人类各染色体缺失/重复统计柱状图（matplotlib）

原创 已于 2024-07-15 19:04:57 修改 · 396 阅读 · 2 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#matplotlib #python #数据分析

于 2024-05-17 13:36:47 首次发布
该博客介绍了如何利用Python的matplotlib库，绘制人类24条染色体的缺失和重复统计柱状图。首先，定义了读取数据文件的函数，然后合并绘图所需的数据，接着绘制柱状图，并最终展示结果。

绘制人类各条染色体缺失/重复统计柱状图。

读取数据文件函数

import pandas as pd
import matplotlib as plt

def read_file(file_path: str):
    if file_path.endswith(('.tsv', '.txt')):
        # 缺失值填充为NA
        return pd.read_csv(file_path, sep='\t').fillna('NA') if os.path.exists(file_path) else pd.DataFrame()
    elif file_path.endswith(('.xls', '.xlsx')):
        return pd.read_excel(file_path).fillna('NA') if os.path.exists(file_path) else pd.DataFrame()
    else:
        raise Exception("ERROR FILE FORMAT")

合并绘图数据

def merge_statistics(outdir='./'):
		# 读取文件
    dataframe1=read_file(file_path=outdir + "data1.tsv")
    dataframe2=read_file(
最低0.47元/天 解锁文章
请问共线性分析得到几组重复基因对，怎么根据重复对的基因组和cDNA进行分析分析每个重复对的外显子发生的插入缺失，溶解连接等现象。
**My Coding Family**
07-20 663
🏆本文收录于 《全栈Bug调优(实战版)》 专栏，该专栏专注于分享我在真实项目开发中遇到的各类疑难Bug及其深层成因，并系统提供高效、可复现的解决思路和实操方案。无论你是刚入行的新手开发者，还是拥有多年项目经验的资深工程师，本专栏都将为你提供一条系统化、高质量的问题排查与优化路径，助力你加速成长，攻克技术壁垒，迈向技术价值最大化与职业发展的更高峰🚀！
在线画图工具_画最美染色体，就要用这个新工具 | 今天被CRAN接收
weixin_39647773的博客
11-22 1246
今天已由CRAN审核通过，一行命令搞定安装：install.packages("RIdeogram")【需求描述】我要画差异表达基因在染色体上的分布（RNA-seq）or 开放染色质在染色体上的分布（DNase/ATAC-seq）or CTCF在染色体上的结合位点（ChIP-seq）or 突变位点在染色体上的分布（WGS）or DNA甲基化在染色体上的分布（WGBS）找工具来解决：perl工具ci...
python绘制基因结构图_使用biopython可视化染色体和基因元件
weixin_31860973的博客
02-04 3662
欢迎关注”生信修炼手册”!基因组结构元件的可视化有多种方式，比如IGV等基因组浏览器中以track为单位的展示形式，亦或以circos为代表的圈图形式，比如在细胞器基因组组装中，基因元件常用圈图形式展示，示例如下在biopython中，通过BiolGraphics子模块可以对基因组结构进行可视化，支持线性和圈图两种可视化方式。其中，基因组结构信息存储在genebank格式的文件中，首先通过Bio....
使用biopython可视化染色体和基因元件
庐州月光的博客
01-06 2398
欢迎关注”生信修炼手册”!基因组结构元件的可视化有多种方式，比如IGV等基因组浏览器中以track为单位的展示形式，亦或以circos为代表的圈图形式，比如在细胞器基因组组装中，基因元件...
Python pandas 染色体 SNP 位点提取 并排序
qq_40256654的博客
11-29 1939
import pandas as pd from pandas import DataFrame as df f = open('C:\\Users\\windows10\\Desktop\\Python练习\\文本流\\1177genetype_hapmapcp1_18_01.txt') d0 = pd.read_table(f, sep = "\t") #header 默认为第一行 d0.s...
本地使用Python通过染色体id+位置查询基因名列表
Javis486的专栏
10-18 5215
简介 通常使用bwa做mapping后会获得sam文件，而sam文件包含2个重要的字段：该序列mapping上的染色体id和位置(比如第2列(chr5)和第3列(36345037)) KMER_44 0 chr5 36345037 37 7M1D24M * 0 0 CTGATGCAAAAAAAAAAAAGCTTTTTTG...
送你一个目录，一站式学习生信！众多干货，有趣有料！
悟道西方
12-20 9179
生信的作用越来越大，想学的人越来越多，不管是为了以后发展，还是为了解决眼下的问题。但生信学习不是一朝一夕就可以完成的事情，也许你可以很短时间学会一个交互式软件的操作，却不能看完程序教学视频...
生信宝典教程大放送，一站式学习生信技术
悟道西方
11-14 6060
生物信息学包含生物数据分析、数据可视化、重复工作程序化，是生物、医学科研必备的技能之一。生信宝典精心组织生信学习系列教程、生信工具精品教程，通过大量的生信例子、关键的注释、浓缩的语句和录...
【大学生数学建模竞赛】2016年数模竞赛C题通关指南
大雨的博客
08-27 962
摘要：2016年大学生数学建模竞赛C题围绕Goodgrant基金会1亿美元教育投资策略展开。赛题要求建立模型筛选投资学校、确定投资金额、计算慈善回报率及规划投资周期。解题过程包括：1）分析毕业率、就业率等关键指标；2）构建线性回归或层次分析法ROI模型；3）应用遗传算法优化投资分配。配套数据来自美国国家教育统计中心，涵盖院校多维数据。研究结果表明，资金应优先配置给教育质量高、发展潜力大的院校，同时揭示了数据质量对模型准确性的重要影响。本题展示了数学建模在解决复杂实际问题中的强大应用价值。
import pandas as pd import numpy as np from sklearn.model_selection import train_test_split from sklearn.metrics import classification_report, roc_auc_score import xgboost as xgb import shap import matplotlib.pyplot as plt import warnings # 忽略警告 warnings.filterwarnings('ignore') # 1. 数据读取与预处理 =========================================================== # 读取Excel文件（第二个工作表） df = pd.read_excel('附件.xlsx', sheet_name=1) print(f"数据维度: {df.shape}") print("列名:", df.columns.tolist()) # 2. 特征工程 ================================================================= # 2.1 构造标签（异常=1, 正常=0） df['label'] = df['染色体的非整倍体'].notnull().astype(int) # 2.2 特征构造 # GC偏差 df['GC_bias'] = (df['GC含量'] - 0.4).abs() # 读段比例 df['reads_ratio'] = df['唯一比对的读段数'] / df['原始读段数'] # Z值相关特征 z_columns = ['13号染色体的Z值', '18号染色体的Z值', '21号染色体的Z值'] df['max_Z'] = df[z_columns].abs().max(axis=1) df['sum_Z_sq'] = df[z_columns].apply(lambda x: np.sum(np.square(x)), axis=1) # X染色体偏移 df['ZX_offset'] = df['X染色体的Z值'].abs() # 3. 特征/标签准备 ============================================================= # 特征列表（包含原始特征和构造特征） features = [ '13号染色体的Z值', '18号染色体的Z值', '21号染色体的Z值', 'X染色体的Z值', 'GC_bias', 'reads_ratio', '孕妇BMI', 'max_Z', 'sum_Z_sq', 'ZX_offset' ] # 处理缺失值（用0填充） X = df[features].fillna(0) y = df['label'] # 4. 数据划分 ================================================================= X_train, X_test, y_train, y_test = train_test_split( X, y, test_size=0.25, random_state=42, stratify=y # 分层抽样保持类别比例 ) print(f"\n训练集: {X_train.shape[0]} 样本, 测试集: {X_test.shape[0]} 样本") print(f"阳性样本比例: 训练集 {y_train.mean():.2%}, 测试集 {y_test.mean():.2%}") # 5. 模型训练 ================================================================= # 计算类别权重处理不平衡数据 scale_pos_weight = (y_train == 0).sum() / (y_train == 1).sum() model = xgb.XGBClassifier( n_estimators=300, max_depth=4, learning_rate=0.1, subsample=0.8, colsample_bytree=0.8, objective='binary:logistic', scale_pos_weight=scale_pos_weight, random_state=42, eval_metric='auc' ) # 训练模型 model.fit(X_train, y_train) # 6. 模型评估 ================================================================= # 测试集预测 y_pred = model.predict(X_test) y_proba = model.predict_proba(X_test)[:, 1] # 输出评估报告 print("\n" + "="*50) print("模型评估报告:") print("="*50) print(classification_report(y_test, y_pred)) print(f"AUC = {roc_auc_score(y_test, y_proba):.4f}") # 7. SHAP 解释 ================================================================ # 初始化解释器 explainer = shap.TreeExplainer(model) # 计算SHAP值（使用部分样本提高速度） sample_indices = np.random.choice(X_test.index, min(500, len(X_test)), replace=False) X_sample = X_test.loc[sample_indices] shap_values = explainer.shap_values(X_sample) # 7.1 特征重要性摘要图 plt.figure(figsize=(10, 6)) shap.summary_plot(shap_values, X_sample, plot_type="bar", show=False) plt.title("Feature importance(SHAP)", fontsize=14) plt.tight_layout() plt.savefig('SHAP_特征重要性.png', dpi=300) # 7.2 单样本force plot plt.figure(figsize=(12, 4)) abn_samples = X_test[y_test == 1] if not abn_samples.empty: sample_idx = abn_samples.index[0] sample_data = X_test.loc[[sample_idx]] sample_shap = explainer.shap_values(sample_data) shap.force_plot( explainer.expected_value, sample_shap[0], sample_data.iloc[0], matplotlib=True, show=False ) plt.title(f"SHAP explanation of sample {sample_idx} (anomalous sample)", fontsize=12) plt.tight_layout() plt.savefig('SHAP_异常样本解释.png', dpi=300) # 8. 生成可解释报告 =========================================================== def get_shap_contributions(row): """获取单样本的SHAP贡献值""" idx_val = row.name if idx_val in X_sample.index: idx_pos = list(X_sample.index).index(idx_val) return dict(zip(features, shap_values[idx_pos])) return {col: np.nan for col in features} # 创建报告 report = pd.DataFrame() report['样本ID'] = X_test.index report = report.set_index('样本ID') shap_df = report.apply(get_shap_contributions, axis=1, result_type='expand') # 合并结果 final_report = pd.concat([ X_test, shap_df.add_prefix('SHAP_'), pd.Series(model.predict(X_test), index=X_test.index, name='预测标签'), pd.Series(y_proba, index=X_test.index, name='预测概率'), y_test.rename('真实标签') ], axis=1) # 保存报告 final_report.to_csv('女胎异常判定_可解释报告.csv', encoding='utf-8-sig') print("\n已生成 '女胎异常判定_可解释报告.csv'") print("="*50) print("处理完成!") 生成图后存在乱码，怎么进行修改
09-08
特征重要性柱状图 shap_values_abs = np.abs(shap_values).mean(0) sorted_idx = np.argsort(shap_values_abs)[::-1] plt.figure(figsize=(10, 6)) plt.barh(range(len(sorted_idx)), shap_values_abs[sorted_idx],...
import pandas as pd import numpy as np import matplotlib.pyplot as plt import seaborn as sns from scipy import stats from sklearn.cluster import KMeans from sklearn.linear_model import LinearRegression from sklearn.preprocessing import PolynomialFeatures from sklearn.pipeline import Pipeline import warnings warnings.filterwarnings('ignore') # 读取清洗后的数据 df = pd.read_csv('cleaned_data.csv') # 确保只处理男胎数据：Y染色体浓度非空 df_male = df[df['Y染色体浓度'].notna()].copy() print(f"男胎数据量: {len(df_male)}") # 计算孕周数（如果尚未计算） def extract_weeks(s): if isinstance(s, str): if 'w' in s: parts = s.split('w') weeks = float(parts[0]) if '+' in parts[1]: days = float(parts[1].split('+')[1].replace('d', '')) weeks += days / 7 return weeks return np.nan if '孕周数' not in df_male.columns: df_male['孕周数'] = df_male['检测孕周'].apply(extract_weeks) # 移除孕周数或Y染色体浓度为NaN的行 df_male = df_male.dropna(subset=['孕周数', 'Y染色体浓度', '孕妇BMI']) # 定义BMI分组边界（初始分组基于临床经验） bmi_bins = [20, 28, 32, 36, 40, np.inf] bmi_labels = ['20-28', '28-32', '32-36', '36-40', '40+'] df_male['BMI分组'] = pd.cut(df_male['孕妇BMI'], bins=bmi_bins, labels=bmi_labels, right=False) # 检查每组数据量 print("各BMI分组数据量:") print(df_male['BMI分组'].value_counts()) # 对于每个BMI分组，找到Y染色体浓度达到4%的孕周数 # 由于每个孕妇可能有多次检测，我们首先对每个孕妇找到浓度达标的最早孕周 # 分组按孕妇代码和BMI分组 df_male['达标'] = df_male['Y染色体浓度'] >= 4.0 # 对于每个孕妇，找到达标的最早孕周 earliest_weeks = df_male[df_male['达标']].groupby('孕妇代码')['孕周数'].min().reset_index() earliest_weeks.rename(columns={'孕周数': '达标孕周'}, inplace=True) # 合并回原数据，获取每个孕妇的BMI分组 patient_bmi = df_male.groupby('孕妇代码')['孕妇BMI'].first().reset_index() patient_bmi['BMI分组'] = pd.cut(patient_bmi['孕妇BMI'], bins=bmi_bins, labels=bmi_labels, right=False) earliest_weeks = earliest_weeks.merge(patient_bmi, on='孕妇代码', how='left') # 对于每个BMI分组，计算达标孕周的分布 grouped = earliest_weeks.groupby('BMI分组')['达标孕周'] descriptive_stats = grouped.describe(percentiles=[0.05, 0.1, 0.25, 0.5, 0.75, 0.9, 0.95]) print("各BMI分组达标孕周的描述统计:") print(descriptive_stats) # 确定最佳NIPT时点：对于每组，选择第95百分位数的达标孕周，以确保95%的孕妇在该时点已达标 best_timing = grouped.quantile(0.95).reset_index() best_timing.rename(columns={'达标孕周': '最佳NIPT时点(周)'}, inplace=True) print("各BMI分组的最佳NIPT时点(第95百分位数):") print(best_timing) # 可视化达标孕周分布 plt.figure(figsize=(10, 6)) sns.boxplot(x='BMI分组', y='达标孕周', data=earliest_weeks) plt.axhline(y=12, color='g', linestyle='--', label='12周（早期风险低）') plt.axhline(y=27, color='r', linestyle='--', label='27周（中期风险高）') plt.title('各BMI分组Y染色体浓度达标孕周分布') plt.ylabel('孕周（周）') plt.legend() plt.savefig('各BMI分组达标孕周分布.png') plt.show() # 风险分析：比较最佳时点与风险周数 best_timing['风险等级'] = best_timing['最佳NIPT时点(周)'].apply( lambda x: '低风险' if x <= 12 else '高风险' if x <= 27 else '极高风险' ) print("最佳NIPT时点的风险等级:") print(best_timing[['BMI分组', '最佳NIPT时点(周)', '风险等级']]) # 检测误差分析 # 假设Y染色体浓度测量误差为±0.5%（根据临床典型误差），孕周估计误差为±0.5周 # 使用蒙特卡洛模拟评估误差对达标时间估计的影响 np.random.seed(42) n_simulations = 1000 error_results = [] for bmi_group in bmi_labels: group_data = earliest_weeks[earliest_weeks['BMI分组'] == bmi_group] if len(group_data) == 0: continue # 模拟误差 simulated_weeks = [] for _, row in group_data.iterrows(): base_week = row['达标孕周'] # 模拟孕周误差和浓度误差（浓度误差可能影响达标时间，但这里我们直接模拟达标孕周误差） # 由于达标孕周是基于浓度≥4%定义的，误差会同时影响浓度和孕周 # 简化：假设达标孕周估计有误差，误差分布为正态（均值0，标准差0.5周） simulated_week = np.random.normal(base_week, 0.5, n_simulations) simulated_weeks.extend(simulated_week) simulated_weeks = np.array(simulated_weeks) # 计算模拟后的第95百分位数 sim_95perc = np.percentile(simulated_weeks, 95) error_results.append({ 'BMI分组': bmi_group, '原始最佳时点': best_timing[best_timing['BMI分组'] == bmi_group]['最佳NIPT时点(周)'].iloc[0], '模拟最佳时点': sim_95perc, '误差': sim_95perc - best_timing[best_timing['BMI分组'] == bmi_group]['最佳NIPT时点(周)'].iloc[0] }) error_df = pd.DataFrame(error_results) print("检测误差对最佳NIPT时点的影响:") print(error_df) # 可视化误差影响 plt.figure(figsize=(10, 6)) x_pos = np.arange(len(bmi_labels)) plt.bar(x_pos, error_df['原始最佳时点'], width=0.4, label='原始最佳时点') plt.bar(x_pos + 0.4, error_df['模拟最佳时点'], width=0.4, label='模拟最佳时点（含误差）') plt.xticks(x_pos + 0.2, bmi_labels) plt.xlabel('BMI分组') plt.ylabel('最佳NIPT时点（周）') plt.title('检测误差对最佳NIPT时点的影响') plt.legend() plt.savefig('检测误差影响.png') plt.show() # 输出最终分组和最佳时点 print("\n最终BMI分组和最佳NIPT时点:") result_df = best_timing.copy() result_df['BMI区间'] = result_df['BMI分组'].apply( lambda x: '[20,28)' if x == '20-28' else '[28,32)' if x == '28-32' else '[32,36)' if x == '32-36' else '[36,40)' if x == '36-40' else '40+') result_df = result_df[['BMI分组', 