- 综合排序
- 最热优先
- 最新优先
- 来自专栏数据科学（冷冻工厂）
ATAC-seq分析：数据质控（6）
由于这可能会占用大量内存，因此我只是在一个 BAM 文件中对其进行说明，该文件仅包含 ATACseq 数据的 17 号染色体读数。
87630编辑于 2023-01-27 - 来自专栏数据科学（冷冻工厂）
ATAC-seq分析：数据质控（6）
由于这可能会占用大量内存，因此我只是在一个 BAM 文件中对其进行说明，该文件仅包含 ATACseq 数据的 17 号染色体读数。
59820编辑于 2023-02-27 - 来自专栏码农知识点
zookeeper源码分析(6)-数据和存储
在Zookeeper中，数据存储分为两部分：内存数据存储和磁盘数据存储。本文主要分析服务器启动时内存数据库的初始化过程和主从服务器数据同步的过程。在此之前介绍一些数据存储涉及的基本类。 preAllocSize,默认为64MB,并将未写入部分填充0，好处是避免开辟新的磁盘块，减少磁盘Seek 3.事务序列化 分别对事物头(TxnHeader)和事务体(Record)序列化，参考zookeeper源码分析 服务器启动期间的数据初始化 就是磁盘中最新快照文件（全量数据）和它之后的事务日志数据（增量数据）的反序列化到内存数据库中的过程，流程图为： ? 5.应用事务 在循环过程中处理事务日志processTransaction,也就是根据事务日志类型不断的更新sessions 和DataTree中的数据内容 6.回调事务 回调listener.onTxnLoaded 由zookeeper源码分析(4)-选举流程和服务器启动处理可知，当LearnerHandler接收到Learner服务器的ACKEPOCH消息后会开始进行主从同步 Leader数据同步发送过程 LearnerHandler.run
2.3K10发布于 2020-06-22 - 来自专栏可以叫我才哥
数据分析原理：6步解决业务分析难题
读书交流│7期 数据分析原理 6步解决业务分析难题 data analysis ●●●● 分享人：夏宇 大家好，这里是小飞象·数据领地·读书会第7期完结直播总结分享，本次直播的目的有两个，一是我们第 但是，我们学会了很多数据分析工具和技能，依然做不好数据分析。遇到业务问题时，常常觉得无从下手。如： ▶如何理清业务分析思路？如何成为业务的专家？ ▶如何获取行业的数据？ ▶如何写出优秀的数据分析报告等~~ ······· 所以本期，小飞象·数据领地·读书会的直播总结，就来跟大家一起来品读《数据分析原理》：6步解决业务分析难题，系统地介绍了数据如何始于业务、取于业务、 —▼— 本书一共分为6个章节，算是深入浅出，相对体系化的介绍了数据分析全过程：从数据指标体系到分析目标拆解，再从数据获取与预处理到六大业务分析模块案例介绍，最后是分析结论的组织与验证并告诉我们如何对分析结论进行展示与汇报 并且，在全面数据分析的时代，数据分析，也不再局限于数据分析师，也是对企业的全员提出了更高的能力要求，是每个职场人必备的技能与思维。
1K11编辑于 2023-08-28 - 来自专栏锦小年的博客
Python数据分析(6)-numpy广播机制
import numpy as np a = np.arange(16) a.shape=(4,4) print('a 数据为：',a) b = np.array([1,2,3,4]) print(' b 数组为：',b) print('a+b 的结果是：',a+b) 输出结果： a 数据为： [[ 0 1 2 3] [ 4 5 6 7] [ 8 9 10 11] [12 13 np.array([1,2,3,4]) print('b 数组为：',b) print('a*b 的结果是：',a*b) 输出： a 数据为： [[ 0 1 2 3] [ 4 5 6 7] [ 8 9 10 11] [12 13 14 15]] b 数组为： [1 2 3 4] a*b 的结果是： [[ 0 2 6 12] [ 4 10 18 28] [ 8 18 30 在操作的过程中，先把小维度的数据变为大维度数组的维度，图中将b的第一行复制4次组成与a一样的大小再操作。
