معرفی شرکت ها

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

توضیحات

Creating a neighbour joining tree.

ویژگی	مقدار
سیستم عامل	OS Independent
نام فایل	TreeMethods-1.0.3
نام	TreeMethods
نسخه کتابخانه	1.0.3
نگهدارنده	[]
ایمیل نگهدارنده	[]
نویسنده	Brad Balderson
ایمیل نویسنده	brad.balderson@uqconnect.edu.au
آدرس صفحه اصلی	https://github.com/BradBalderson/TreeMethods
آدرس اینترنتی	https://pypi.org/project/TreeMethods/
مجوز	-

This repository stores a basic implementation for creating a neighbour joining tree from a given distance or similarity matrix. Generating a distance matrix (A good way to do this is to use sklearn.DistanceMetrics with real data): from sklearn.neighbors import DistanceMetric dist = DistanceMetric.get_metric('euclidean') X = [[0, 1, 2], [3, 4, 5], [2, 3, 1], [0, 2, 1]] dist_mat = dist.pairwise(X) Now that we have our distance matrix, we can now use it to construct a neighbour joining tree, giving some labels for the different samples: import numpy import TreeMethods.TreeBuild as TB tree = TB.njTree(dist_mat, numpy.array(['A', 'B', 'C', 'D'])) We can then use ete3 to construct this into a tree object: from ete3 import Tree tree = Tree(tree) print(tree) /-B | | /-D --|--| | \-A | \-C

زبان مورد نیاز

مقدار	نام
>=3.6	Python

نحوه نصب

نصب پکیج whl TreeMethods-1.0.3:

pip install TreeMethods-1.0.3.whl

نصب پکیج tar.gz TreeMethods-1.0.3:

pip install TreeMethods-1.0.3.tar.gz