- 综合排序
- 最热优先
- 最新优先
- 来自专栏黑客技术家园
LAC和CellID进行手机定位
operator.substring(0, 3)); mnc = Integer.parseInt(operator.substring(3)); } StringBuffer cellinfo =""; mytime = String.format("%d%02d%02d %02d:%02d:%02d",year,month,day,hour,minute,second); cellinfo.append (mytime).append(","); //NetworkType int type = mTelephonyManager.getNetworkType(); cellinfo.append (bid +","); }else{ sb.append("can not get the CDMA CellLocation"); cellinfo.append ; } String result = new String(cellinfo); return result; } 每一分钟采集一次，并将统计的信息按【采样时间，网络类型、移动国家码
8.6K30发布于 2021-04-02 - 来自专栏全栈程序员必看
Android telephony_android获取真实时间
List<CellInfo> allCellInfo = tm.getAllCellInfo(); //集合返回的第一个数据，allCellInfo.get(0)就是当前小区的数据 String ss = allCellInfo.toString(); for(CellInfo cellInfo : allCellInfo){ if(cellInfo instanceof CellInfoGsm) { CellInfoGsm infoGsm = (CellInfoGsm) cellInfo; CellIdentityGsm instanceof CellInfoLte){ CellInfoLte cellInfoLte = (CellInfoLte) cellInfo; instanceof CellInfoNr){ CellInfoNr cellInfoNr = (CellInfoNr) cellInfo;
97220编辑于 2022-09-27 - 来自专栏单细胞
通用代码：python中的h5、h5ad文件批量转为seuart对象 通用代码：python中的h5、h5ad文件批量转为seu
scipy.stats as statsimport numpy as npcellinfo=all_data.obsgeneinfo=all_data.varmtx=all_data.X.Tcellinfo.to_csv ("cellinfo.csv")geneinfo.to_csv("geneinfo.csv")sio.mmwrite("sparse_matrix.mtx",mtx)! pwd r中代码 cellinfo=read.csv("./cellinfo.csv",row.names = "X")head(cellinfo)geneinfo=read.csv(". /cellinfo.csv",# features = "./geneinfo.csv")counts=Matrix::readMM(file = ". )library(Seurat)kidney=CreateSeuratObject(counts = counts,project = "kidney",meta.data = cellinfo)dim
2.1K00编辑于 2024-02-23 - 来自专栏生信补给站
scRNA | 和顶刊学分析，OR值展示不同分组的细胞类型差异
= cellInfo.tb, meta.cluster = cellInfo.tb$meta.cluster, = data.table(cellInfo.tb) cellInfo.tb$meta.cluster = as.character(meta.cluster) if(is.factor(loc )){ cellInfo.tb$loc = loc }else{cellInfo.tb$loc = as.factor(loc)} loc.avai.vec <- levels(cellInfo.tb [["loc"]]) count.dist <- unclass(cellInfo.tb[,table(meta.cluster,loc)])[,loc.avai.vec] freq.dist , loc = cellInfo.tbloc, 为减少报错 建议修改我们输入矩阵的名字来适配函数 。
1.6K20编辑于 2024-06-06 - 来自专栏生信补给站
和CNS学画图：OR指数比较单细胞亚群的组织偏好
= cellInfo.tb, meta.cluster = cellInfo.tb$meta.cluster, colname.patient = "patient", loc = cellInfo.tb$loc, = data.table(cellInfo.tb) cellInfo.tb$meta.cluster = as.character(meta.cluster) if(is.factor( loc)){ cellInfo.tb$loc = loc }else{cellInfo.tb$loc = as.factor(loc)} loc.avai.vec <- levels (cellInfo.tb[["loc"]]) count.dist <- unclass(cellInfo.tb[,table(meta.cluster,loc)])[,loc.avai.vec]
7.4K22编辑于 2022-11-11 - 来自专栏封碎
让自己的Android应用支持appwidget 博客分类： Android AndroidOSAccessUP
的容器 * @author chroya */ public class WidgetLayout extends ViewGroup { //存放touch的坐标 private int[] cellInfo (View child, int width, int height) { LayoutParams lp = new LayoutParams(width, height); lp.x = cellInfo [0]; lp.y = cellInfo[1]; child.setOnLongClickListener(mLongClickListener); addView(child, lp); MeasureSpec.EXACTLY, lp.height)); } } @Override public boolean dispatchTouchEvent(MotionEvent event) { cellInfo [0] = (int)event.getX(); cellInfo[1] = (int)event.getY(); return super.dispatchTouchEvent(event);