97430发布于 2019-05-26 - 来自专栏单细胞天地
OSCA单细胞数据分析笔记6—Normalization
http://bioconductor.org/books/release/OSCA/overview.html 标准化是在剔除不合格细胞之后，尽可能消除细胞文库间大小的差异性，从而得到准确、有意义的分析结果 无论是例2，还是例3，在经过标准化之后的差异分析结果就是基因1真实相对上调；基因2-99表面相对下调，其实本质为non-DEG。 (3) 从对之后的分析影响来看，作者认为composition bias对于单细胞之后的聚类分群、Top marker gene结影响不会很大。但如果想进行单基因水平的分析，还是最好消除这种误差。 (4) 如何最大化避免composition bias 对于传统的Bulk RNA-seq数据，DESeq2包的estimateSizeFactorsFromMatrix()函数、edgeR包的calcNormFactors
1.9K41发布于 2021-04-29 - 来自专栏华章科技
数据分析不能碰的6大禁区
没有明确分析数据的目的 要分析一个数据，首先要明确自己的目的，为什么要收集和分析这样一份数据。只有明确了目的之后，才能够把握好接下来应该收集哪些数据，应该怎么收集数据，应该分析哪些数据等。 没有合理安排时间 数据分析也要合理安排时间，一般有几个步骤，收集数据、整理数据、分析数据、美化表格。在做这些之前，要预估每一个步骤需要花多少时间，哪一步比较重要，需要花更多的时间等。 重收集、轻分析 例如，做任务的时间为3个星期，却用了两个多星期来收集数据，最后基本没有时间去分析，紧赶慢赶最后交上来一份没有怎么分析的数据。 数据分析重点应该在于分析，应该以最快的速度收集完数据，才有更多的时间整理和分析，最后经过分析的数据才是最有价值的。 不懂得分析哪些数据 这是比较普遍的问题，收集了数据后不知道要分析哪些项目，哪些数据点才能体现出分析的目的。
42130发布于 2018-08-13 - 来自专栏CDA数据分析师
数据分析不能碰的6大禁区!
1 没有明确分析数据的 要分析一个数据，首先要明确自己的目的，为什么要收集和分析这样一份数据。只有明确了目的之后，才能够把握好接下来应该收集哪些数据，应该怎么收集数据，应该分析哪些数据等。 3 重收集、轻分析 例如，做任务的时间为3个星期，却用了两个多星期来收集数据，最后基本没有时间去分析，紧赶慢赶最后交上来一份没有怎么分析的数据。 数据分析重点应该在于分析，应该以最快的速度收集完数据，才有更多的时间整理和分析，最后经过分析的数据才是最有价值的。 5 不懂得分析哪些数据 这是比较普遍的问题，收集了数据后不知道要分析哪些项目，哪些数据点才能体现出分析的目的。 6 表格不美观，不清晰 做数据分析一般使用的是excel表格记录，一份美观清晰的表格不仅使我们可以清楚的看到这份数据的重点，方便查到所想要的数据。在收集数据的过程中，也可以提高收集和分析数据的效率。
79260发布于 2018-02-11 - 来自专栏Elastic Stack专栏
通过 OpenTelemetry 分析 AI Agent 数据
