重塑数据库的每一个细胞。本文将带你直击 2025 年最前沿的技术突破与行业实践，揭秘 AI 如何让数据管理效率提升 10 倍。 金融：从智能风控到精准定价 智能风控：某大型金融机构基于同城双活集群，通过实时分析用户行为数据，将欺诈识别准确率提升至 98%； 精准定价：某普惠金融平台采用智能数据库，数据处理时间压缩 70%，支撑百万级小微贷款的智能发放 零售：实时洞察与动态优化 供应链优化：某电商平台通过向量数据库实时分析用户浏览、购买数据，将库存周转率提升 25%，缺货率下降 15%； 个性化推荐：通过自然语言查询 “被点赞最多的商品前十名”，系统自动生成 全栈智能解决方案 领先的云数据库平台推出的Data Agent 系列，覆盖数据全生命周期： Data Agent for Analytics：用户只需描述需求，系统自动完成数据清洗、特征分析到可视化报告生成 ，效率提升 30%； 智能运维大脑：基于 10 万 + 工单经验，自动诊断 CPU、死锁等 8 类异常，实现 “问题发现 - 优化” 全链路自治。
50410编辑于 2025-08-27- 来自专栏简说基因
一键分析10X单细胞数据
今天我们来介绍一种更为简单的方法：一键处理 10X 下机数据。 STARSolo 分析 10X 基因组学的 v3 化学版本数据。 可以看到，该流程主要调用 RNA STARSolo 进行数据处理，最后将 log文件和 gene counts 文件交给 MultiQC 进行汇总。 运行流程 运行流程非常简单，这也是一键分析的含义。 只需要设置： • 参考基因组（可以是服务器内置的，也可以是自己上传的） • GTF文件（可以自行上传，或使用平台提供的） • Barcode文件（来自于10X下机数据） • cDNA文件（来自于10X下机数据 如果下机数据有多条 Lane，可以直接使用 RNA STARsolo 工具进行分析： https://usegalaxy.cn > 工具 > RNA STARSolo
35010编辑于 2025-01-08 - 来自专栏CSDNToQQCode
Python可视化数据分析10、Matplotlib库
Python可视化数据分析10、Matplotlib库 前言 博客：【红目香薰的博客_CSDN博客-计算机理论,2022年蓝桥杯,MySQL领域博主】 ✍本文由在下【红目香薰】原创，首发于CSDN ✍ 2022年最大愿望：【服务百万技术人次】 Python初始环境地址：【Python可视化数据分析01、python环境搭建】 ---- 环境需求 环境：win10 开发工具：PyCharm Community Edition 2021.2 数据库：MySQL5.6 ---- 前置环境 pip3 config set global.index-url https://repo.huaweicloud.com 散点图可以提供两类关键信息： 特征之间是否存在数值或者数量的关联趋势，关联趋势是线性的还是非线性的 如果某一个点或者某几个点偏离大多数点，则这些点就是离群值，可以进一步分析这些离群值是否在建模分析中产生很大的影响 Y = np.arange(-2, 2, 0.1) # Y坐标数据 X, Y = np.meshgrid(X, Y) # 计算3维曲面分格线坐标 # 用于计算X/Y对应的Z值 def f(x,
1.1K20编辑于 2022-11-30 - 来自专栏数据科学（冷冻工厂）
ChIP-seq 分析：数据与Peak 基因注释（10）
数据 今天，我们将继续回顾我们在上一次中研究的 Myc ChIPseq。这包括用于 MEL 和 Ch12 细胞系的 Myc ChIPseq。 可在此处[1]找到 MEL 细胞系中 Myc ChIPseq 的信息和文件 可在此处[2]找到 Ch12 细胞系中 Myc ChIPseq 的信息和文件 在数据目录中，我们按照上一节中概述的处理步骤提供了来自 基因注释 由于转录因子，如名称所示，可能调节其靶基因的转录，我们使用 ChIPseeker 包将代表潜在转录因子结合事件的峰与其重叠或最接近的 mm10 基因相关联。 library(TxDb.Mmusculus.UCSC.mm10.knownGene) library(ChIPseeker) peakAnno <- annotatePeak(macsPeaks_GR annoDb="org.Mm.eg.db") peakAnno 这使我们能够生成峰及其预测目标基因的 GRanges 或数据框。
66650编辑于 2023-03-21 - 来自专栏Python大数据分析
seaborn常用的10种数据分析图表
内置示例数据集 seaborn内置了十几个示例数据集，通过load_dataset函数可以调用。 其中包括常见的泰坦尼克、鸢尾花等经典数据集。 # 查看数据集种类 import seaborn as sns sns.get_dataset_names() import seaborn as sns # 导出鸢尾花数据集 data = sns.load_dataset sns.scatterplot import seaborn as sns sns.set() import matplotlib.pyplot as plt %matplotlib inline # 小费数据集 as sns sns.set() import matplotlib.pyplot as plt %matplotlib inline uniform_data = np.random.rand(10 inline titanic = sns.load_dataset("titanic") ax = sns.countplot(x="class", data=titanic) plt.show() 10
92461编辑于 2022-04-03 - 来自专栏Datawhale专栏
近10年学术论文的数据分析！
本文使用arXiv公开的论文数据集，聚焦2008年-2020年计算机各个方向论文数据，对其进行了数据探索性分析和可视化分析，什么是2020年最火的方向，排名前五的又是哪些呢？ 一起来看看结论和数据分析过程。 1.3 取data的子集进行处理 抽取数据的5%进行分析，否则数据量太大，处理时间太长。 (89846, 10) 1.6 存储转换后的数据，后面可以直接进行读取 data_merge.to_csv('D:/Code/Github/data/data_subset_merge.csv',index = False) 二、 数据探索性分析 2.1 查看数据的缺失信息 可以看到group_name之后的部分列，都有缺失数据 data_merge.info() 2.2 统计不同大类的论文数量
93720发布于 2021-01-20
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