معرفی شرکت ها
cytocoarsening-0.0.8
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 بیشترتوضیحات
cytocoarsening-graph coarsening
| ویژگی | مقدار |
|---|---|
| سیستم عامل | - |
| نام فایل | cytocoarsening-0.0.8 |
| نام | cytocoarsening |
| نسخه کتابخانه | 0.0.8 |
| نگهدارنده | [] |
| ایمیل نگهدارنده | [] |
| نویسنده | ChiJaneChen |
| ایمیل نویسنده | cookie877128@gmail.com |
| آدرس صفحه اصلی | https://github.com/catchzeng/cytocoarsening |
| آدرس اینترنتی | https://pypi.org/project/cytocoarsening/ |
| مجوز | - |
📦 cytocoarsening.py
=======================
We want to identify cell-types that are enriched for both phenotype (e.g. cell phenotype) and relate to the external information. Graph-based approaches for identifying these modules can suffer in the single-cell setting because there is an extremely large number of cells profiled per sample and we often profile multiple samples with multiple different experimental conditions or timepoints. Here is [Cytocoarsening github link](https://github.com/ChenCookie/cytocoarsening).
Overview
=======================
Installation
-----
If you'd like to install by PYPI, please type this line on your command line([Cytocoarsening PYPI](https://pypi.org/project/cytocoarsening/)):
```bash
pip install cytocoarsening
```
* Or you can clone the git repository by,
```
git clone https://github.com/ChenCookie/cytocoarsening.git
```
* Once you've clone the repository, please change your working directory into this folder.
```
cd cytocoarsening
```
Data access
--------------
- [preeclampsia](https://zenodo.org/record/6779483#.Yrygu-zMJhF)
- [covid](https://zenodo.org/record/6780354#.Yryxg-zMJhE)
- [NK cell](https://zenodo.org/record/6780417#.Yry12-zMJhE)
Take preeclampsia for example, if you'd want to list all of the publicly available files for download,
```
from lxml import html
import requests
r = requests.get(f'https://zenodo.org/record/6779483#.Yrygu-zMJhF')
content = html.fromstring(r.content)
hrefs = content.xpath('//a/@href')
files = [i for i in hrefs if i.endswith('?download=1')]
files = np.unique(files)
print(files)
```
If you'd like to download any preeclampsia dataset file from zenodo,
```
curl 'https://zenodo.org/record/6779483/files/Han-FCS_file_list.xlsx?download=1' --output Han-FCS_file_list.xlsx
```
Parameter Explanation
--------------
The function can be excute at one line.
```
coarsening_group,group_edge,result_dicts=cytocoarsening(cell_data,cell_label,multipass,k_nearest_neighbors)
```
input
* `cell_data` - numpy.ndarray. The single cell data with several features. The shape of ndarray is (cell number,features number). Default: `cell_data = None`.
* `cell_label` - numpy.ndarray. The attribute of each cell data. The shape of ndarray is (cell number,). Default: `cell_label = None`.
* `multipass` - int. The pass number that what want the data size decrease. Default: `multipass = 10`.
* `k_nearest_neighbors` - int. Number of neighbors in the inisial graph in each pass. Default: `k_nearest_neighbors = 5`.
output
* `coarsening_group` - dict. The dictionary that indicate supernode as key and the node number list of the group as value in coarsening graph
* `group_edge` - numpy.ndarray. The array that record the edge that combine two nodes
* `result_dicts` - dict. The dictionary that save different result value, including accuracy, error rate, quadratic equation evaluation in feature and label, node number, edge number, runtime, and keypoint
Toy Example
--------------
```
from cytocoarsening.cytocoarsening import cytocoarsening
import numpy as np
import random
cell_data=[[random.random() for i in range(33)] for j in range(4500)]
cell_data=np.array(cell_data)
cell_label = np.array([0] * 1000 + [1] * (3500))
np.random.shuffle(cell_label)
group,edge,diccts=cytocoarsening(cell_data,cell_label,3,5)
```
نیازمندی
| مقدار | نام |
|---|---|
| >=0.24.1 | scikit-learn |
| >=1.20.1 | numpy |
| >=2.6.2 | networkx |
زبان مورد نیاز
| مقدار | نام |
|---|---|
| >=3.7 | Python |
نحوه نصب
نصب پکیج whl cytocoarsening-0.0.8:
pip install cytocoarsening-0.0.8.whl
نصب پکیج tar.gz cytocoarsening-0.0.8:
pip install cytocoarsening-0.0.8.tar.gz