这是一个预发行版。
cimcb的Python项目详细描述
cimcb
cimcb包包含统计分析非目标和目标代谢组学数据所需的工具。
安装
依赖性
CIMCB要求:
- Python(>;=3.5)
- 桶(>;=1.0.0)
- 路缘石
- 纽比(>;=1.12)
- scipy
- SCIKIT学习
- 统计模型
- 张量流
- 全面质量管理
用户安装
安装cimcb和依赖项的推荐方法是使用conda
:
conda install -c cimcb cimcb
或pip
:
pip install cimcb
或者,直接从github安装:
pip install https://github.com/KevinMMendez/cimcb/archive/master.zip
教程
用活页夹打开:
api
有关用法的更多详细信息,请参阅docstring。
CIMCB.型号
- PLS_SIMPLS:使用simples算法的偏最小二乘回归。
- PCR:主成分回归。
- PCLR:主成分逻辑回归。
- RF:随机森林。
- SVM:支持向量机。
- RBF_NN:径向基函数神经网络。
- NN_LinearLinear:2层线性神经网络。
- NN_LinearLogit:2层线性logistic神经网络。
- NN_LogitLogit:两层logistic神经网络。
cimcb.绘图
- boxplot:使用bokeh创建boxplot。
- distribution:使用bokeh创建分布图。
- pca:使用bokeh创建pca分数和加载图。
- permutation_test:使用bokeh创建置换测试图。
- roc_plot:使用bokeh创建rocplot。
- scatter:使用bokeh创建散点图。
- scatterCI:使用bokeh创建scatterci绘图。
CIMCB.交叉值
- kfold:在计算二进制度量的参数dict上进行穷尽搜索。
CIMCB.引导程序
- Perc:使用百分位boostrap区间返回bootstrap置信区间。
- BC:使用偏差校正的bootstrap区间返回bootstrap置信区间。
- BCA:使用偏置校正和加速boostrap区间返回bootstrap置信区间。
cimcb.utils
- binary_metrics:返回包含以下度量的二进制统计信息的dict:r2、auc、准确性、精密度、敏感性、特异性和f1分数。
- ci95_ellipse:使用主成分分析(pca)构造一个95%置信椭圆。
- knnimpute:使用欧氏距离的knn缺失值插补。
- load_dataXL:从excel文件加载并验证数据文件和peakfile。
- nested_getattr:嵌套属性的getattr。
- scale:使用方法“auto”、“pareto”、“vast”或“level”缩放x(可以包括nans)。
- table_check:检查datatable和peaktable(用于加载数据xl)时出错。
- univariate_2class:创建一个单变量统计表(2类)。
- wmean:返回加权平均值。忽略nans并处理无限权重。
许可证
cimcb是根据uuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuu
作者
- 凯文门德斯
- David Broadhurst
通信
Edith Cowan大学综合代谢组学与计算生物学中心主任David Broadhurst教授。 电子邮件:d.broadhurst@ecu.edu.au
引文
如果你想在科学出版物中引用cimcb,可以使用以下内容: