- 综合排序
- 最热优先
- 最新优先
- 来自专栏菜鸟学数据分析之R语言
gcRMA算法-聚类分析图PCA图
计算样品两两之间的pearson相关系数 >dist.lower<as.dist(1pearson_cor)#得到Pearson距离的下三角矩阵 >hc<-hclust(dist.lower,"ave")#聚类分析 > plot(hc)#聚类画图 > sampleNames <- sub(pattern = "\\.CLL",replacement = "",colnames(eset))#PCA分析 > groups CLL6 progres. 22 CLL7 progres. 23 CLL8 progres. 24 CLL9 stable 从上述列表信息可知稳定组和恶化组，从聚类分析可知 通过采用两个主成分构建分类图，可以看出稳定组（矩形）和恶化组（菱形）根本不能很好分开，在主成分分析时，考虑两个组成分的代表性以及累计贡献率，若低于60%，需要采用多维尺度分析
1.4K40发布于 2020-08-06 - 来自专栏IT技术订阅
内存空间分析图
程序执行的内存分析过程 为了让初学者顺利的分析内存，更加容易的体会程序执行过程中内存的变化，加深理解。我们将 JAVA 虚拟机内存模型进行简化。 System.out.println(t2.age); System.out.println(t2.name); t2.study(); } } 运行内存空间分析图 ： 从图内存分配图可以得出如下结论： 同一类的每个对象有不同的成员变量存储空间。
75510编辑于 2022-05-10 - 来自专栏Python程序员杂谈
webpy 源码分析概览图
今天花了点时间把看了web.py的代码分析了一遍，稍稍的总结成一个图片，供有兴趣的人参考。 原因 在开始之前先来说下分析它代码的原因，昨天是打算给wechat这个项目加上异常处理，可是发现在服务器返回400错误之后，客户端获取到得responseText和我服务器端定义的不一样，我服务器端是这么返回错误的 源码分析开始 不管目的是什么，反正最后还是把关键代码通读了下，整理成下面这个图，不是很详细，但对于想分析的人来说应该会有些帮助: .. image:: http://the5fireblog.b0.upaiyun.com 顺着图再往下看 CherryPyWSGIServer 是继承自HTTPServer的。
89730发布于 2019-03-01 - 来自专栏育种数据分析之放飞自我
GWAS分析中QQ图和曼哈顿图如何看？
大家好，我是邓飞，GWAS分析应该是可视化最靓的仔了，五颜六色，形状各异，真叫人眼花缭乱，看了又看。 GWAS最直观的结果，就是曼哈顿图，看一下GWAS分析是否理想，就是看有没有点超过了阈值线，类似鲤鱼跃龙门，我们希望它有，但也不希望它太多！ QQ图和曼哈顿图是嘛意思？ GWAS分析中，会有一个结果，每个SNP的P值，可以根据这个值，以及SNP的染色体和物理位置，进行作图。 常见的图是QQ图和曼哈顿图。 所以，好的GWAS分析，有结果的QQ图，都是前期在直线上，后面上翘。有点翘的QQ图才是好的QQ图。 GWAS分析中，原理就是SNP位点和控制性状的基因存在LD状态，即SNP的分型可以代表基因的不同分型，所以，真实的显著位点应该是在基因两侧分布的，有一个上升和下降的趋势，比如这样的图： 「坏的曼哈顿图
2.7K30编辑于 2022-12-13 - 来自专栏机器之心
关于图算法 & 图分析的基础知识概览
今天内容很多，坐稳~ 目录 图算法 & 图分析 图基础知识 连通图与非连通图 未加权图与加权图 有向图与无向图 非循环图和循环图 图算法 & 图分析 图分析使用基于图的方法来分析连接的数据。 我们可以：查询图数据，使用基本统计信息，可视化地探索图、展示图，或者将图信息预处理后合并到机器学习任务中。图的查询通常用于局部数据分析，而图计算通常涉及整张图和迭代分析。 图算法是图分析的工具之一。 图算法提供了一种最有效的分析连接数据的方法，它们描述了如何处理图以发现一些定性或者定量的结论。图算法基于图论，利用节点之间的关系来推断复杂系统的结构和变化。 图分析和图算法具有广泛的应用潜力：从防止欺诈，优化呼叫路由，到预测流感的传播。
3.5K30发布于 2019-05-17 - 来自专栏程序员千羽
Java性能分析之火焰图
