ਪਾਈਥਨ ਦੇ ਨਾਲ ਜੀਵ-ਵਿਗਿਆਨਕ ਡੇਟਾ ਵਿਸ਼ਲੇਸ਼ਣ ਦੇ ਬੁਨਿਆਦੀ ਤੱਤ

ਲਾਭ:

• ਕੋਡ ਲਿਖ ਕੇ ਨਿਰਣਾਇਕ ਆਉਟਪੁੱਟ 'ਤੇ ਭਰੋਸਾ ਕਰਨ ਦੀ ਯੋਗਤਾ ਜੋ ਕਿ ਜੈਵਿਕ ਡੇਟਾ ਨੂੰ ਨਕਲੀ ਬੁੱਧੀ ਨੂੰ ਪੜ੍ਹਦਾ ਅਤੇ ਸਾਫ਼ ਕਰਦਾ ਹੈ ਅਤੇ ਇਸਨੂੰ ਪਾਂਡਾ, ਨਮਪੀ ਅਤੇ ਬਾਇਓਪਾਈਥਨ ਨਾਲ ਆਪਣੇ ਆਪ ਚਲਾ ਰਿਹਾ ਹੈ।
• ਇੱਕ ਛੋਟੀ ਜਿਹੀ ਸਥਿਤੀ ਨਾਲ ਕੋਡ ਦੀ ਜਾਂਚ ਕਰਕੇ 'ਗਲਤ ਕੋਡ ਦੇ ਬਿਨਾਂ ਗਲਤੀ ਦੇ ਕੰਮ ਕਰਨ' ਦੇ ਜੋਖਮ ਤੋਂ ਬਚਣ ਦੇ ਯੋਗ ਹੋਣਾ ਜਿਸਦਾ ਨਤੀਜਾ ਜਾਣਿਆ ਜਾਂਦਾ ਹੈ ਅਤੇ ਇੱਕ ਦਾਅਵਾ ਟੈਸਟ।
• ਸੰਸਕਰਣ ਪਿੰਨਿੰਗ, ਬੇਤਰਤੀਬੇ ਸੀਡਿੰਗ ਅਤੇ ਕੱਚੇ ਡੇਟਾ ਦੀ ਸੰਭਾਲ ਦੀਆਂ ਆਦਤਾਂ ਦੇ ਨਾਲ ਇੱਕ ਦੁਹਰਾਉਣਯੋਗ ਵਿਸ਼ਲੇਸ਼ਣ ਸਥਾਪਤ ਕਰਨ ਦੀ ਸਮਰੱਥਾ

ਆਧੁਨਿਕ ਜੀਵ-ਵਿਗਿਆਨ ਦੀ ਭਾਸ਼ਾ ਤੇਜ਼ੀ ਨਾਲ ਪਾਈਥਨ ਬਣਦੀ ਜਾ ਰਹੀ ਹੈ। ਇੱਕ ਲੈਬ ਨੋਟਬੁੱਕ ਵਿੱਚ ਮੈਨੂਅਲ ਪ੍ਰੋਸੈਸਿੰਗ ਹੁਣ ਪ੍ਰਤੀ ਸਕਿੰਟ ਟੇਬਲਾਂ ਦੀਆਂ ਹਜ਼ਾਰਾਂ ਲਾਈਨਾਂ ਵਿੱਚ ਕੋਡ ਪ੍ਰੋਸੈਸਿੰਗ ਦੀਆਂ ਲਾਈਨਾਂ ਵਿੱਚ ਬਦਲ ਜਾਂਦੀ ਹੈ। ਇਸ ਯੂਨਿਟ ਵਿੱਚ, ਅਸੀਂ AI ਨੂੰ ਇੱਕ ਸਹਿ-ਪ੍ਰੋਗਰਾਮਰ ਵਜੋਂ ਵਰਤਣਾ ਸਿੱਖਾਂਗੇ ਜੋ Python ਕੋਡ ਨੂੰ ਪ੍ਰਿੰਟ ਕਰਦਾ ਹੈ ਜੋ ਤੁਹਾਡੇ ਜੀਵ-ਵਿਗਿਆਨਕ ਡੇਟਾ ਨੂੰ ਪੜ੍ਹਦਾ, ਸਾਫ਼ ਕਰਦਾ ਅਤੇ ਸੰਖੇਪ ਕਰਦਾ ਹੈ। ਮਹੱਤਵਪੂਰਨ ਗੱਲ ਇਹ ਹੈ ਕਿ ਨਕਲੀ ਬੁੱਧੀ ਨੂੰ ਕੋਡ ਲਿਖਣਾ, ਇਸਨੂੰ ਆਪਣੇ ਆਪ ਚਲਾਓ ਅਤੇ ਨਤੀਜੇ ਦੀ ਪੁਸ਼ਟੀ ਕਰੋ; ਇਹ ਇਸ ਲਈ ਹੈ ਕਿਉਂਕਿ ਇਹ ਮਾਡਲ ਦੀ ਮੌਖਿਕ ਭਵਿੱਖਬਾਣੀ 'ਤੇ ਨਿਰਭਰ ਨਹੀਂ ਕਰਦਾ ਹੈ, ਪਰ ਕੋਡ ਦੇ ਨਿਰਣਾਇਕ (ਹਰ ਦੌੜ ਵਿੱਚ ਇੱਕੋ ਨਤੀਜਾ ਪ੍ਰਦਾਨ ਕਰਨਾ) 'ਤੇ ਨਿਰਭਰ ਕਰਦਾ ਹੈ।