'BMI区间', '最佳NIPT时点(周)', '风险等级']] print(result_df) 这段代码在运行后出现以下问题 C:\Study\anaconda3\envs\MCM\python.exe C:\Study\MCM\2.1.py 男胎数据量: 1082 各BMI分组数据量: BMI分组 28-32 539 32-36 412 36-40 93 20-28 19 40+ 18 Name: count, dtype: int64 各BMI分组达标孕周的描述统计: Empty DataFrame Columns: [count, mean, std, min, 5%, 10%, 25%, 50%, 75%, 90%, 95%, max] Index: [] 各BMI分组的最佳NIPT时点(第95百分位数): BMI分组 最佳NIPT时点(周) 0 20-28 NaN 1 28-32 NaN 2 32-36 NaN 3 36-40 NaN 4 40+ NaN 最佳NIPT时点的风险等级: BMI分组 最佳NIPT时点(周) 风险等级 0 20-28 NaN 极高风险 1 28-32 NaN 极高风险 2 32-36 NaN 极高风险 3 36-40 NaN 极高风险 4 40+ NaN 极高风险 检测误差对最佳NIPT时点的影响: Empty DataFrame Columns: [] Index: [] Traceback (most recent call last): File "C:\Study\MCM\2.1.py", line 126, in <module> plt.bar(x_pos, error_df['原始最佳时点'], width=0.4, label='原始最佳时点') File "C:\Study\anaconda3\envs\MCM\lib\site-packages\pandas\core\frame.py", line 4102, in __getitem__ indexer = self.columns.get_loc(key) File "C:\Study\anaconda3\envs\MCM\lib\site-packages\pandas\core\indexes\range.py", line 417, in get_loc raise KeyError(key) KeyError: '原始最佳时点' 进程已结束，退出代码为 1
09-07
代码概述 这段代码的目的是分析不同孕妇BMI分组下，Y染色体浓度达到4%的最早孕周（“达标孕周”），并据此确定最佳无创产前检测... - 使用`matplotlib`和`seaborn`绘制箱型图和柱状图，使用蒙特卡洛模拟评估误差影响。
为以下代码生成可视化图表：import pandas as pd from sklearn.model_selection import train_test_split, GridSearchCV from sklearn.ensemble import RandomForestClassifier from sklearn.metrics import accuracy_score, classification_report from sklearn.preprocessing import LabelEncoder from sklearn.feature_selection import SelectKBest, f_classif from imblearn.over_sampling import SMOTE # 读取文件 excel_file = pd.ExcelFile(r"C:\Users\admin\Desktop\fj.xlsx") # 获取指定工作表中的数据 df = excel_file.parse('女胎检测数据') # 删除染色体的非整倍体列中存在缺失值的行 df = df.dropna(subset=['染色体的非整倍体']) # 选取特征变量和目标变量 X = df[['13号染色体的Z值', '18号染色体的Z值', '21号染色体的Z值', 'X染色体的Z值', '13号染色体的GC含量', '18号染色体的GC含量', '21号染色体的GC含量', '孕妇BMI', '在参考基因组上比对的比例', '重复读段的比例', '唯一比对的读段数', '被过滤掉读段数的比例', 'GC含量']] y = df['染色体的非整倍体'] # 对目标变量进行编码 encoder = LabelEncoder() y = encoder.fit_transform(y) # 特征选择，选择 8 个最佳特征 selector = SelectKBest(score_func=f_classif, k=8) X = selector.fit_transform(X, y) # 使用 SMOTE 进行过采样，设置 k_neighbors 为 1 smote = SMOTE(random_state=42, k_neighbors=1) X_resampled, y_resampled = smote.fit_resample(X, y) # 划分训练集和测试集 X_train, X_test, y_train, y_test = train_test_split(X_resampled, y_resampled, test_size=0.2, random_state=42) # 定义要调整的参数范围 param_grid = { 'n_estimators': [100, 200, 300], 'max_depth': [None, 10, 20], 'min_samples_split': [2, 5, 10] } # 创建随机森林模型和网格搜索对象 rf = RandomForestClassifier(random_state=42) grid_search = GridSearchCV(estimator=rf, param_grid=param_grid, cv=3, scoring='accuracy') # 进行网格搜索 grid_search.fit(X_train, y_train) # 获取最优模型 best_rf = grid_search.best_estimator_ # 在测试集上进行预测 y_pred = best_rf.predict(X_test) # 评估模型性能 accuracy = accuracy_score(y_test, y_pred) print(f'模型准确率：{accuracy}') print('分类报告：') print(classification_report(y_test, y_pred)) # 这里假设原来是写错的地方，修改为 print print(y_test, y_pred)
09-08
- **特征重要性**：使用`Matplotlib`绘制特征重要性柱状图。 - **混淆矩阵**：使用`Seaborn`绘制混淆矩阵热力图。 - **ROC曲线**：使用`Matplotlib`绘制ROC曲线。 ### 注意事项 请将`'your_data.csv'`替换为实际...