火焰图来了 Java性能分析火焰图是什么？ java性能分析火焰图的所做的事情就是能够分析出java程序运行期间存在的性能问题，因为某段代码拖慢整个程序执行是不允许的，因此靠火焰图的绘制和分析就可以找出类似的“问题代码段”。 那么这个图是怎么来的呢？ 首先跟大多数监控系统一样，数据采集+前端绘图，这个图也是根据某些数据绘制而成的，绘图工具本篇文章采用FlameGraph，而负责收集这些数据的工具，这里采用async-profiler，这个工具会在程序运行期间向 生成火焰图 接下来就可以慢慢进行性能分析了
1.8K20发布于 2021-01-14 - 来自专栏C/C++基础
维诺图分析与实现
1.问题描述 1.1 定义 维诺图（Voronoi Diagram）又叫泰森多边形或 Dirichlet 图，由两邻点连线的垂直平分线组成的连续多边形构成。 2.算法分析与设计 Voronoi 图有着按距离划分邻近区域的普遍特性，应用范围广。生成 V 图的方法很多，常见的有分治法、扫描线算法和Delaunay三角剖分算法。 遍历结束，所有维诺边被找到，根据边画出维诺图。 2.2 生成 Delaunay 三角网 建立Voronoi图的关键是Delaunay三角网的生成。 ; // 构造外接圆圆心以及半径 voronoi.circle_center(centerPoint, site1, site2,site3,ref radius); } } 2.4 复杂度分析 3.实验结果 随机生成点： 生成 Delaunay 三角形网： 生成 Voronoi 图： 生成 Voronoi 图的可执行程序和源码工程文件见 here。
1.3K00编辑于 2024-05-24 - 来自专栏又见苍岚
OpenCV 图像分析之 —— 积分图
积分图是一种允许子区域快速求和的数据结构，本文记录 OpenCV 图像分析中的 积分图 相关内容。 积分图 使用积分图是数字图像处理中常用的一种方法，通常能够很大程度的加速计算过程，比如均值滤波，非局部均值滤波，以及Harr计算等。 OpenCV 实现 通过 OpenCV 的cv2.integral()函数，你可以轻松地计算积分图。 OpenCV支持积分图的三种变体，分别是总和、平方求和以及倾斜求和。 times (H+1)$， float64 格式 tilted 对旋转了45度的图像进行积分 $(W+1)\times (H+1)$，int32 或 float32 float64 格式 sdepth 正常图和倾斜图的积分图输出深度 , cv2.CV_32S, cv2.CV_32F, 或 cv2.CV_64F sqdepth 平方图的积分图输出深度，cv2.CV_32F, 或 cv2.CV_64F 示例代码 map = np.ones
2.3K10编辑于 2022-08-09 - 来自专栏Python in AI-IOT
Python数据分析--雷达图
最近阅读学习了林骥老师的《数据化分析 Python 实战》,书中讲好的技能应该刻意的练习，而不是简单的重复。 林骥老师将数据可视化分析源代码分享在他的GitHub空间https://github.com/linjiwx/mp 引用林骥老师关于雷达图的使用场景： 雷达图的背景一圈一圈地像雷达，用多边形来展现数据的大小 endpoint=False) # 增加第一个 angle 到所有 angle 里，以实现闭合 angles = np.concatenate((angle, [angle[0]])) # 倒转顺序，以让雷达图顺时针显示 set_thetagrids(angles*180/np.pi, labels=label) ax2.set_thetagrids(angles*180/np.pi, labels=label) # 画雷达图，
1.7K10编辑于 2022-04-25 - 来自专栏PowerBI x Python
对比分析之【雷达图】
---- 突然浏览到上图，用雷达图来衡量一个人各方面的能力——这在体育和游戏网站上非常常见。毫无疑问，我们也可以借鉴做到Power BI的对比分析里。于是就有了下图的方案。 左侧是筛选器（金额单位、时间、行业类别、公司）+公司logo，右侧是雷达图。多维度的雷达里包含了ROA、ROE、营收等常见的财务分析指标。 由于Power BI里没有原生雷达图，需要在AppSource上搜。关键字是Radar，搜“雷达”无效。结果有三个，用法大同小异，本文用的是第二个。
1.6K10发布于 2021-08-31 - 来自专栏Python in AI-IOT
Python数据分析--子弹图
最近阅读学习了林骥老师的《数据化分析 Python 实战》,书中讲好的技能应该刻意的练习，而不是简单的重复。 林骥老师将数据可视化分析源代码分享在他的GitHub空间https://github.com/linjiwx/mp 子弹图，它的样子有点像子弹，能够表达比较丰富的信息，例如表现好、中、差的取值范围，并突出显示实际值与目标值的差异情况 image.png 林老师GitHub子弹图代码如下： # 导入所需的库 import numpy as np import matplotlib as mpl import matplotlib.pyplot ax.spines['bottom'].set_visible(False) ax.spines['left'].set_visible(False) # X 轴的刻度线朝内，调整线条的长度，让其贴近条形图 family':'SimHei', 'color':'#00589F', 'size':15} # 标示制图的作者信息 ax2.text(1, 0.2, ' 制图：林骥\n' + r'$@$' + '数据化分析
71230编辑于 2022-04-20 - 来自专栏Python in AI-IOT
Python数据分析--斜率图
最近阅读学习了林骥老师的《数据化分析 Python 实战》,书中讲好的技能应该刻意的练习，而不是简单的重复。 林骥老师将数据可视化分析源代码分享在他的GitHub空间https://github.com/linjiwx/mp 斜率图，可以快速展现两组数据之间各维度的变化，特别适合用于对比两个时间点的数据。 斜率图的优势，是能快速看到每个类别前后发生的变化，并能根据线条的陡峭程度，直观地感受到变化的幅度。 df.values fig, axes=plt.subplots(2,3,figsize=(4, 6)) fig.set_facecolor('w') axes=axes.flatten() # 画斜率图
1.3K30编辑于 2022-04-22 - 来自专栏芒果先生聊生信
差异分析，oncomine做热图
数据库做基因组学的分析（机制一）； STRING互作和GO/KEGG分析探讨可能的信号通路（机制二）； TISIDB/TIMER分析肿瘤免疫特征（机制三）。 前面说过，生信分析的实验只是开源数据的分析、整合，复现是学习生信论文技能的最好方式。基因的差异表达是首要任务。差异分析最好的工具就是ONCOMINE和R语言分析GEO或TCGA数据库的数据。 ? ONCOMINE数据库的全景热图和散点图是最常见的。怎样才能做出文章能用的类似图形呢？ 这里涉及很多步骤，比如注册ONCOMINE数据库（已经介绍），怎样搜索做出ONCOMINE数据库的全景热图（这次介绍），怎样使用PPT做表做图。这里，我们选取数据少点的举例作图，掌握方法是关键。 这个图是可编辑的，以后统计其他家族基因可以复制应用。 ? 当然，oncomine数据库的功能很多，转录水平的差异分析只是其中的一部分功能而已。
2.1K20发布于 2020-07-07 - 来自专栏Python in AI-IOT
Python数据分析--哑铃图
最近阅读学习了林骥老师的《数据化分析 Python 实战》,书中讲好的技能应该刻意的练习，而不是简单的重复。 林骥老师将数据可视化分析源代码分享在他的GitHub空间https://github.com/linjiwx/mp 首先介绍哑铃图： 哑铃图，是指用一条横线连接两个点、看起来有点像哑铃的图，主要是用来强调从一个点到另一个点的变化 < 0].iloc[:, 1], ymax=df[df['变化']< 0].iloc[:, 2], color=c['浅蓝色'], zorder=1, lw=5,label='下降') # 绘制哑铃图两头的圆点
2.4K51编辑于 2022-04-20 - 来自专栏软件方法
门诊挂号分析序列图
(464***03) 2012-04-23 10:08:04 潘老师，麻烦看一下这个分析序列图对不对 ? Tomcat (25***495) 2012-04-23 10:32:47 两个图？ 3504847) 2012-04-23 10:32:53 右键点竖条，Start new activation... (464***03) 2012-04-23 10:33:14 是不是要画一个新的业务序列图
79710发布于 2021-01-29 - 来自专栏全栈程序员必看
路径分析图「建议收藏」