ਤੁਹਾਨੂੰ ਇਹ ਜਾਣਨ ਦੀ ਜ਼ਰੂਰਤ ਨਹੀਂ ਹੈ ਕਿ ਇਸ ਯੂਨਿਟ ਵਿੱਚ ਕੋਡ ਕਿਵੇਂ ਕਰਨਾ ਹੈ; ਤੁਸੀਂ ਇਰਾਦੇ ਨੂੰ ਸਹੀ ਢੰਗ ਨਾਲ ਪ੍ਰਗਟ ਕਰਨਾ ਅਤੇ ਆਉਟਪੁੱਟ ਪ੍ਰਦਾਨ ਕਰਨਾ ਸਿੱਖੋਗੇ।

ਪਾਈਥਨ ਕਿਉਂ ਅਤੇ ਕਿਹੜੀਆਂ ਲਾਇਬ੍ਰੇਰੀਆਂ?

ਜੀਵ ਵਿਗਿਆਨ ਵਿੱਚ ਸਭ ਤੋਂ ਵੱਧ ਵਰਤੀਆਂ ਜਾਣ ਵਾਲੀਆਂ ਪਾਈਥਨ ਲਾਇਬ੍ਰੇਰੀਆਂ (ਲਾਇਬ੍ਰੇਰੀ: ਰੈਡੀਮੇਡ ਫੰਕਸ਼ਨਾਂ ਦਾ ਪੈਕੇਜ) ਹਨ:

• ਪਾਂਡਾ: ਟੇਬਲਯੂਲਰ ਡੇਟਾ (CSV, Excel) ਨੂੰ ਪੜ੍ਹਨ ਅਤੇ ਰੋ-ਕਾਲਮ ਓਪਰੇਸ਼ਨ ਕਰਨ ਲਈ। ਇੱਕ ਜੀਨ ਸਮੀਕਰਨ ਸਾਰਣੀ ਨੂੰ ਫਿਲਟਰ ਕਰਨ, ਸਮੂਹ ਕਰਨ, ਮਿਲਾਉਣ ਲਈ ਬੁਨਿਆਦੀ ਸੰਦ।
• NumPy: ਸੰਖਿਆਤਮਕ ਐਰੇ ਅਤੇ ਮੈਟਰਿਕਸ ਓਪਰੇਸ਼ਨਾਂ ਲਈ; ਇਹ ਪਾਂਡਾ ਦੇ ਅਧੀਨ ਚੱਲਦਾ ਹੈ.
• ਬਾਇਓਪਾਈਥਨ: ਡੀਐਨਏ/ਆਰਐਨਏ/ਪ੍ਰੋਟੀਨ ਕ੍ਰਮ ਦੇ ਨਾਲ ਕੰਮ ਕਰਨ ਲਈ, ਫਾਸਟਾ ਫਾਈਲਾਂ ਨੂੰ ਪੜ੍ਹਨਾ, ਅਨੁਵਾਦ (ਡੀਐਨਏ ਨੂੰ ਪ੍ਰੋਟੀਨ ਵਿੱਚ ਅਨੁਵਾਦ ਕਰਨਾ)।
• matplotlib / seaborn: ਪਲਾਟ ਬਣਾਉਣ ਲਈ।
• SciPy/statsmodels: ਅੰਕੜਿਆਂ ਦੇ ਟੈਸਟਾਂ ਲਈ।

ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਇਨ੍ਹਾਂ ਲਾਇਬ੍ਰੇਰੀਆਂ ਨੂੰ ਚੰਗੀ ਤਰ੍ਹਾਂ ਜਾਣਦਾ ਹੈ। ਤੁਹਾਡਾ ਕੰਮ ਸਪਸ਼ਟ ਤੌਰ 'ਤੇ ਦੱਸਣਾ ਹੈ ਕਿ ਤੁਸੀਂ ਕਿਸ ਲਾਇਬ੍ਰੇਰੀ ਨਾਲ ਕੀ ਕਰਨਾ ਚਾਹੁੰਦੇ ਹੋ ਅਤੇ ਤਿਆਰ ਕੀਤੇ ਕੋਡ ਨੂੰ ਚਲਾਉਣਾ ਅਤੇ ਤਸਦੀਕ ਕਰਨਾ ਹੈ।

ਸੰਕੇਤ: ਮਾਡਲ ਕਈ ਵਾਰ ਇੱਕ ਲਾਇਬ੍ਰੇਰੀ ਫੰਕਸ਼ਨ ਨੂੰ "ਮੇਕ ਅੱਪ" (ਭਰਮ) ਕਰ ਸਕਦਾ ਹੈ ਜੋ ਮੌਜੂਦ ਨਹੀਂ ਹੈ। ਜੇਕਰ ਕੋਡ ਗਲਤੀ ਦਿੰਦਾ ਹੈ, ਘਬਰਾਓ ਨਾ; ਗਲਤੀ ਨੂੰ ਮਾਡਲ ਵਿੱਚ ਪੇਸਟ ਕਰਨਾ ਜਿਵੇਂ ਕਿ ਆਮ ਤੌਰ 'ਤੇ ਇਸਨੂੰ ਠੀਕ ਕਰਦਾ ਹੈ। ਜੇਕਰ ਇਹ ਅਜੇ ਵੀ ਕੰਮ ਨਹੀਂ ਕਰਦਾ ਹੈ, ਤਾਂ ਅਧਿਕਾਰਤ ਦਸਤਾਵੇਜ਼ਾਂ ਦੀ ਜਾਂਚ ਕਰੋ।

ਕਦਮ ਦਰ ਕਦਮ: ਇੱਕ ਗਿਣਤੀ ਸਾਰਣੀ ਨੂੰ ਸਾਫ਼ ਕਰਨਾ

ਮੰਨ ਲਓ ਕਿ ਤੁਹਾਡੇ ਕੋਲ counts.csv ਹੈ: ਕਤਾਰਾਂ ਜੀਨ ਹਨ, ਕਾਲਮ ਨਮੂਨੇ ਹਨ, ਸੈੱਲ ਕੱਚੇ ਪੜ੍ਹਨ ਦੀ ਗਿਣਤੀ ਹਨ। ਆਮ ਪਹਿਲੇ ਕਦਮ:

1. ਲੋਡਿੰਗ: ਪਾਂਡਿਆਂ ਨਾਲ ਟੇਬਲ ਪੜ੍ਹੋ।
2. ਖੋਜ: ਆਕਾਰ (ਕਿੰਨੇ ਜੀਨ, ਕਿੰਨੇ ਨਮੂਨੇ), ਗੁੰਮ ਮੁੱਲ, ਡੁਪਲੀਕੇਟ ਜੀਨ ਨਾਮ ਦੀ ਜਾਂਚ ਕਰੋ।
3. ਫਿਲਟਰਿੰਗ: ਉਹਨਾਂ ਜੀਨਾਂ ਨੂੰ ਰੱਦ ਕਰੋ ਜੋ ਕਿਸੇ ਵੀ ਨਮੂਨੇ ਵਿੱਚ ਨਹੀਂ ਪੜ੍ਹੇ ਗਏ ਹਨ (ਕੁੱਲ ਗਿਣਤੀ 0); ਇਹ ਰੌਲੇ ਹਨ।
4. ਸੰਖੇਪ: ਪ੍ਰਤੀ ਨਮੂਨਾ (ਲਾਇਬ੍ਰੇਰੀ ਦਾ ਆਕਾਰ) ਪੜ੍ਹਨ ਦੀ ਕੁੱਲ ਸੰਖਿਆ ਦੀ ਗਣਨਾ ਕਰੋ; ਜੋ ਨਮੂਨਾ ਬਹੁਤ ਘੱਟ ਹੈ ਉਹ ਫੇਲ ਹੋ ਸਕਦਾ ਹੈ।

ਤੁਸੀਂ ਇਸ ਵਰਕਫਲੋ ਨੂੰ ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਲਈ ਆਊਟਸੋਰਸ ਕਰ ਸਕਦੇ ਹੋ:

ਭੂਮਿਕਾ: ਤੁਸੀਂ ਬਾਇਓਇਨਫੋਰਮੈਟਿਕਸ 'ਤੇ ਕੇਂਦ੍ਰਿਤ ਪਾਈਥਨ ਸਹਾਇਕ ਹੋ। ਕੰਮ: pandas ਨਾਲ counts.csv ਫਾਈਲ ਪੜ੍ਹੋ। ਡੇਟਾ: ਕਤਾਰਾਂ ਜੀਨ ਹਨ (ਸੂਚਕਾਂਕ=ਜੀਨ_ਆਈਡੀ), ਕਾਲਮ 24 ਨਮੂਨੇ ਹਨ, ਮੁੱਲ ਪੂਰਨ ਅੰਕ ਕੱਚੇ ਗਿਣਤੀ ਹਨ। ਮੈਂ ਚਾਹੁੰਦਾ ਹਾਂ: (1) ਆਕਾਰ ਨੂੰ ਛਾਪੋ, (2) ਉਹਨਾਂ ਜੀਨਾਂ ਨੂੰ ਰੱਦ ਕਰੋ ਜੋ ਕਦੇ ਨਹੀਂ ਪੜ੍ਹੇ ਗਏ ਸਨ, (3) ਇੱਕ ਬਾਰ ਗ੍ਰਾਫ ਵਿੱਚ ਪ੍ਰਤੀ ਨਮੂਨੇ ਦੇ ਕੁੱਲ ਰੀਡ ਦਿਖਾਓ। ਹਰ ਲਾਈਨ ਵਿੱਚ ਛੋਟੀਆਂ ਤੁਰਕੀ ਟਿੱਪਣੀਆਂ ਸ਼ਾਮਲ ਕਰੋ। ਬਸ ਵਰਕਿੰਗ ਕੋਡ ਦਿਓ।

ਮਾਡਲ ਕੋਡ ਤਿਆਰ ਕਰਦਾ ਹੈ; ਤੁਸੀਂ ਇਸਨੂੰ ਚਲਾਓ। ਜੇਕਰ ਤੁਸੀਂ ਆਉਟਪੁੱਟ ਵਿੱਚ 24 ਕਾਲਮ ਅਤੇ ਵਾਜਬ ਗਿਣਤੀ ਵਿੱਚ ਜੀਨਾਂ (ਜਿਵੇਂ ਕਿ 15,000-25,000) ਦੇਖਦੇ ਹੋ, ਤਾਂ ਤੁਸੀਂ ਟਰੈਕ 'ਤੇ ਹੋ। ਜੇਕਰ ਇੱਕ ਨਮੂਨੇ ਵਿੱਚ ਬਾਕੀਆਂ ਨਾਲੋਂ ਇੱਕ ਦਸਵਾਂ ਹਿੱਸਾ ਹੈ, ਤਾਂ ਉਸ ਨਮੂਨੇ ਨੂੰ ਲਿਖੋ।

