Skip to content

Instantly share code, notes, and snippets.

Researching 'em microbes...

Christian Diener cdiener

Researching 'em microbes...
View GitHub Profile
cdiener /
Last active Oct 8, 2020
Set up Qiime 2 on Google colab
"""Set up Qiime 2 on Google colab.
Do not use this on o local machine, especially not as an admin!
import os
import sys
from subprocess import Popen, PIPE
r = Popen(["pip", "install", "rich"])

Keybase proof

I hereby claim:

  • I am cdiener on github.
  • I am cdiener ( on keybase.
  • I have a public key ASBZVRZQ9U_qJu_jYWdikE66fJ9Vbl6g-YWN92NVOcc8kgo

To claim this, I am signing this object:

cdiener /
Last active Jan 20, 2018
Como instalar Python y Jupyter

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 /
Last active Nov 9, 2017
Como instalar docker para la clase de Desafio LatAm.

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 / orlitsky.R
Created Sep 1, 2017
Source code for my blog post
View orlitsky.R
large <- fread("ERR260132_genes.csv")
#' Sample a rarefied version of a count vector.
#' @param x A named vector of counts.
cdiener / settings.json
Created Jun 16, 2017
My vscode settings....
View settings.json
"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 /
Last active Mar 6, 2017
Compare pytest benchmarks
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"]:
cdiener / enrichment.R
Created May 4, 2016
Small GSEA implementation
View enrichment.R
ES <- function(p, w, pws, both=FALSE) {
n <- length(pws)
nr <- sum(abs(w[pws == p]))
nh <- sum(pws == p)
scores <- vector(length=n)
scores[pws == p] <- abs(w[pws == p])/nr
scores[pws != p] <- -1/(n - nh)
r <- range(cumsum(scores))
i <- which.max(abs(r))
#/usr/bin/env python
from cobra.test import create_test_model
from cobra.flux_analysis import single_gene_deletion
cobra_model = create_test_model("textbook")
dels = {"b0008": 0.87, "b0114": 0.71, "b0116": 0.56, "b2276": 0.11, "b1779": 0.00}
rates, statuses = single_gene_deletion(cobra_model, gene_list=dels.keys(),
method="moma", solver="mosek")
cdiener / eset_reduce.R
Last active Feb 3, 2016
ExpressionSet reducer - allows you to reduce the features of an expression set from an nxn grouping, for instance probesets to genes/transcripts etc.
View eset_reduce.R
#' Reduces an ExpressionSet by an n-to-n map of features to groups. All entries
#' in \code{features} must exist in \code{eset}. \code{features} and
#' \code{groups} must have the same length.
#' @param eset An ExpressionSet object.
#' @param features A character vector of features to be grouped.
#' @param groups A factor or character vector mapping the entries in
#' \code{features} to groups.
You can’t perform that action at this time.