1.4K30发布于 2018-10-31 - 来自专栏单细胞
两步法搞定：Python中的h5ad文件 转为R中的seurat对象
/fibroblast.h5ad")cellinfo=all_data.obsgeneinfo=all_data.varmtx=all_data.X.Tcellinfo.to_csv("cellinfo.csv pwd 第二步，在R中读取导出的数据，并创建seurat对象 cellinfo=read.csv("/home/data/t040413/heart_muscle/item1_NF_DCM_HCM/fibroblast /cellinfo.csv",row.names = "X")head(cellinfo)geneinfo=read.csv("/home/data/t040413/heart_muscle/item1 /cellinfo.csv",# features = ". )library(Seurat)All.merge=CreateSeuratObject(counts = counts,project = "All.merge",meta.data = cellinfo
2.8K10编辑于 2024-03-22 - 来自专栏生信宝典
SCENIC | 从单细胞数据推断基因调控网络和细胞类型
细胞信息/表型 # cellInfo$nGene <- colSums(exprMat>0) head(cellInfo) ? cellInfo <- data.frame(cellInfo) cellTypeColumn <- "Class" colnames(cellInfo)[which(colnames(cellInfo # Modify if needed scenicOptions@inputDatasetInfo$cellInfo <- "int/cellInfo.Rds" scenicOptions@inputDatasetInfo <- cellInfo[which(rownames(cellInfo)%in% colnames(binaryRegulonActivity)),, drop=FALSE] regulonActivity_byCellType_Binarized <- sapply(split(rownames(cellInfo_binarizedCells), cellInfo_binarizedCells$CellType),
5.8K21发布于 2019-12-02 - 来自专栏生信技能树
解决SCENIC流程的多线程问题
, file="int/cellInfo.Rds") 可以看到前面的 nCores=4 参数，告诉我们的电脑，可以开启4个线程。 sce@assays$RNA@counts mat[1:4,1:4] exprMat =as.matrix(mat) dim(exprMat) exprMat[1:4,1:4] head(phe) cellInfo <- phe[,c('seurat_clusters','nCount_RNA' ,'nFeature_RNA' )] colnames(cellInfo)=c('CellType', 'nGene ' ,'nUMI') head(cellInfo) table(cellInfo$CellType) ### Initialize settings library(SCENIC) db='cisTarget_databases , file="int/cellInfo.Rds") ### Co-expression network genesKept <- geneFiltering(exprMat, scenicOptions
2.8K20发布于 2021-02-03 - 来自专栏生信菜鸟团
R tips：SCENIC的分析调试
"sc.RData") # expr exprMat <- as.matrix(GetAssayData(Fibroblast, assay = "RNA", slot = "counts")) cellInfo (org="hgnc", dbDir="SCENIC_libs", dbIndexCol = "motifs", nCores=10) scenicOptions@inputDatasetInfo$cellInfo <- "int/cellInfo.Rds" ### Build and score the GRN exprMat_log <- log2(exprMat+1) saveRDS(cellInfo, file="int/cellInfo.Rds") # scenicOptions@settings$dbs <- scenicOptions@settings$dbs["10kb"] # Toy
1.4K10编辑于 2024-03-18 - 来自专栏生信技能树
一步一个坑：单细胞数据的h5ad格式转换成R可读取对象
/GSE222427/GSM6923183_MC_scRNA.h5ad") all_data all_data.var.head() cellinfo = all_data.obs cellinfo = all_data.obs geneinfo = all_data.var mtx=all_data.X # 保存 cellinfo.to_csv("cellinfo.csv") geneinfo.to_csv library(qs) library(Matrix) mtx <- readMM( "sparse_matrix.mtx" ) mtx[1:4,1:4] dim(mtx) cl <- fread( "cellinfo.csv
4.7K11编辑于 2025-02-20 - 来自专栏生信技能树
单细胞转录因子分析之SCENIC流程
<- get_cell_annotation(loom) close_loom(loom) dim(exprMat) exprMat[1:4,1:4] head(cellInfo) table(cellInfo <- "int/cellInfo.Rds" saveRDS(scenicOptions, file="int/scenicOptions.Rds") 需要注意的是，nCores=10 在部分电脑上面不适用哦 实战（以Seurat的pbmc3K数据集为例） 下面的代码复制粘贴即可运行，超级简单，如果是你自己的数据，你只需同样的模式做出来 exprMat 表达矩阵，和cellInfo的临床表型，就可以走这个SCENIC <- pbmc3k@meta.data[,c(4,2,3)] colnames(cellInfo)=c('CellType', 'nGene' ,'nUMI') head(cellInfo) table (cellInfo$CellType) ### Initialize settings library(SCENIC) # 保证cisTarget_databases 文件夹下面有下载好2个1G的文件
10.5K63发布于 2021-01-06 - 来自专栏单细胞天地
单细胞转录组高级分析二：转录调控网络分析
