- 综合排序
- 最热优先
- 最新优先
- 来自专栏专注数据中心高性能网络技术研发
A Survival Guide to a PhD
Writing good papers is an essential survival skill of an academic (kind of like making fire for a caveman
1.2K50发布于 2018-03-08 - 来自专栏Code思维奇妙屋
LightOj_1265 Island of Survival
在孤岛生存， 孤岛上有t头老虎，d头鹿， 每天会出现随机出现两只生物（包括你自己）， 如果出现了一只老虎，那么你将被吃掉， 如果两只老虎， 则两只老虎会同归于尽，其他情况你都将生存下来。
30920发布于 2019-07-15 - 来自专栏python学习路
官方案例--Survival Shoot（一）
导入Survival Shooter.unitypackage，里面有个完整了，新版本导入的时候，需要简单的修改一下代码； 一、环境设置 1、Prefabs--->Environment,将预制体Environment
71920发布于 2021-11-30 - 来自专栏机器学习原理
《A Cancer Survival Prediction Method Based on Graph Convolutional Network》
递归的方式找到最优化特征 GCN Cancer survival prediction model GCGCN Comparison with other cancer survival predictionm
49820编辑于 2021-12-13 - 来自专栏科研猫
肿瘤预后基因筛选神器：Survival_Analysis_Terminator.R
我们给这个程序命名为Survival_Analysis_Terminator.R，没错就是“终结者”系列，一个代码，终结所有相关问题，无需求助其他软件。
1.7K10发布于 2019-11-07 - 来自专栏Godot游戏开发引擎介绍和入门
【学习笔记】Unity3D官方游戏教程：Survival Shooter tutorial
【学习笔记】Unity3D官方游戏教程：Survival Shooter tutorial 2017-06-25 by Liuqingwen | Tags: Unity3D | Hits 三、总结 以上就是我在《 Survival Shooter tutorial 》游戏教程中学到的一些入门的基础知识点。 资料： Survival Shooter tutorial: https://unity3d.com/learn/tutorials/projects/survival-shooter-tutorial
3.4K50发布于 2019-01-08 - 来自专栏生信技能树
受限平均生存时间（Restricted mean survival time）简析及R语言实现
背景 在诸如JAMA oncology等顶级期刊中，我们经常会看到如图1所示的Restricted mean survival time（RMS time），即受限平均生存时间1。 truncation time: tau = 10 was specified. ## ## Restricted Mean Survival Correlation of Milestone Restricted Mean Survival Time Ratio With Overall Survival Hazard Ratio in Randomized
11.3K12发布于 2020-09-29 - 来自专栏拓端tecdat
R语言中的生存分析Survival analysis晚期肺癌患者4例
Survival analysis part I: Basic concepts and first analyses. 232-238. ISSN 0007-0920. 我们今天将使用的一些软件包包括： lubridate survival survminer library(survival)library(survminer)library(lubridate) 什么是生存数据 plot(survfit(Surv(time, status) ~ 1, data = lung), xlab = "Days", ylab = "Overall survival Analysis of survival by tumor response. Dynamic prognostication using conditional survival estimates. Cancer, 119(20), 3589-3592.
2.2K10发布于 2020-08-14 - 来自专栏拓端tecdat
R语言中的生存分析Survival analysis晚期肺癌患者4例
Survival analysis part I: Basic concepts and first analyses. 232-238. ISSN 0007-0920. 我们今天将使用的一些软件包包括： lubridate survival survminer library(survival) library(survminer) library(lubridate) plot(survfit(Surv(time, status) ~ 1, data = lung), xlab = "Days", ylab = "Overall survival Analysis of survival by tumor response. Dynamic prognostication using conditional survival estimates. Cancer, 119(20), 3589-3592.
1.7K10发布于 2021-11-25 - 来自专栏SAS
从时间角度抽丝剥茧地理解PFS（Progression-Free Survival）的事件与删失
所有的肿瘤项目，都会用到PFS。PFS规则复杂，删失情况多。刚刚接触这部分，往往是既不理解为什么要做这么复杂，也不知道怎么把逻辑简化，导致代码又乱又长。
2.6K20编辑于 2023-03-03 - 来自专栏拓端tecdat
PYTHON条件生存森林模型CONDITIONAL SURVIVAL FOREST分类预测客户流失交叉验证可视化|数据分享
客户流失/流失，是企业最重要的指标之一，因为获取新客户的成本通常高于保留现有客户的成本。
78710编辑于 2022-06-08 - 来自专栏生信小驿站
重复一篇3分左右纯生信文章（第三部分）
mRNA和我们选定的三个lncRNA即可 colnames(survival_dat) <- sub("\\-", "", colnames(survival_dat)) colnames(survival_dat ", "_", colnames(survival_dat)) colnames(survival_dat) <- sub("\\:", "_", colnames(survival_dat)) covariates ') library(stringr) survival_dat$Grade <- str_extract(survival_dat$Grade,pattern = '\\d') survival_dat $TNM <- str_extract(survival_dat$TNM,pattern = 'T\\d') survival_dat$TNM <- str_extract(survival_dat$TNM ) survival_dat$TNM <- impute(survival_dat$TNM,getmode) survival_dat$Grade <- impute(survival_dat$Grade
1.6K33发布于 2019-07-22 - 来自专栏行者常至
004.python科学计算库pandas(中)
"] == this_class 的数据 pclass_rows = titanic_survival[titanic_survival["Pclass"] == this_class] 每行 age_labels = titanic_survival.apply(generate_age_label, axis=1) titanic_survival['age_labels666'] ") print(age_group_survival) ? ---------------------------") new_titanic_survival = titanic_survival.dropna(axis=0, subset=["Age", " new_titanic_survival = titanic_survival.sort_values("Age", ascending=False) print(new_titanic_survival
