R包开发   28 Mar 2020
R包开发书籍 Writing R Extensions https://qianjiye.de/2015/04/r-packages R包开发 使用devtools+Rtools进行R包开发，而Linux可以使用dockor+Rstudio开发版本。 create_package() library(devtools) create_package("./liripo.R") use_r() 使用use_r("scales")在R文件夹下生成一个scales.R文件。 下面举个我写的例子，参考函数scales::show_col #’ @title show your colors by ggplot2 #’ #’ @param colors colors #’ @param ncol ncol #’ @importFrom ggplot2 ggplot geomtile aes aes #’ @importFrom ggplot2 geom_text scale_fill_manual theme_void #’ @export show_color <- function(colors,ncol = NULL){ n <- length(colors) ncol <- ncol %||% ceiling(sqrt(length(colors))) nrow <- ceiling(n/ncol) tbl <- data.frame(cols = rep(1:ncol,times = nrow), rows = rep(nrow:1,each = ncol), colors = c(colors,rep(NA,ncol*nrow-length(colors))) ) tbl <- na.

docker安装使用   28 Mar 2020
docker从入门到实践 安装docker linux ubuntu 1.安装依赖 sudo apt-get install \ apt-transport-https \ ca-certificates \ curl \ software-properties-common 2.为了确认所下载软件包的合法性，需要添加软件源的 GPG 密钥。 $ curl -fsSL https://mirrors.ustc.edu.cn/docker-ce/linux/ubuntu/gpg | sudo apt-key add - # 官方源 # $ curl -fsSL https://download.docker.com/linux/ubuntu/gpg | sudo apt-key add - 3.然后，我们需要向 source.list 中添加 Docker 软件源 $ sudo add-apt-repository \ "deb [arch=amd64] https://mirrors.ustc.edu.cn/docker-ce/linux/ubuntu \ $(lsb_release -cs) \ stable" # 官方源 # $ sudo add-apt-repository \ # "deb [arch=amd64] https://download.

windows10安装linux   21 Mar 2020

windows10安装ubuntu，以及源码安装python到指定目录，及更多相关配置。

温馨提示：目前已有wsl2,推荐安装wsl2。

ggplot2绘制图收录   08 Mar 2020
文章包含一些我绘制过的ggplot2图一些美化方法。

java更新word文档目录页码   04 Mar 2020
使用aspose-words java更新word文档目录页码。正版需要购买。

数据下载工具   01 Mar 2020
经常性下载速度很慢，纪录一些有用工具。

python-docx笔记   12 Feb 2020

docx文件是office2007之后的版本使用的，docx格式的文件本质上是一个zip文件，主要内容是保存为XML格式的，因此可以通过修改Word背后的XML文件来设置自动更新域 。

vcf文件注释   20 Jan 2020

原始测序文件fq.gz经genome比对，变异检测得到vcf文件，亦即变异位点文件， 只是通过看vcf文件我们是不知道些变异位点到底是位于基因的exon、intron、UTR等的哪些区域的 ，所以需要注释， 常用的vcf注释软件有annovar和snpEff 。

R包shiny   15 Jan 2020
R包shiny 可以构建交互式Web应用程序 。

fastp+gencore使用   07 Jan 2020

使用以上两个软件+vardict/varscan/outLyzer构建UMI分析流程

网址收录   07 Jan 2020
对一些有用的网址进行收录

翻墙？自搭！   06 Jan 2020

购买海外服务器，选用 virmach，或者Vultr、Linode、DigitalOcean。

xshell进入服务器后创建用户，非必须。

adduser liripo && passwd liripo
#添加sudo权限
$ vim /etc/sudoers
#在root    ALL=(ALL)       ALL下面添加
liripo   ALL=(ALL)      ALL

xshell 和 xming 联合使用图形界面软件   23 Dec 2019
xmanger 是与xshell搭配的图形界面管理器，需要付费，作为替代，使用xming，只是运行没那么快。

bioconductor的学习与使用   22 Dec 2019

在生物信息学领域 , bioPerl和bioPython 是使用和研究生物信息学的开发者提供的在线资源库，那么bioR应当就是bioconductor。

bioawk使用   20 Dec 2019

awk是我很喜欢的处理文本文件的工具，称他为一种语言也不过分了。但是在处理生信文件时还是不方便。另一种选择就是使用bioawk。唯一的短板就是无法使用awk内置变量，无法同时操作多个文件。

grep使用   19 Dec 2019

grep ：文本搜索工具。

FASTQC使用   18 Dec 2019

fastqc:一种用于高通量序列数据的质量控制应用程序。

Markdown与Typora,Rmarkdown   17 Dec 2019

在线教程

samtools使用   17 Dec 2019

samtools是一个用于操作sam和bam文件的工具合集。sam为bam文件的十进制文件；bam为二进制文件。

bamdst使用   17 Dec 2019
bamdst:用于计算bam文件测序深度和覆盖度（Sequencing depth and coverage）,有个疑问，应该使用哪个bam呢？？使用bwa及samtools得到的bam测序深度很高。。

Github及Git使用   13 Dec 2019
Github在线教程【第一版】 Github在线教程【第二版】 以下为我自己的总结

R与生物统计学   09 Dec 2019
描述性统计量 为了解决某个问题，我们通常会观察一组和该问题相关的样本，利用总体中的部分样本来推断总体的情况进而得到相关结论。在通过样本推断总体前，首先需用对已有样本数据进行简单的评估和描述，针对这一需求也就引出了描述统计量这一概念。进行描述性统计时，我们最关注数据两个层面的问题：数据的集中趋势和变异分散性。 数据的集中趋势 均值 中位数 众数 在R中，均值和中位数可以通过mean()和median()进行计算,而众数可以画直方图，modeest包mfv()函数，或者自己写个函数 数据的变异性（离散性） 极值 分位数 方差 标准差 在R中，可以通过quantile()计算分位数，通过var()来计算方差，通过sd()来计算标准差。 变异系数(CV):变异系数是指样本标准差除以均值再乘100%——区分两个样本标准差相同但是均值相差很大的情况。 summary()函数会得到一个data frame 的很多 描述性统计量。当数据某一列是数值型变量时，可以得到该列数据的均值、极值、方差和分位数。 形象化展示 形象化展示：用图来展示数据结果，比较常见的方法有条形图，箱线图，直方图等展示上述的统计量。 概率知识点 统计学中大量内容源于概率，其中尤为重要的是条件概率，以及延伸出的贝叶斯定理。 样本空间 事件 条件概率与贝叶斯定理 用两个事件来尝试理解 条件概率(Conditional Probability)用来描述与其他事件的发生相关的某事件的概率；P(A|B)是指在B发生的情况下A发生的概率。 条件概率计算公式:即AB同时发生的次数除以所有B发生的次数。 $$ P(A|B)=\frac{P(A\cap B)}{P(B)} $$ 差个题外话，倘若A、B为相互独立事件，则： $$ P(A|B)=\frac{P(A\cap B)}{P(B)}=\frac{P(A)\times P(B)}{P(B)}=P(A) $$ 即用条件概率公式反证明事件 A 发生的概率与 B 无关。 条件概率公式推导出乘法公式：【其中$P(A\cap B)$可以写作P(AB)】 $P(A|B)=\frac{P(A\cap B)}{P(B)}$ => $P(A\cap B)=P(B)\times P(A|B)=P(A)\times P(B|A)$ 全概率公式：$\overline{A}$为A的对立事件 $$ P(B)=P(A)\times P(B|A)+P(\overline{A})\times P(B|\overline{A}) $$ 通过全概率公式与条件概率，乘法公式，可以推导出贝叶斯定理： $$ P(A|B)=\frac{P(A\cap B)}{P(B)}=\frac{P(A)\times P(B|A)}{P(B)}=\frac{P(A)\times P(B|A)}{P(A)\times P(B|A)+P(\overline{A})\times P(B|\overline{A})} $$

conda   25 Nov 2019
spyder3 spyder github网址,其提供的安装方法有多种，官方强推anaconda,确实我本人也喜欢使用，anaconda同时还创建了虚拟环境，使得我在linux使用各种软件如R、python等不需要过多的权限。miniconda是缩过之后的anaconda，没有那么多额外的软件，但也是可以使用虚拟环境的。 windows下简单使用pip install spyder安装即可，打开方式为在命令行中键入：spyder3 汉化spyder3 SpyderSimplifiedChinese-master下载解压后，到根目录使用shift键点击鼠标右键打开命令行窗口或者powershell;运行python main.py 或者python .\main.py; 重启Spyder,选择Tools—Preferences—General—Advanced Settings—language—–简体中文； anaconda anaconda有必要同时说下。 Anaconda可以便捷获取包且对包能够进行管理，同时对环境可以统一管理的发行版本。Anaconda包含了conda、Python在内的超过180个科学包及其依赖项。推荐 不需要那么多可以使用Miniconda。 Anaconda 其包含的科学包包括：conda, numpy, scipy, ipython notebook等。 conda 包及其依赖项和环境的管理工具,适用于Python, R, Ruby, Lua, Scala, Java, JavaScript, C/C++, FORTRAN pip pip是用于安装和管理软件包的包管理器 virtualenv 用于创建一个独立的Python环境的工具。 conda:仅需要几条命令，你可以创建一个完全独立的环境来运行不同的Python或者其他语言的版本。 安装过程中，会有将conda加入环境变量的提示，当然，忘记加入时可以手动添加。conda的位置windows版本是在安装根目录下的scripts目录下。 conda命令 conda list会显示已经安装的包名和版本号。 anaconda-navigator启动anaconda图形界面。 conda update conda更新conda 创建新环境 conda creante -n <env_name> <you==版本> <env_name>即创建的环境名。建议以英文命名，且不加空格。名称两边不加尖括号“<>”。 <you==版本>即安装在环境中的包名或者语言的版本。名称两边不加尖括号“<>”。 例如：conda creante -n liaorp python==3.

sed使用   11 Nov 2019

sed 命令是一个面向行处理的工具，它以“行”为处理单位，针对每一行进行处理。与awk不同，awk是以”列“为处理单位[当然，awk也是一行行进行处理的]。 在线教程

awk使用   11 Nov 2019
awk逐行读入文件，以空格为默认分隔符将每行切片，切开的部分再进行各种分析处理。 awk书籍github

gitbash配置文件   08 Nov 2019
gitbash的好处是能在windows下使用bash命令以及自带vim编辑器。

Bioinformatics名词,数据文件   08 Nov 2019
记录一些生物信息的名词与工具及各种数据库

概率论与数理统计学习   03 Nov 2019

Hexo+github搭建blog   02 Nov 2019
准备工作：安装node.js,git,hexo,加上github账户即可。 hexo官方文档 什么是Github Page >备注：以下前面为hexo在git for windows的配置安装，前三个标题推荐改为使用WSL>安装，linux子系统安装后可看这篇章的标题–在WSL中手动安装node,hexo，之后再按照第三个标题相关配置往下进行。

小说   01 Nov 2019

# 第一章

浩瀚的大陆，山峰林立，川流永动。其间万族鼎立，尤以人族昌盛。

基因芯片差异性分析   01 Nov 2019
起初使用的是oligo与limma结合分析，可惜的是rma校正后limma分析的结果不合实际，所以直接使用GEO2R上的代码，并修改成不在线的读取data.frame。但是仍旧得探究limma直接读取cel文件的情况。其中还遇到了读取CDF文件的情况。

   01 Jan 0001
Postgresql

jupyter使用   01 Jan 0001

安装 可以查看官网 之后使用jupyter notebook即可运行 修改工作目录 没有jupyter配置文件需要生成一个初始的配置文件 jupyter notebook –generate-config 之后会在命令行生成一个配置文件："C:\Users\Administrator.jupyter\jupyter_notebook_config.py" 查找The directory to use for notebooks and kernels字样 修改#c.NotebookApp.notebook_dir = “”为所要的工作目录，记得去掉“#”号。

快捷键 jupyter的快捷键帮助是中文的，可以直接看Help.

jupyter使用R 网址github 使用多个python版本 在其他python路径中安装ipykernel,第一个是你的其他python版本的具体路径 python3.7.exe -m pip install ipykernel 然后运行 python3.7.exe -m ipykernel install -h 查看帮助，发现有个–user 和–name –display-name参数可以使用 所以接着运行 python3.7.exe -m ipykernel install –user –name python3.7 –display-name python3.7 之后运行 jupyter kernelspec list 应该会看到你的用户目录多了个文件夹,比如我的,因为我还装了R，所以有个ir Available kernels: python3 C:\Users\Liripo\AppData\Roaming\jupyter\kernels\python3 python3.7 C:\Users\Liripo\AppData\Roaming\jupyter\kernels\python3.7 ir C:\ProgramData\jupyter\kernels\ir

蒙特卡洛计算Π   01 Jan 0001
π值的计算 构造一个单位正方形和一个单位圆的1/4，往整个区域内随机投入点，根据点到原点的距离>1还是<=1判断点是落在1/4的圆内还是在圆外，从而根据落在两个不同区域的点的数目，求出两个区域的比值。这个比值乘以4，即是圆周率π。 圆的面积：(\frac{1}{4}\pi) 正方形面积：(1) 概率：(p = \frac{1}{\frac{1}{4}\pi} = \frac{圆内点数}{圆外点个数}) so,(\pi = 4p) library(tidyverse) pi_data <- function(n){ x0 <- 0 y0 <- 0 x <- runif(n) y <- runif(n) distances <- sqrt((x-x0)^2+(y-y0)^2) point <- ifelse(distances <= 1, "inside", "outside") id <- 1:n pi_predict <- cumsum(point == "inside")/id * 4 data <- data.frame(id, x, y, distances, point, pi_predict) } data1000 <- pi_data(n = 1000) p1 <- ggplot(data1000) + geom_rect(aes(xmin = 0,xmax = 1,ymin = 0, ymax = 1),color = "black",alpha = 0) + ggforce::geom_arc(aes(x0 = 0, y0 = 0,r = 1, start = 0,end = pi/2)) +coord_fixed() + geom_point(data = data1000,aes(x,y,color = point)) p1 p2 <- ggplot(data1000) + geom_line(aes(x = id,y = pi_predict))+ geom_hline(yintercept = pi) p2 试下动态图 library(gganimate) anim <- ggplot(data1000) + geom_rect(aes(xmin = 0,xmax = 1,ymin = 0, ymax = 1),color = "black",alpha = 0) + ggforce::geom_arc0(aes(x0 = 0, y0 = 0,r = 1, start = 0,end = pi/2)) +coord_fixed() + geom_point(data = data1000,aes(x,y,color = point,group = id)) + transition_reveal(along = id) + labs(title = "frame:{frame} of {nframes}") anim2 <-animate(anim, nframes = 100, fps = 10, width = 550, height = 540, res = 90, renderer = gifski_renderer(loop = T)) anim2 make_run2 <- function(pi_data){ anim <- ggplot(pi_data,aes(id ,pi_predict)) + geom_line() + geom_point(aes(group = seq_along(id)),color = "red",size = 1)+ transition_reveal(id)+ geom_hline(yintercept = pi) anim2 <-animate(anim, nframes = 100, fps = 10, width = 550, height = 540, res = 90, renderer = gifski_renderer(loop = T)) } last <- make_run2(data1000) last