- 综合排序
- 最热优先
- 最新优先
- 来自专栏mysql
hhdb数据库介绍(9-5)
计算节点支持mysqlbinlog命令，mysqlbinlog命令能够解析binlog文件用于同步增量数据，从而减少了将单机数据迁移至计算节点时的停机时间。使用mysqlbinlog连接远程实例获取binlog文件并解析出其中的SQL语句，然后交由计算节点执行，从而将某个数据库的增量数据导入到计算节点某个逻辑库下。首先，登入到管理端口（默认端口为3325），执行dbremapping命令添加数据库映射关系，关于dbremapping命令用法，请参考计算节点管理命令文档。
24310编辑于 2025-03-26 - 来自专栏AI机器学习与深度学习算法
机器学习入门 9-5 决策边界
本系列是《玩转机器学习教程》一个整理的视频笔记。本小节介绍对于分类问题非常重要的决策边界，先对逻辑回归求出决策边界的函数表达式并绘制，但是对于像kNN这种不能求出决策边界表达式的可以通过预测样本特征平面中区间范围内的所有样本点来绘制决策边界。最后通过调整kNN算法的k值，了解模型的复杂与简单对应的决策边界不同。
3K20发布于 2020-02-26 - 来自专栏IT技术圈（CSDN）
浙大版《C语言程序设计（第3版）》题目集 习题9-5 通讯录排序
习题9-5 通讯录排序 输入n个朋友的信息，包括姓名、生日、电话号码，本题要求编写程序，按照年龄从大到小的顺序依次输出通讯录。题目保证所有人的生日均不相同。
1.2K30发布于 2020-09-15 - 来自专栏数据科学（冷冻工厂）
Signac R｜如何合并多个 Seurat 对象 (2)
pbmc500_assay <- CreateChromatinAssay(pbmc500.counts, fragments = frags.500) pbmc500 <- CreateSeuratObject meta.data=md.500) pbmc1k_assay <- CreateChromatinAssay(pbmc1k.counts, fragments = frags.1k) pbmc1k <- CreateSeuratObject meta.data=md.1k) pbmc5k_assay <- CreateChromatinAssay(pbmc5k.counts, fragments = frags.5k) pbmc5k <- CreateSeuratObject meta.data=md.5k) pbmc10k_assay <- CreateChromatinAssay(pbmc10k.counts, fragments = frags.10k) pbmc10k <- CreateSeuratObject assay <- CreateChromatinAssay(counts = counts.500, sep = c(":", "-"), min.features = 500) pbmc500 <- CreateSeuratObject
79410编辑于 2024-12-30 - 来自专栏生信补给站
scRNA挖掘 |只有矩阵如何构建单细胞对象？meta信息如何利用？
1.2 创建seurat对象 依然使用CreateSeuratObject 函数，此处count 为读取的矩阵文件。 sce0 <- CreateSeuratObject(counts = data) sce0 head(sce0@meta.data) An object of class Seurat 19790 1，CreateSeuratObject中的meta.data参数 CreateSeuratObject函数除了简单的过滤条件外 ，还有一个重要的meta.data参数，可以输入提供的meta信息。 检索之后https://github.com/satijalab/seurat/issues/2715 发现 ，是因为CreateSeuratObject要求meta文件中rownames是count文件的 CreateSeuratObject函数的帮助文档中也很明确的提到了该点要求。 发现问题后，只需要将meta文件的cellid列转为rownames即可。
1.8K30编辑于 2023-08-25 - 来自专栏单细胞天地
如何读取单细胞数据
Read10X(data.dir = paste(dataset_loc, ids[1],"filtered_feature_bc_matrix", sep="/")) seurat_obj <- CreateSeuratObject Read10X_h5(file.path(dataset_loc, ids[1], "filtered_feature_bc_matrix.h5"), use.names = T) seurat_obj <- CreateSeuratObject row names as the gene IDs rownames(counts) <- gene_ids colnames(counts) <- cell_ids seurat_obj <- CreateSeuratObject 1L),sep="_") d10x }) seurat_merge <- do.call("cbind", d10x.data) # for "dgCMatrix" seurat_data <- CreateSeuratObject Read10X(data.dir = paste(dataset_loc, file,"filtered_feature_bc_matrix", sep="/")) seurat_obj <- CreateSeuratObject
5.9K35发布于 2020-06-23 - 来自专栏Coding迪斯尼
用go做个编译器:语法解析树及其实现
对于算术表达式9-5+2, 由于我们会首先使用list -> list + digit 来进行解析，因此 9-5对应一个list，2对应digit, 因此最终解析完成后，所形成的解析树如下： 使用生产式来定义语法是一件困难的事情 list+list进行解析，一种是使用list->list-list进行解析，如果是后者，那么我们会生成的语法树如下： 这里我们看到两个语法表达式都对应表达式”9-5+2”，但是第一个语法树执行的操作是(9- 对于算术表达式1+2，对应的算术表达式就是1 2 +, 对于表达式(3+4)，对应的后项表达式就是3 4 + , 我们看一个复杂一点的，(9-5)+2 ,首先我们计算(9-5)的后项表达式，也就是9 5
1.8K50编辑于 2022-03-28 - 来自专栏小汪Waud
Seurat对象的构建和信息提取
dgCMatrix" # attr(,"package") # [1] "Matrix" # 构建 Seurat 对象 # 初步过滤一般不需要修改参数，除非数据实在太难看 Seurat_object <- CreateSeuratObject ScRNAdata <- Read10X_h5(filename = "GSM3489182_Donor_01_raw_gene_bc_matrices_h5.h5") Seurat_object <- CreateSeuratObject read.table( "data/GSM2829942/GSM2829942_HE6W_LA.TPM.txt", row.names = 1, header = T) Seurat_object <- CreateSeuratObject CreateSeuratObject( counts, project = "CreateSeuratObject", assay = "RNA", names.field = 1,
3.2K33编辑于 2023-02-16 - 来自专栏机器学习与自然语言处理
Stanford机器学习笔记-9. 聚类(Clustering)
如图9-5的(1)所示。 但是，通常这条曲线是渐变的，没有很显然的"肘部"。如图9-5的(2)所示。 ? 图9-5 代价J关于簇数K的曲线图 注意：随着K的增加J应该总是减少的，否则，一种出错情况可能是K均值陷入了一个糟糕的局部最优。 一些其他的方法参见wikipedia。
1.5K110发布于 2018-03-13 - 来自专栏生信技能树
创建Seurat对象时忽略的两个参数竟然有这样的功能？
这两天分析一个单细胞数据发现一个奇怪的问题，就是创建 seurat 对象的时候，我明明设置了参数 CreateSeuratObject 函数的project 参数，但是最后merge 不同的样本后发现 > gsub(".txt","", pro) [1] "IRI1d_1" CreateSeuratObject 这个函数做了什么？ 赶紧查看 CreateSeuratObject 的帮助文档： Create a Seurat object Description Create a Seurat object from raw data = NULL, project = "CreateSeuratObject", ... ) Arguments counts Either a matrix-like object with # 创建Seurat对象 sce <- CreateSeuratObject(counts = counts, min.cells=3, project = gsub(".txt","", pro),
67110编辑于 2025-03-14 - 来自专栏生信菜鸟团
【文献荐读】骨髓单细胞测序：一码通
MACS <- CreateSeuratObject(counts = MACS, project = "H14_MACS", min.cells = 3, min.features = 100) MACS H21 <- CreateSeuratObject(counts = H21, project = "H21", min.cells = 3, min.features = 100) H21 H23 <- CreateSeuratObject(counts = H23, project = "H23", min.cells = 3, min.features = 100) H23 H24 <- CreateSeuratObject = H32, project = "H32", min.cells = 3, min.features = 100) H32 H33 <- CreateSeuratObject(counts = H33 = 3, min.features = 100) H36 H38 <- CreateSeuratObject(counts = H38, project = "H38", min.cells = 3,
92811编辑于 2024-07-10 - 来自专栏全栈程序员必看
体验vSphere 6之7-为虚拟机启用容错
图9-4 为辅助虚拟机选择主机 （5）在”即将完成”对话框，显示辅助虚拟机详细信息，这包括辅助虚拟机所在主机、配置文件位置、硬盘位置等，如图9-5所示。 图9-5 完成 （6）返回到vSphere Web Client管理控制台，在”近期任务”中会显示为虚拟机打开容错的配置信息，如图9-6所示。
1.5K40编辑于 2021-12-23 - 来自专栏生信菜鸟团
V5版seurat读取不同格式单细胞数据
如果是单个样品，直接读取进来然后创建seurat对象即可：初试Seurat的V5版本 主要区别在于，V4版本中一般是循环读取样品，使用CreateSeuratObject创建seurat对象，然后使用merge 那我们可以先把多个样品合并成为了一个超级大的表达量矩阵，并使其行名为基因名，列名为barcodes信息，后面直接针对它来使用CreateSeuratObject函数去构建Seurat对象，就是完美的下游分析的输入数据啦 GSE212975/',samples) names(dir) <- samples #读取数据创建Seurat对象 counts <- Read10X(data.dir = dir) sce.all = CreateSeuratObject sceList[[i]])<-paste0(samples[i],"_",col) } #数据整合后创建seurat对象 merge <- do.call(cbind,sceList) sce =CreateSeuratObject F,data.table = F ) head(rl) #整合矩阵信息 colnames(mtx)=cl$V1 rownames(mtx)=rl$V1 #创建seurat对象 sce.all=CreateSeuratObject
6.4K24编辑于 2024-01-06 0单细胞单样本读取方法
，tsv/txt，h5ad格式10x格式的读取展开代码语言：TXTAI代码解释library(Seurat)ct=Read10X(data.dir="GSE145154_RAW/")seu.obj<-CreateSeuratObject install.packages("hdf5r")ct<-Read10X_h5("GSE200874_RAW/GSM6045826_wt_filtered_gene_bc_matrices_h5_2.h5")seu.obj<-CreateSeuratObject row.names=1#是将第一列设置为行名的意思ct<-read.csv("GSE130148_raw_counts.csv.gz",row.names=1)class(ct)seu.obj<-CreateSeuratObject
13610编辑于 2026-01-14- 来自专栏小汪Waud
多个单细胞样本数据的循环读取
library("Seurat") scrna_data_ctrl <- Read10X("data/GSE96583/ctrl/") ctrl <- CreateSeuratObject( counts , min.cells = 3, min.features = 200) scrna_data_stim <- Read10X("data/GSE96583/stim/") stim <- CreateSeuratObject sample_list){ filedir = str_c("data/GSE96583/",sample) scrna_data <- Read10X(filedir) Seurat_object <- CreateSeuratObject str_c("data/GSE96583/",sample) # 数据的读取 scrna_data <- Read10X(filedir) # 对象的构建 Seurat_object <- CreateSeuratObject
2.7K10编辑于 2023-02-16 - 来自专栏数据结构与算法
BZOJ1096: [ZJOI2007]仓库建设(dp+斜率优化)
Sample Input 3 0 5 10 5 3 100 9 6 10 Sample Output 32 HINT 在工厂1和工厂3建立仓库，建立费用为10+10=20，运输费用为(9-5)*3 如果仅在工厂3建立仓库，建立费用为10，运输费用为(9-0)*5+(9-5)*3=57，总费用67，不如前者优。 【数据规模】 对于100%的数据， N ≤1000000。
1.1K50发布于 2018-04-13 - 来自专栏生物信息云
单细胞专题 | 6.单细胞下游分析——不同类型的数据读入
使用CreateSeuratObject生成Seurat对象，后续分析都是在该对象上进行操作。 rownames(x = raw.data), value = FALSE) raw.data <- raw.data[-ercc.index,] dim(raw.data) 有了表达矩阵，直接使用 CreateSeuratObject 然后慢慢添加这个表达矩阵的一些其它外部属性，全部代码如下： # Create the Seurat object with all the data (unfiltered) main_tiss <- CreateSeuratObject # lapply是对列表或向量进行循环，而apply是对数据框或矩阵操作) library(Seurat) sceList <- lapply(folders,function(folder){ CreateSeuratObject ##### # 读取单个 sce <- Read10X_h5(filename = "GSM4107899_LH16.3814_raw_gene_bc_matrices_h5.h5") sce <- CreateSeuratObject
4.6K41编辑于 2022-12-16 - 来自专栏单细胞生信分析
单细胞实战(1)数据下载-数据读取-seurat对象创建
读取h5格式的文件（使用Read10X_h5函数读取h5格式的单细胞数据文件） seurat_data <- Read10X_h5(file = h5_file) # 创建Seurat对象（使用CreateSeuratObject /data/GSE130148/GSE130148_raw_counts.csv.gz"), row.names = 1) # 使用CreateSeuratObject()函数创建Seurat对象，并在此处指定项目名称 seurat_obj <- CreateSeuratObject(counts = seurat_data, min.features /data/GSE130xxx/xxxx.txt.gz"), row.names = 1, header = TRUE, sep = "\t") # 使用CreateSeuratObject()函数创建 Seurat对象，并在此处指定项目名称 seurat_obj <- CreateSeuratObject(counts = seurat_data,
6.4K33编辑于 2023-08-26 - 来自专栏生信技能树
如何整合多个单细胞数据集
tmp = Read10X(file.path(dir,pro )) if(length(tmp)==2){ ct = tmp[[1]] }else{ct = tmp} sce =CreateSeuratObject sce.all_int.rds') GSE152938$study = 'GSE152938' table(GSE152938$orig.ident) sceList = list( GSE131685 = CreateSeuratObject ( counts = GSE131685@assays$RNA$counts ), GSE152938 = CreateSeuratObject( counts = GSE152938
68311编辑于 2024-11-21 - 来自专栏生信菜鸟团
单细胞测序并不一定需要去除批次效应
included # min.features = 200, only cells with at least 200 genes detected will be included pfc2 <- CreateSeuratObject (counts = pfc2.data, project = "pfc-demo", min.cells = 3, min.features = 200) pfc3 <- CreateSeuratObject (counts = pfc3.data, project = "pfc-demo", min.cells = 3, min.features = 200) pfc5 <- CreateSeuratObject (counts = pfc5.data, project = "pfc-demo", min.cells = 3, min.features = 200) pfc7 <- CreateSeuratObject ~ 3 .不死心的话，我们不使用SCTtransform，也不去除批次效应，只使用seurat标准流程试试 3#3 标准流程----- head(subset_data@meta.data) All=CreateSeuratObject
2.3K10编辑于 2023-12-06
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