1.1K20发布于 2018-09-19 - 来自专栏Chris生命科学小站五年归档
小站工具网站功能总结：查询基因在肿瘤中的表达情况+火山图+GSEA+Survival+ROC+ENSG注释，
2.如果你需要筛选lncRNA：勾选Need Annotation和FilterLnc，这个时候已经可以看到结果了。如果不需要这步不需要操作。
82910编辑于 2023-02-28 - 来自专栏生信技能树
estimate或者CIBERSORT结果真的是很好的临床预后指标吗
(survival_dat)=c('pid','event','time') survival_dat=merge(survival_dat,ssgseaScore,by='pid') survival_dat $time = survival_dat$time/365 survival_dat$group=ifelse(survival_dat$StromalSignature>median(survival_dat $group=ifelse(survival_dat$ImmuneSignature>median(survival_dat$ImmuneSignature), colnames(survival_dat)=c('pid','event','time') survival_dat=merge(survival_dat,ssgseaScore ,by='pid') survival_dat$time = survival_dat$time/365 survival_dat$group
2.1K10发布于 2021-10-12 - 来自专栏生信技能树
使用R包genefu来根据基因集进行表达谱分类
成功分类后的信息，就可以用来做生存分析 # http://www.inside-r.org/r-doc/survival/survfit.coxph library(survival) data.for.survival.SCMOD2 ","age")] # Remove patients with missing survival information data.for.survival.SCMOD2 <- data.for.survival.SCMOD2 [complete.cases(data.for.survival.SCMOD2),] data.for.survival.PAM50 <- data.for.survival.PAM50[complete.cases ) data.for.survival.SCMOD2$months_to_death <- data.for.survival.SCMOD2$t.os / days.per.month data.for.survival.SCMOD2 $months_to_death, data.for.survival.SCMOD2$vital_status) ~ data.for.survival.SCMOD2$SCMOD2) message
2.8K40发布于 2018-07-27 - 来自专栏生信技能树
生存分析新技能:小洁老师带你全代码实现生存曲线与风险表的完美融合
下面是解答过程： 查找survminer是否自带保存生存图片的函数 library(survival) library(survminer) #> Loading required package: ggplot2 ggsurvplot 用帮助文档中的示例代码演示 require("survival") fit<- survfit(Surv(time, status) ~ sex, data = lung) # Basic survival curves ggsurvplot(fit, data = lung) # Customized survival curves ggsurvplot(fit, data curves #++++++++++++++++++++++++++++++++++++ ## Not run: require("survival") fit3 <- survfit( Surv( ") fit<- survfit(Surv(time, status) ~ sex, data = lung) # Customized survival curves a = ggsurvplot(
61110编辑于 2024-07-05 - 来自专栏用户7627119的专栏
【R】蜜蜂图beeswarm-颜色
time_survival为生存时间，event_survival为生存状态，1为死亡，0为存活。 pdf(file="breast_beeswarm_color.pdf",width=10,height=10) par(mfrow=c(2,1)) #指定每一组点的颜色 beeswarm(time_survival 分别对应黑色和红色 legend("topright",legend=c("neg","pos"),title="ER type",pch=16,col=1:2) #指定每一个点的颜色 beeswarm(time_survival #纵轴和横轴显示的变量 data=breast, #数据来源 pch=16, #点的类型 pwcol=1+as.numeric(event_survival 具体显不显著，我们可以做个简单的t.test t.test(time_survival~ER,data=subset(breast,event_survival==1)) 不难发现p值是显著的。
58310编辑于 2022-09-21 - 来自专栏生信菜鸟团
最新版：TCGA 三阴性乳腺癌基因表达数据下载及生存分析
")], TNBC_samples, by = "bcr_patient_barcode") # 将生存时间从天数转换为月数 merged_data$survival_time <- as.numeric (merged_data$survival_time) merged_data$survival_time_months <- merged_data$survival_time / 30.44 # 检查生存时间分布 summary(merged_data$survival_time_months) hist(merged_data$survival_time_months, breaks = 50 ) library(survminer) library(ggplot2) merged_data$survival_time_months <- as.numeric(merged_data$survival_time_months ) # # 从临床数据中提取生存时间和生存状态,创建生存对象 surv_obj <- Surv(time = merged_data$survival_time_months, event = merged_data
2.8K10编辑于 2025-03-27 - 来自专栏生信技能树
学徒数据挖掘之谁说生存分析一定要按照表达量中位值或者平均值分组呢？
survival )生存分析用到了319个患者资料，患者资料不一致可能是删去了缺失值。 、或该实验方案危险性高等情况下） 中位生存期（Median Survival Time，MST） 生存概率（Survival probability）是指某段时间开始时存活的个人至该时间结束时仍然存活的可能性大小 = read.table('LIHC_survival.txt.gz',header = T,sep = '\t',row.names = 1) dim(mRNA_survival) mRNA_survival <- mRNA_survival[, -1] mRNA_survival[1:4,1:4] save(mRNA_survival,mRNA_clinical,exp,group_list,file = mRNA_survival[,-1] pheno = rownames(mRNA_survival)[substr(rownames(mRNA_survival),14,15) < 10] fin_tumor
8.2K31发布于 2020-09-04
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