—— 以 hermes_agent 的 gen_ai.* 数据为例本文以 Elastic 中一个真实的 Agent 服务 hermes_agent（数据流 traces-generic.otel-default ）为例，讲清楚：LLM 的每一次调用会在 OpenTelemetry span 里留下哪些字段、每个字段装的是什么、input 与 output 字段之间是什么关系、以及如何用 ES|QL 去分析、理解并利用这些数据 本次提供给模型的工具定义清单resource.attributes.service.name服务名（本例 hermes_agent）trace.id / @timestamp会话/回合关联与排序的关键6. 实战 ES|QL 分析范式提示：pipeline 抽出的字段名里含点号，在 ES|QL 中需用反引号包裹，如 `attributes.gen_ai.output.messages_tool_names` 小结一次 LLM 调用 = 一个 span，gen_ai.input.messages / gen_ai.output.messages 承载原始对话，pipeline 把它们拆成可分析的结构化字段。
27411编辑于 2026-07-19 谷歌财报分析 6 AI超算杀手锏
用 AI 分析谷歌财报 6 AI超算杀手锏 接上一篇, 本篇分析“谷歌最新的 AI Hypercomputer（AI超级计算机）是如何整合这些硬件和软件的?” 谷歌的 AI Hypercomputer（AI超级计算机） 并不是一个简单的硬件堆叠，而是一个全栈系统架构。它的核心逻辑是： “将数据中心视为一台计算机” 。 液冷技术（Liquid Cooling）： 随着 Trillium (TPU v6) 和 NVIDIA Blackwell 的部署，能耗极高。 谷歌通过在数据中心大规模部署液冷基础设施，将芯片产生的热量直接通过水循环排走，这使得芯片可以长时间满频率运行而不降频。 自研高性能存储（Hyperdisk）： AI训练需要极快的数据吞吐。 全栈优化： 谷歌的软件工程师在开发 Gemini 时，会直接向硬件工程师反馈：“我们需要一种新的数据格式（如 FP4）来加速推理”。
23200编辑于 2026-07-09- 来自专栏用户7627119的专栏
m6A甲基化数据分析流程
前面我们简单介绍过m6A RNA甲基化修饰特征,以及RNA m6A修饰发文套路大揭秘。那么今天小天就和大家一起探讨一下，m6A甲基化数据分析的基本流程。 对照样本测量对应RNA 的表达量，本质上是RNA-seq 数据。 MeRIP-seq 技术检测m6A 技术流程 m6A测序数据分析流程 m6A-seq数据分析的原理和过程跟ChIP-seq十分相似，大体包括如下几个步骤。 1. 原始read质控 2. 差异peak对应基因的GO和KEGG富集分析 7.Motif分析 用Homer进行motif分析 用MEME进行motif分析 m6A测序数据分析流程 由于篇幅限制，小编将在后面几期的内容里面为大家做每一步的详细介绍 参考资料： m6A RNA甲基化修饰特征 RNA m6A修饰发文套路大揭秘
1.9K40编辑于 2022-09-21 - 来自专栏全栈数据化营销
Excel数据分析：6款Excel中强大的数据分析、数据挖掘、风险量化插件工具
Excel具有非常强大的功能，能够满足大多数情况下的数据分析和图表可视化，其丰富的插件体系也让Excel在数据处理、数据挖掘、可视化、机器学习等方面如虎添翼。 这些插件跟Excel完全互补，不用学习额外语法，可以快速实现清洗数据、简单的分析和可视化，然后再基于这些插件做深入分析和挖掘，大大减少学习和使用的门槛，非常适合数据从业者和数据爱好者使用。 Xlstat：拥有200多种标准和高级统计工具，满足数据清洗、数据描述、数据分析、可视化、数据建模、营销分析、相关性检验、参数检验、异常值测试、时间序列、机器学习、蒙特卡洛模拟、生存分析、文本挖掘等等功能 DecisionTools Suite 包括使用蒙特卡罗模拟将风险分析添加到 Excel的 @RISK、由用于决策树的 BigPicture 的思维导图和数据探索 PrecisonTree 用于假设分析的 TopRank 以及用于数据分析的 NeuralTools 和 StatTools 等。
4.8K31发布于 2020-04-24 - 来自专栏全栈数据化营销
Excel数据分析：6款Excel中强大的数据分析、数据挖掘、风险量化插件工具
Excel具有非常强大的功能，能够满足大多数情况下的数据分析和图表可视化，其丰富的插件体系也让Excel在数据处理、数据挖掘、可视化、机器学习等方面如虎添翼。 这些插件跟Excel完全互补，不用学习额外语法，可以快速实现清洗数据、简单的分析和可视化，然后再基于这些插件做深入分析和挖掘，大大减少学习和使用的门槛，非常适合数据从业者和数据爱好者使用。 Xlstat：拥有200多种标准和高级统计工具，满足数据清洗、数据描述、数据分析、可视化、数据建模、营销分析、相关性检验、参数检验、异常值测试、时间序列、机器学习、蒙特卡洛模拟、生存分析、文本挖掘等等功能 DecisionTools Suite 包括使用蒙特卡罗模拟将风险分析添加到 Excel 的 @RISK、由用于决策树的 BigPicture 的思维导图和数据探索 PrecisonTree 用于假设分析的 TopRank 以及用于数据分析的 NeuralTools 和 StatTools 等。
4.1K00发布于 2020-04-22 - 来自专栏华章科技
6个用于大数据分析的最好工具
在大数据和大数据分析，他们对企业的影响有一个兴趣高涨。大数据分析是研究大量的数据的过程中寻找模式，相关性和其他有用的信息，可以帮助企业更好地适应变化，并做出更明智的决策。 该项目将会创建出开源版本的谷歌Dremel Hadoop工具（谷歌使用该工具来为Hadoop数据分析工具的互联网应用提速）。而"Drill"将有助于Hadoop用户实现更快查询海量数据集的目的。 "Drill"项目其实也是从谷歌的Dremel项目中获得灵感：该项目帮助谷歌实现海量数据集的分析处理，包括分析抓取Web文档、跟踪安装在Android Market上的应用程序数据、分析垃圾邮件、分析谷歌分布式构建系统上的测试结果等等 BI 平台包含组件和报表，用以分析这些流程的性能。目前，Pentaho的主要组成元素包括报表生成、分析、数据挖掘和工作流管理等等。 这些提供了系统的J2EE 服务器，安全，portal，工作流，规则引擎，图表，协作，内容管理，数据集成，分析和建模功能。这些组件的大部分是基于标准的，可使用其他产品替换之。
1.2K20发布于 2018-08-13 - 来自专栏萝卜大杂烩
2019 年排名前6的数据分析工具
作者：Lewis Chou 翻译：周萝卜 译文出品：萝卜大杂烩 2019 年排名前6的数据分析工具 对于数据分析工具，我们通过会有一个疑问，在众多的数据分析工具中，到底有什么区别，哪一个更好，我又应该学习哪一个呢 我列举了三种类型6个工具，下面就让我来一一介绍。 1. 如果你想学习数据分析，Excel 绝对是首选工具。 2. BI tools 商业智能诞生于数据分析，而且它诞生于一个很高的起点上。 你会发现它们都是根据数据分析流程来进行设计的。首先是数据处理，数据清洗，然后是数据建模，最后则是数据可视化。通过可视化的图表来直观的展示分析结果并影响最终的决策。 1）专业统计分析 就 R 语言而言，它最擅长统计分析，比如正态分布，使用算法对数据进行分类和回归分析等。这种分析就像是将数据用作实验一样，可以帮助我们回答下面的问题： ?
2.2K30发布于 2020-05-22 - 来自专栏华章科技
6个用于大数据分析的最好工具
在大数据和大数据分析，他们对企业的影响有一个兴趣高涨。大数据分析是研究大量的数据的过程中寻找模式，相关性和其他有用的信息，可以帮助企业更好地适应变化，并做出更明智的决策。 ? ? 该项目将会创建出开源版本的谷歌Dremel Hadoop工具(谷歌使用该工具来为Hadoop数据分析工具的互联网应用提速)。而“Drill”将有助于Hadoop用户实现更快查询海量数据集的目的。 “Drill”项目其实也是从谷歌的Dremel项目中获得灵感：该项目帮助谷歌实现海量数据集的分析处理，包括分析抓取Web文档、跟踪安装在Android Market上的应用程序数据、分析垃圾邮件、分析谷歌分布式构建系统上的测试结果等等 BI 平台包含组件和报表，用以分析这些流程的性能。目前，Pentaho的主要组成元素包括报表生成、分析、数据挖掘和工作流管理等等。 这些提供了系统的J2EE 服务器，安全，portal，工作流，规则引擎，图表，协作，内容管理，数据集成，分析和建模功能。这些组件的大部分是基于标准的，可使用其他产品替换之。
1.9K20发布于 2018-08-15 - 来自专栏PPV课数据科学社区
6个用于大数据分析的最好工具
在大数据和大数据分析，他们对企业的影响有一个兴趣高涨。大数据分析是研究大量的数据的过程中寻找模式，相关性和其他有用的信息，可以帮助企业更好地适应变化，并做出更明智的决策。 "Drill"项目其实也是从谷歌的Dremel项目中获得灵感：该项目帮助谷歌实现海量数据集的分析处理，包括分析抓取Web文档、跟踪安装在Android Market上的应用程序数据、分析垃圾邮件、分析谷歌分布式构建系统上的测试结果等等 BI 平台包含组件和报表，用以分析这些流程的性能。目前，Pentaho的主要组成元素包括报表生成、分析、数据挖掘和工作流管理等等。 1、回复“数据分析师”查看数据分析师系列文章 2、回复“案例”查看大数据案例系列文章 3、回复“征信”查看相关征信的系列文章 4、回复“可视化”查看可视化专题系列文章 5、回复“SPPS”查看SPSS系列文章 6、回复“答案”查看hadoop面试题题目及答案 7、回复“爱情”查看大数据与爱情的故事 8、回复“笑话”查看大数据系列笑话 9、回复“大数据1、大数据2、大数据3、大数据4”查看大数据历史机遇连载
1.6K50发布于 2018-04-20 - 来自专栏嵌入式音视频
【AI】数据分析-数据可视化模块
NumPy(Numerical Python) 是科学计算基础库，提供大量科学计算相关功能，比如数据统计，随机数生成等。 Numpy 是 Python 语言在科学计算领域取得成功的关键之一，如果想通过 Python 语言学习数据科学、人工智能（包括深度学习、语言处理等分支），就必须学习 Numpy。 order = None, subok = False, ndmin = 0) 表 1-1 array 参数说明 ---- 【示例2】 创建一维数组 b=np.array([1,2,3,4,5,6] ) print(b) print('b 数组的维度：',b.shape) 执行结果如图 ---- 【示例3】创建二维数组 a=np.array([[1,2,3],[4,5,6],[7,8,9]]) ,ndmin=3) print(a) 执行结果如图 ---- 【示例5】array()函数 dtype 参数的使用 a=np.array([1,2,3,4,5,6],dtype=complex)
1.1K20编辑于 2023-03-16 - 来自专栏Java架构师必看
spring源码分析6
spring源码分析6 强烈推介IDEA2020.2破解激活，IntelliJ
39120发布于 2021-04-13 - 来自专栏Dance with GenAI
AI数据分析：根据Excel表格数据进行时间序列分析
ChatGPT中输入提示词： 你是一个Python编程专家，要完成一个Python脚本编写的任务，具体步骤如下： 读取Excel表格："F:\AI自媒体内容\AI行业数据分析\toolify月榜\toolify2023 ； 其中，A2到A6单元格对应的折线为实线，颜色设为不同颜色，互相之间的颜色反差要大； 其他单元格对应的折线为虚线，虚线的形状要都不一样； 图表的标题为“2023年Top20 AI应用近一年的发展趋势” 自媒体内容\AI行业数据分析”，图片标题为：2023年Top20 AI应用近一年的发展趋势； 显示图片； 注意：每一步都输出信息到屏幕 源代码： import pandas as pd import matplotlib.pyplot 自媒体内容\AI行业数据分析\toolify月榜\toolify2023年-2024年月排行榜汇总数据.xlsx' try: df = pd.read_excel(file_path) print("Excel 应用近一年的发展趋势') plt.xlabel('月份') plt.ylabel('月访问量') plt.legend() # 保存图片 output_dir = r'F:\AI自媒体内容\AI行业数据分析
96810编辑于 2024-06-24
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