Python在机器学习中的模型训练
2509_93937153的博客
11-26 174
上周对比SVM和随机森林时，用Pipeline把预处理和训练步骤串起来，cross_val_score直接出十折交叉验证结果，整个实验可复现性极高。数据预处理这块绝对是重头戏。最近在做回归项目，r2_score和mean_squared_error这几个指标函数随调随用，省去了自己实现的麻烦。但平心而论，在常规业务场景下，从数据探索到模型上线的整个生命周期，Python的生态链确实做到了无缝衔接。很多库的默认参数就够用，想要精细调控又能深入底层，这种灵活性才是我们坚持用Python搞机器学习的根本原因。
Python自动化测试框架开发
最新发布
2509_93945719的博客
11-26 317
封装requests时踩过坑，最初简单包装成通用方法，后来发现不同模块需要不同的超时策略和重试机制。框架开发过程中最大的体会是：好的设计不是一次性完成的，而是在不断踩坑、重构中迭代出来的。记住，自动化测试的终极目标不是追求100%覆盖率，而是用最小成本快速发现质量问题。最直观的变化是测试周期从原来的3天缩短到8小时，版本发布再也不用全员熬夜了。pytest的夹具机制比unittest灵活太多，特别是parametrize参数化，能轻松实现数据驱动。决定动手搭个统一的测试框架，把乱七八糟的脚本规范起来。
Java总结进阶之路 （基础二 ）
2509_94006474的博客
11-24 748
提示：java总结学习之路。
15：00开始面试，15：06就出来了，问的问题有点变态。。。
2301_78843735的博客
11-24 572
【摘要】本文分享了一位软件测试工程师的求职经历和面试经验。文章首先描述了作者遭遇降薪后寻求新工作的过程，并反思了在面试中因基础知识不足而失利的情况。随后系统整理了软件测试岗位的常见面试知识点，涵盖16个技术栈：包括测试理论、Linux、MySQL、Web/API/App测试、Python基础、性能测试等核心内容。其中详细列举了各技术栈的高频面试题，如测试步骤设计、Linux命令使用、Python编程题、MySQL优化等。最后提到完整的面试宝典包含近200页内容，旨在帮助求职者高效准备面试，提升通过率。
收藏！软件测试面试题
2401_86705770的博客
11-26 207
作为一位过来人也是希望大家少走一些弯路，如果你不想再体验一次学习时找不到资料，没人解答问题，坚持几天便放弃的感受的话，在这里我给大家分享一些自动化测试的学习资源，希望能给你前进的路上带来帮助。
Python全栈开发项目——AI智能聊天机器人
qiao_yue的博客
11-24 792
本项目实现了AI聊天功能，具有语音输入和聊天背景自定义等亮点功能
基于Python与Go构建云原生微服务自动化运维平台的架构设计思路实践策略与性能优化方法全流程解析
2501_94114213的博客
11-26 322
Python 提供灵活的任务调度与编排能力，Go 提供高并发、高吞吐的任务执行与采集能力。两者结合构建的云原生微服务运维平台能够在大规模环境下实现：自动化高可靠弹性扩展可观测高性能随着企业上云进程加速，Python + Go 的混合运维平台将成为云原生运维的标准实践方案。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

生信与基因组学

每一份鼓励是我坚持下去动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值