cdiener

#!/usr/bin/env python3

"""Set up Qiime 2 on Google colab.

Do not use this on o local machine, especially not as an admin!
"""

import os
import sys
import shutil

cdiener

import sys; from PIL import Image; import numpy as np

chars = np.asarray(list(' .,:;irsXA253hMHGS#9B&@'))

if len(sys.argv) != 4: print( 'Usage: ./asciinator.py image scale factor' ); sys.exit()
f, SC, GCF, WCF = sys.argv[1], float(sys.argv[2]), float(sys.argv[3]), 7/4

img = Image.open(f)
S = ( round(img.size[0]*SC*WCF), round(img.size[1]*SC) )
img = np.sum( np.asarray( img.resize(S) ), axis=2)

cdiener

a = "bla"
b = "so on"
class(a) = append("my_class", class(a))

'+.my_class' = function(x,y) paste(x,y,sep=" and ")

print(a+b)

cdiener

cdiener

# This line imports the modules we will need. The first is the sys module used
# to read the command line arguments. Second the Python Imaging Library to read
# the image and third numpy, a linear algebra/vector/matrix module.
import sys; from PIL import Image; import numpy as np

# This is a list of characters from low to high "blackness" in order to map the
# intensities of the image to ascii characters 
chars = np.asarray(list(' .,:;irsXA253hMHGS#9B&@'))
 
# Check whether all necessary command line arguments were given, if not exit and show a

cdiener

Como instalar Python y Jupyter

Para las siguientes clases vamos a usar Python como nuestro lenguaje de programación preferido. En particular, vamos a usar la versión 3 de Python y las libretas de Jupyter. Para ya tener una instalación funcional en la clase, aquí hay unas pistas para la instalación. Para la instalación en Windows y Mac vamos a usar la versión de Anaconda mientras que para Linux usamos la versión nativa de Python.

Para Windows

cdiener

Instalación de Docker

Lo primero que tienes que saber sobre la instalación de docker es que para Mac y windows hay dos versiones de docker:

1. una versión legacy que usa maquinas virtuales (VM) para correr docker adentro de una maquina virtual.
2. una versión nativa que usa una capa de compatibilidad (HyperKit + Hypervisor en Mac y Hyper-V en Windows) para correr docker directamente con el kernel nativo

La versión nativa (opción 2) tiene menos overhead y corre más rapido pero pone mas restricciones a su OS. Por el momento yo recomiendo que usan esta versión en Mac y Linux y la version legacy (opcion 1) en Windows.

cdiener

library(data.table)
library(ggplot2)
library(magrittr)
library(pbapply)

large <- fread("ERR260132_genes.csv")

#' Sample a rarefied version of a count vector.
#'
#' @param x A named vector of counts.

cdiener

{
    "workbench.colorTheme": "Sublime Material Theme - Dark",
    "workbench.iconTheme": "material-icon-theme",
    "editor.fontFamily": "'Fira Mono', monospace",
    "editor.fontSize": 17,
    "editor.rulers": [80],
    "window.zoomLevel": 0,
    "window.menuBarVisibility": "toggle",

    // Settings for Python

cdiener

import json
import pandas as pd
from sys import argv, exit


def benchmark_to_df(json_file):
    with open(json_file) as jf:
        content = json.load(jf)
        df = pd.DataFrame(columns=("test", "time [ms]"))
        for b in content["benchmarks"]: