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

Convert UCSC's ENCODE metadata into pandas DataFrames

ویژگی	مقدار
سیستم عامل	-
نام فایل	encode-dataframe-0.1
نام	encode-dataframe
نسخه کتابخانه	0.1
نگهدارنده	[]
ایمیل نگهدارنده	[]
نویسنده	Ryan Dale
ایمیل نویسنده	dalerr@niddk.nih.gov
آدرس صفحه اصلی	UNKNOWN
آدرس اینترنتی	https://pypi.org/project/encode-dataframe/
مجوز	MIT

ENCODE dataframe ================ I wanted a better way of exploring and downloading raw data from the ENCODE project. For example, I'd like to get the BAM files for all ChIP-seq experiments done in uninduced MEL cells (from the mm9 assembly). One strategy would be to individually go through each track hub (e.g., histone mods from LICR, http://genome.cit.nih.gov/cgi-bin/hgFileUi?db=mm9&g=wgEncodeLicrHistone), filter data, and download files individually. Another strategy would be to go directly to the download page (http://hgdownload.cse.ucsc.edu/goldenPath/mm9/encodeDCC/wgEncodeLicrHistone/) and extract the files that end in `.bam`. This small package takes advantage of the `files.txt` files (here's an `example <http://hgdownload.cse.ucsc.edu/goldenPath/mm9/encodeDCC/wgEncodeLicrHistone/files.txt>`_) that describe all the metadata on the download page. The `files.txt` files are downloaded from each ENCODE track hub in the assembly of interest. Then these files are parsed and concatenated together into one big `pandas.DataFrame` that can be used to find the data you care about. Installation ------------ :: pip install encode-dataframe Usage ----- Mirror the files. This may take a minute or so. If you've cloned the git repo, you already have a copy of the mm9 files. >>> import encode_dataframe as edf >>> edf.mirror_metadata_files('mm9') Create a large DataFrame: >>> df = edf.encode_dataframe('mm9') >>> len(df) 5865 Armed with the dataframe, we can now slice and dice to get the data we care about. Eventually I'd like to run a ChromHMM segmentation on MEL cells, but I need to get the data first . . . Choose a cell type >>> interesting = df.cell == 'MEL' And only BAM files >>> interesting &= df.type == 'bam' And only ChIP- or DNase-seq >>> interesting &= df.dataType.isin(['ChipSeq', 'DnaseSeq']) And only untreated (in this case, uninduced) cells: >>> interesting &= df.treatment != 'DMSO_2.0pct' And only one replicate (some have 2 or 3) >>> interesting &= df.replicate == '1' And only those that don't have some issue with them (looks like older versions have some text in the objStatus field): >>> interesting &= df.objStatus.isnull() How many do we have to work with? >>> m = df[interesting] >>> len(m) 60 Some of these are controls (input or IgG), and there are some duplicates (looks like H3K4me3 ChIP-seq uses 2 different controls; CTCF was done by different groups). How many unique antibodies? >>> len(m.antibody.unique()) 46 So here are the files I should download: >>> urls = m.url.values

نحوه نصب

نصب پکیج whl encode-dataframe-0.1:

pip install encode-dataframe-0.1.whl

نصب پکیج tar.gz encode-dataframe-0.1:

pip install encode-dataframe-0.1.tar.gz