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

A biclustering library with datasets, evaluation measures and a benchmarking framework

ویژگی	مقدار
سیستم عامل	-
نام فایل	biclustlib-0.0.13
نام	biclustlib
نسخه کتابخانه	0.0.13
نگهدارنده	[]
ایمیل نگهدارنده	[]
نویسنده	Nikita Sigal
ایمیل نویسنده	parallax.nikitasigal@gmail.com
آدرس صفحه اصلی	https://github.com/nikitasigal/biclustlib
آدرس اینترنتی	https://pypi.org/project/biclustlib/
مجوز	-

# biclustlib The package is an extension of [biclustlib](https://github.com/padilha/biclustlib) Python library by Victor Alexandre Padilha. It is highly recommended to see the original repository first. The goal of this package is to create a unified biclustering framework for performing research on gene expression data and comparing different biclustering algorithms and measures. Distributed under GPLv3 license. ## Installation ```pip install biclustlib``` You must also install [R](https://www.r-project.org/) and the following R packages: + [biclust](https://cran.r-project.org/web/packages/biclust/index.html) + [isa2](https://cran.r-project.org/web/packages/isa2/index.html) ## Benchmarking example ```python import multiprocessing import pandas as pd from sklearn.preprocessing import KBinsDiscretizer from biclustlib.algorithms import * from biclustlib.algorithms.wrappers import * from biclustlib.benchmark import GeneExpressionBenchmark, Algorithm from biclustlib.benchmark.data import load_tavazoie, load_prelic def discretize_data(raw_data: pd.DataFrame, n_bins: int = 2) -> pd.DataFrame: return pd.DataFrame(KBinsDiscretizer(n_bins, encode='ordinal', strategy='kmeans').fit_transform(raw_data), index=raw_data.index).astype(int if n_bins > 2 else bool) if __name__ == '__main__': data = load_tavazoie() n_biclusters = 10 reduction_level = 10 discretion_level = 30 data_dis = discretize_data(data, discretion_level) data_bin = discretize_data(data) setup = [ Algorithm('CCA', ChengChurchAlgorithm(n_biclusters), data), Algorithm('xMotifs', RConservedGeneExpressionMotifs(n_biclusters), data_dis), Algorithm('BiBit', BitPatternBiclusteringAlgorithm(), data_bin), Algorithm('Bimax', RBinaryInclusionMaximalBiclusteringAlgorithm(n_biclusters), data_bin), Algorithm('LAS', LargeAverageSubmatrices(n_biclusters), data), Algorithm('Plaid', RPlaid(n_biclusters), data), Algorithm('Spectral', Spectral(n_clusters=data.shape[1] // 2), data + abs(data.min().min()) + 1), ] with multiprocessing.Pool() as pool: tavazoie_benchmark = GeneExpressionBenchmark(algorithms=setup, raw_data=data, reduction_level=reduction_level).run(pool) tavazoie_benchmark.generate_report() tavazoie_benchmark.perform_goea() tavazoie_benchmark.generate_goea_report() ```

نیازمندی

مقدار	نام
-	numpy
-	pandas
-	aiohttp
-	matplotlib
-	goatools
-	bottleneck
-	scikit-learn
-	scipy
-	rpy2
-	munkres

زبان مورد نیاز

مقدار	نام
>=3.8	Python

نحوه نصب

نصب پکیج whl biclustlib-0.0.13:

pip install biclustlib-0.0.13.whl

نصب پکیج tar.gz biclustlib-0.0.13:

pip install biclustlib-0.0.13.tar.gz