ਤਿੰਨ ਛੋਟੇ ਕੇਸ

ਕੇਸ 1 — ਗੁੰਮ ਮੁੱਲ ਦਾ ਜਾਲ: ਇੱਕ ਵਿਦਿਆਰਥੀ ਨੇ ਇੱਕ 30-ਨਮੂਨਾ ਮੈਟਾਬੋਲੋਮਿਕਸ ਟੇਬਲ ਵਿੱਚ ਮੱਧਮਾਨ ਦੀ ਗਣਨਾ ਕੀਤੀ ਸੀ; ਨਤੀਜਾ ਬੇਤੁਕਾ ਸੀ। ਸਮੱਸਿਆ: ਗੁੰਮ ਹੋਏ ਸੈੱਲ NaN (ਨੰਬਰ ਨਹੀਂ) ਦੀ ਬਜਾਏ "ND" ਟੈਕਸਟ ਨਾਲ ਭਰੇ ਹੋਏ ਸਨ, ਇਸਲਈ ਕਾਲਮ ਨੂੰ ਟੈਕਸਟ ਵਜੋਂ ਪੜ੍ਹਿਆ ਗਿਆ ਸੀ। ਇਹ ਉਦੋਂ ਠੀਕ ਹੋ ਗਿਆ ਸੀ ਜਦੋਂ ਮੈਂ ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਨੂੰ ਕਿਹਾ ਸੀ ਕਿ "ND ਮੁੱਲ NaN ਬਣਾਓ ਅਤੇ ਕਾਲਮ ਨੂੰ ਨੰਬਰਾਂ ਵਿੱਚ ਬਦਲੋ"। ਪਾਠ: ਹਮੇਸ਼ਾ ਪਹਿਲਾਂ ਕੱਚੇ ਡੇਟਾ ਦੀ ਪੜਚੋਲ ਕਰੋ।

ਕੇਸ 2 - ਮਿਲਾਉਣ ਦੀ ਗਲਤੀ: ਇੱਕ ਖੋਜਕਰਤਾ ਨੇ ਦੋ ਟੇਬਲਾਂ (ਐਕਸਪ੍ਰੇਸ਼ਨ ਅਤੇ ਜੀਨ ਐਨੋਟੇਸ਼ਨ) ਨੂੰ ਮਿਲਾਇਆ ਪਰ 2,000 ਜੀਨ ਖਤਮ ਹੋ ਗਏ। ਕਾਰਨ: ਇੱਕ ਸਾਰਣੀ ਵਿੱਚ IDs "ENSG00000141510" ਸਨ, ਦੂਜੇ ਵਿੱਚ ਉਹ "ENSG00000141510.14" (ਵਰਜਨ ਨੰਬਰ ਦੇ ਨਾਲ) ਸਨ। ਮਾਡਲ ਨੇ ਕੋਡ ਦੀ ਇੱਕ ਸਿੰਗਲ ਲਾਈਨ ਲਿਖੀ ਜਿਸ ਨੇ ਸੰਸਕਰਣ ਨੰਬਰ ਨੂੰ ਸਾਫ਼ ਕੀਤਾ; ਨੁਕਸਾਨ ਨੂੰ 40 ਜੀਨਾਂ ਤੱਕ ਘਟਾ ਦਿੱਤਾ ਗਿਆ ਸੀ. ਪਾਠ: ਉਹਨਾਂ ਨੂੰ ਮਿਲਾਉਣ ਤੋਂ ਪਹਿਲਾਂ ID ਫਾਰਮੈਟਾਂ ਨੂੰ ਇਕਸਾਰ ਕਰੋ।