路径分析步骤 3.1 安装和加载程序包，及数据读取 install.packages(“ggplot2”) install.packages(“plspm”) install.packages .1 <- rda(DATA ~ TOC + TN + NH4N +NO3N+ NO2N + TP + PO43P, data = DATA) vif.cca(spe.1) 3.4 路径分析 (sat_pls) ##Outer Model结果中Loading需大于0.7；根据结果逐步去除每个模块中Loading值小于0.7的变量，直至所有变量Loading > 0.7，重新运行路径分析模型 中的总效应柱状图依次复制到4.1路径图的AI画板中，各柱状图设置为上边缘对齐； 柱状图中横坐标修改为对应模块名称，并将柱状图颜色修改为与路径图4.2中相对应的颜色； 柱状图的x和y轴坐标刻度数字字体大小设置为 学习16S扩增子、宏基因组科研思路和分析实战，关注“宏基因组” 点击阅读原文 版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。
2.3K10编辑于 2022-09-28 - 来自专栏Python in AI-IOT
Python数据分析--堆叠图
最近阅读学习了林骥老师的《数据化分析 Python 实战》,书中讲好的技能应该刻意的练习，而不是简单的重复。 林骥老师将数据可视化分析源代码分享在他的GitHub空间https://github.com/linjiwx/mp 堆叠条形图，用于展示不同类别之间占比数据，常常能起到很好的对比效果。 0, np.sum(data, axis=1).max()) # 定义颜色 category_colors = [ c['蓝色'], c['浅蓝色'], c['浅橙色']] # 画堆叠水平条形图
1.2K10编辑于 2022-04-24 - 来自专栏育种数据分析之放飞自我
基因型数据绘制PCA图和聚类分析图
下面看一下利用基因型SNP数据进行PCA计算，以及可视化的分析。 很多软件可以分析PCA，这里介绍一下使用plink软件和R语言，进行PCA分析，并且使用ggplot2绘制2D和3D的PCA图。 绘制后的图如下： 2-D PCA图： 图片解释，将每个品种用不同的颜色表示，同时绘制置信区间圆圈，X坐标是PC1，解释24.9%的变异，Y坐标是PC2，解释10.61%的变异。 然后使用R语言，计算PCA，并绘制PCA图。 lty.hide=2,lty.grid = 2) legend("topright",c("A","B","C"),fill=c('red','green',"blue")) 聚类分析思路 如果进行GWAS分析，PCA加进去就很有必要！
3.5K41发布于 2021-11-26 - 来自专栏马超的博客
无向环路子图分析与虚拟子图生成
Here's the table of contents: 无向环路子图分析与虚拟子图生成 •ONgDB图数据库集成APOC和OLAB-APOC组件•使用函数分析无向环路返回布尔值•使用过程分析无向环路返回路径节点序列 ID•通过一组节点序列生成查询环路的CYPHER•通过一组节点序列查询环路•分析子图的环路并查询环路•返回一个原子性ID•JSON-STRING封装•获取所有顶点路径•分析子图的环路并查询环路之后生成虚拟图 CALL olab.schema.all.path(graphData) YIELD loopResultList RETURN loopResultList AS allPath •执行结果 十、分析子图的环路并查询环路之后生成虚拟图 案例实现了完整的分析过程，对输入的原始子图寻找无向环路，并以虚拟图的方式返回结果。 首先加载一个子图，使用olab.schema.loop对子图的无向环路进行分析生成路径节点序列列表，列表中每一个元素就是一条完整的环路。
1.1K10编辑于 2022-07-04 - 来自专栏医学和生信笔记
单基因差异分析并绘制火山图和热图
介绍下绘制火山图和热图的方法，如何在火山图或者热图中标记特定的基因，顺便学习下EnhancedVolcano包绘制火山图。 前面已经介绍了单基因富集分析：单基因富集分析 数据准备 使用TCGA黑色素瘤的转录组数据，使用easyTCGA，1行代码下载，即可得到6种表达矩阵和临床信息，而且是官网最新的数据： library(easyTCGA 然后进行差异分析，这里也是用easyTCGA1行代码解决： sample_group <- ifelse(expr["HOPX",] > median(t(expr["HOPX",])), "high" 绘制火山图需要差异分析的结果，我们再增加一列信息展示这个基因是上调、下调还是没意义。 首先是准备热图需要的数据，其实就是表达矩阵的可视化而已。
1.1K21编辑于 2023-08-30
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