<- data.frame(scRNA@meta.data) colnames(cellInfo)[which(colnames(cellInfo)=="orig.ident")] <- "sample " colnames(cellInfo)[which(colnames(cellInfo)=="seurat_clusters")] <- "cluster" colnames(cellInfo)[which (colnames(cellInfo)=="celltype_Monaco")] <- "celltype" cellInfo <- cellInfo[,c("sample","cluster","celltype ")] saveRDS(cellInfo, file="int/cellInfo.Rds") ##准备表达矩阵 #为了节省计算资源，随机抽取1000个细胞的数据子集 subcell <- sample( 用山脊图和小提琴图展示CEBPB调控网络的AUC值 pheatmap可视化SCENIC结果 library(pheatmap) cellInfo <- readRDS("int/cellInfo.Rds
19.3K57发布于 2020-09-04 - 来自专栏生信技能树
在R编程环节有所限制未必不是好事
/fdff1375-aafc-48ef-b5b1-b1ff8466d92c.h5ad") cellinfo=all_data.obs geneinfo=all_data.var #mtx=all_data.X.T raw_data = all_data.raw.X mtx = raw_data.T cellinfo.to_csv("cellinfo.csv") geneinfo.to_csv("geneinfo.csv 关于上面的代码得到的单细胞表达量矩阵，有一个问题： ls -lh inputs/ total 55G -rw-rw-r-- 1 t180559 t180559 537M 11月 9 23:44 cellinfo.csv
26410编辑于 2024-11-21 - 来自专栏Java编程指南
使用java进行excel读取和写入
返回该页的总列数 for (int j = 0; j < sheet.getColumns(); j++) { String cellinfo = sheet.getCell(j, i).getContents(); if(cellinfo.isEmpty()){ continue; } innerList.add(cellinfo); System.out.print(cellinfo); } outerList.add(i, innerList);
11.2K10发布于 2019-08-02 - 来自专栏生信技能树
数据分析思维之分而治之
为每个子集导出数据 def export_subset(subset, subset_name): # 导出细胞信息 subset.obs.to_csv(f"{subset_name}_cellinfo.csv 之前没有拆分的时候得到的单细胞表达量矩阵会肉眼看起来就很多： ls -lh inputs/ total 55G -rw-rw-r-- 1 t180559 t180559 537M 11月 9 23:44 cellinfo.csv sparse_matrix.mtx 现在拆分成为了两个： $ ls -lh subset* -rw-rw-r-- 1 t180559 t180559 332M 11月 10 18:00 subset1_cellinfo.csv 34G 11月 10 18:30 subset1_sparse_matrix.mtx -rw-rw-r-- 1 t180559 t180559 205M 11月 10 18:31 subset2_cellinfo.csv
33010编辑于 2024-11-21 - 来自专栏爱打音游的大A
安卓虚拟定位
NetworkInfo.isAvailable.implementation = function(){ console.log("isAvailable") return true } var CellInfo = Java.use("android.telephony.CellInfo") CellInfo.isRegistered.implementation = function(){
3.5K30编辑于 2023-02-14 - 来自专栏生信技能树
扎克伯格背刺基于R语言的Seurat单细胞生态
/integrated_lymphoid_organ_scrna.h5ad") cellinfo=all_data.obs geneinfo=all_data.var mtx=all_data.X.T cellinfo.to_csv("cellinfo.csv") geneinfo.to_csv("geneinfo.csv") sio.mmwrite("sparse_matrix.mtx",mtx) scRNA-seq/lessons/readMM_loadData.html # mtx=readMM( "inputs/sparse_matrix.mtx.gz" ) cl=fread( "inputs/cellinfo.csv.gz
62900编辑于 2024-11-21 - 来自专栏老欧说安卓
Android开发笔记（四十六）手机相关事件
android.telephony.CellIdentityLte; import android.telephony.CellIdentityWcdma; import android.telephony.CellInfo @TargetApi(Build.VERSION_CODES.JELLY_BEAN_MR1) @Override public void onCellInfoChanged(List<CellInfo @TargetApi(Build.VERSION_CODES.JELLY_BEAN_MR1) private void refreshStation(List<CellInfo> cellList) false; mStation = ""; mCellType = Utils.TYPE_LTE; for (int i=0; i<cellList.size(); i++) { CellInfo )); } @TargetApi(Build.VERSION_CODES.JELLY_BEAN_MR1) private void initHigherStation() { List<CellInfo
2.5K30发布于 2019-01-18 - 来自专栏灵儿的笔记
java读取excel文件单元格英文出现乱码问题的解决方法
返回该页的总列数 for (int j = 0; j < sheet.getColumns(); j++) { String cellinfo = sheet.getCell(j, i).getContents(); System.out.println(cellinfo);
1.9K20发布于 2020-06-24
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