ਕੇਸ 3 - ਚੁੱਪ ਡੇਟਾ ਦਾ ਨੁਕਸਾਨ: ਇੱਕ ਟੈਕਨੀਸ਼ੀਅਨ ਨੇ ਇਹ ਨਹੀਂ ਦੇਖਿਆ ਕਿ ਫਿਲਟਰ ਕਰਨ ਤੋਂ ਬਾਅਦ, ਜੀਨਾਂ ਦੀ ਗਿਣਤੀ 22,000 ਤੋਂ ਘਟ ਕੇ 8,000 ਹੋ ਗਈ ਹੈ; ਥ੍ਰੈਸ਼ਹੋਲਡ ਨੂੰ ਗਲਤ ਢੰਗ ਨਾਲ ਸੈੱਟ ਕੀਤਾ ਗਿਆ ਸੀ (ਹਰੇਕ ਨਮੂਨੇ ਵਿੱਚ> 10 ਰੀਡਿੰਗਾਂ ਦੀ ਬਜਾਏ> ਕੁੱਲ 10)। ਇੱਕ ਜਾਣਿਆ-ਪਛਾਣਿਆ ਜੀਨ (ਹਾਊਸਕੀਪਿੰਗ ਜੀਨ: ਜੀਏਪੀਡੀਐਚ ਵਰਗੇ ਜੀਨ ਜੋ ਹਰ ਸੈੱਲ ਵਿੱਚ ਲਗਾਤਾਰ ਪ੍ਰਗਟ ਕੀਤੇ ਜਾਂਦੇ ਹਨ) ਆਖਰਕਾਰ ਗਾਇਬ ਸੀ। ਸਬਕ: "ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ" ਜੀਨ ਪੋਸਟ-ਫਿਲਟਰ ਦੀ ਜਾਂਚ ਕਰੋ।

ਜਾਣੀ-ਪਛਾਣੀ ਸਥਿਤੀ ਨਾਲ ਟੈਸਟ ਕਰਨਾ (ਸਭ ਤੋਂ ਮਹੱਤਵਪੂਰਨ ਆਦਤ)

ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਦੁਆਰਾ ਲਿਖੇ ਕੋਡ ਦੀ ਸ਼ੁੱਧਤਾ 'ਤੇ ਭਰੋਸਾ ਕਰਨ ਦਾ ਸਭ ਤੋਂ ਪੱਕਾ ਤਰੀਕਾ ਇਹ ਹੈ ਕਿ ਇਸ ਨੂੰ ਇੱਕ ਛੋਟੇ ਨਮੂਨੇ ਨਾਲ ਟੈਸਟ ਕਰਨਾ ਜਿਸਦਾ ਨਤੀਜਾ ਤੁਸੀਂ ਪਹਿਲਾਂ ਤੋਂ ਜਾਣਦੇ ਹੋ। ਉਦਾਹਰਨ ਲਈ, 5 ਕਤਾਰਾਂ ਦੇ ਨਾਲ ਇੱਕ ਡਮੀ ਟੇਬਲ ਦਿਓ; ਹੱਥੀਂ ਕੁੱਲ ਦੀ ਗਣਨਾ ਕਰੋ; ਦੇਖੋ ਕਿ ਕੀ ਕੋਡ ਉਹੀ ਨਤੀਜਾ ਦਿੰਦਾ ਹੈ।

ਤੁਹਾਡੇ ਦੁਆਰਾ ਲਿਖੇ ਗਏ ਫਿਲਟਰਿੰਗ ਕੋਡ ਵਿੱਚ ਇੱਕ ਟੈਸਟ ਸ਼ਾਮਲ ਕਰੋ: 5 ਜੀਨਾਂ, 3 ਨਮੂਨਿਆਂ ਵਾਲੇ ਇੱਕ ਛੋਟਾ ਡੇਟਾਫ੍ਰੇਮ ਤਿਆਰ ਕਰੋ, ਜਾਣਬੁੱਝ ਕੇ 2 ਜੀਨਾਂ ਨੂੰ ਜ਼ੀਰੋ 'ਤੇ ਸੈੱਟ ਕਰੋ, ਇਸ ਗੱਲ ਦੀ ਪੁਸ਼ਟੀ ਕਰੋ ਕਿ ਫਿਲਟਰ ਬਿਲਕੁਲ ਇਨ੍ਹਾਂ 2 ਜੀਨਾਂ ਨੂੰ ਰੱਦ ਕਰਦਾ ਹੈ। ਟੈਸਟ ਨੂੰ ਚੱਲਣਯੋਗ ਬਣਾਓ।

assert ਤੁਹਾਨੂੰ ਚੇਤਾਵਨੀ ਦਿੰਦਾ ਹੈ ਜੇਕਰ ਕੋਡ ਸੰਭਾਵਿਤ ਵਿਵਹਾਰ ਤੋਂ ਭਟਕਦਾ ਹੈ। ਇਹ "ਚੁੱਪ ਝੂਠੇ ਸਿੱਟੇ" ਦੇ ਜੋਖਮ ਦੇ ਵਿਰੁੱਧ ਸਭ ਤੋਂ ਮਜ਼ਬੂਤ ​​​​ਢਾਲ ਹੈ.

ਕਮਜ਼ੋਰ ਪ੍ਰੋਂਪਟ / ਮਜ਼ਬੂਤ ਪ੍ਰੋਂਪਟ

ਕਮਜ਼ੋਰ: "ਮੇਰਾ ਚਾਰਟ ਸਾਫ਼ ਕਰੋ।"

ਸ਼ਕਤੀਸ਼ਾਲੀ: "counts.csv: ਕਤਾਰਾਂ ਦਾ ਜੀਨ (gene_id ਸੂਚਕਾਂਕ), 24 ਕਾਲਮਾਂ ਦਾ ਨਮੂਨਾ, ਮੁੱਲ ਕੱਚਾ ਪੂਰਨ ਅੰਕ। ਹੇਠਾਂ ਦਿੱਤੇ ਕੰਮ ਕਰੋ: ਗੁੰਮਸ਼ੁਦਾ ਮੁੱਲਾਂ ਦੀ ਰਿਪੋਰਟ ਕਰੋ, ਸਾਰੇ ਨਮੂਨਿਆਂ ਵਿੱਚ 0 ਹੋਣ ਵਾਲੇ ਜੀਨਾਂ ਨੂੰ ਰੱਦ ਕਰੋ, ਹਰੇਕ ਨਮੂਨੇ ਲਈ ਕੁੱਲ ਰੀਡ ਛਾਪੋ, ਫਿਲਟਰ ਤੋਂ ਪਹਿਲਾਂ/ਬਾਅਦ ਜੀਨ ਦੀ ਗਿਣਤੀ ਦੀ ਤੁਲਨਾ ਕਰੋ। ਸਿਰਫ਼ ਕੰਮ ਕਰਦੇ ਹੋਏ ਕੋਡ ਦਿਓ, ਟਿੱਪਣੀ ਕਰੋ।"

ਅੰਤਰ: ਮਜ਼ਬੂਤ ​​ਪ੍ਰੋਂਪਟ ਡਾਟਾ ਬਣਤਰ, ਕਦਮ, ਅਤੇ ਪ੍ਰਮਾਣਿਕਤਾ ਆਉਟਪੁੱਟ (ਤੁਲਨਾ ਤੋਂ ਪਹਿਲਾਂ/ਬਾਅਦ) ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ। ਮਾਡਲ ਨੂੰ ਅੰਦਾਜ਼ਾ ਲਗਾਉਣ ਦੀ ਲੋੜ ਨਹੀਂ ਹੈ.

ਤੁਲਨਾ ਚਾਰਟ: AI ਜਾਂ ਮੈਨੂਅਲ?

ਲੈਣ-ਦੇਣ

ਨਕਲੀ ਬੁੱਧੀ ਨੂੰ ਛਾਪੋ

ਆਪਣੇ ਆਪ ਦੀ ਪੁਸ਼ਟੀ ਕਰੋ

CSV ਰੀਡਿੰਗ, ਫਾਰਮੈਟ ਪਰਿਵਰਤਨ

ਹਾਂ

ਆਕਾਰ ਅਤੇ ਕਿਸਮਾਂ ਦੀ ਜਾਂਚ ਕਰੋ

ਫਿਲਟਰਿੰਗ, ਗਰੁੱਪਿੰਗ

ਹਾਂ

ਪਹਿਲਾਂ/ਬਾਅਦ ਦੀ ਗਿਣਤੀ ਕਰੋ

ਅੰਕੜਾ ਟੈਸਟ

ਹਾਂ (ਕੋਡ)

ਧਾਰਨਾਵਾਂ ਅਤੇ ਟੈਸਟਾਂ ਦੀ ਪੁਸ਼ਟੀ ਕਰੋ

"ਕਿੰਨੀਆਂ ਲਾਈਨਾਂ ਬਾਕੀ ਹਨ?"

ਨਹੀਂ (ਕੋਡ ਨੂੰ ਗਿਣਨ ਦਿਓ)

ਆਉਟਪੁੱਟ ਪੜ੍ਹੋ

ਨਤੀਜੇ ਦਾ ਜੈਵਿਕ ਅਰਥ

ਅੰਸ਼ਕ ਤੌਰ 'ਤੇ

ਮਾਹਰ ਟਿੱਪਣੀ ਦੀ ਲੋੜ ਹੈ

ਆਮ ਗਲਤੀਆਂ

• ਮਾਡਲ ਦੁਆਰਾ ਤਿਆਰ ਕੀਤੇ ਗਏ ਸੰਖਿਆ 'ਤੇ ਭਰੋਸਾ ਕਰਦੇ ਹੋਏ: "ਔਸਤ ਸਮੀਕਰਨ ਕੀ ਹੈ?" ਕੋਡ ਨੂੰ ਸਵਾਲ ਪੁੱਛੋ, ਮਾਡਲ ਨੂੰ ਨਹੀਂ।
• ਡਾਟਾ ਕਿਸਮਾਂ ਦੀ ਜਾਂਚ ਨਹੀਂ ਕੀਤੀ ਜਾ ਰਹੀ ਹੈ: ਸੰਖਿਆਵਾਂ ਦੇ ਕਾਲਮ ਪਾਠ ਵਾਂਗ ਪੜ੍ਹਦੇ ਹਨ, ਜੋ ਚੁੱਪਚਾਪ ਗਲਤ ਨਤੀਜੇ ਦਿੰਦੇ ਹਨ।
• ਪੋਸਟ-ਫਿਲਟਰ ਦੀ ਜਾਂਚ ਨਹੀਂ ਕਰ ਰਿਹਾ: ਪੁਸ਼ਟੀ ਕਰੋ ਕਿ ਇੱਕ ਉਮੀਦ ਕੀਤੀ ਜੀਨ ਅਜੇ ਵੀ ਉੱਥੇ ਹੈ।
• ਬੇਤਰਤੀਬਤਾ ਦੇ ਬੀਜ ਨੂੰ ਭੁੱਲਣਾ: ਜੇਕਰ ਬੇਤਰਤੀਬ ਕਾਰਵਾਈਆਂ ਵਾਲੇ ਕੋਡ ਵਿੱਚ ਬੀਜ ਨੂੰ ਸਥਿਰ ਨਹੀਂ ਕੀਤਾ ਗਿਆ ਹੈ, ਤਾਂ ਨਤੀਜਾ ਹਰ ਵਾਰ ਬਦਲਦਾ ਹੈ; ਦੁਹਰਾਉਣ ਦੀ ਸਮਰੱਥਾ ਕਮਜ਼ੋਰ ਹੈ।
• ਕੋਡ ਨੂੰ ਪੜ੍ਹੇ ਬਿਨਾਂ ਚਲਾਉਣਾ: ਘੱਟੋ ਘੱਟ ਟਿੱਪਣੀਆਂ ਪੜ੍ਹੋ ਅਤੇ ਤਰਕ ਦੀ ਪਾਲਣਾ ਕਰੋ।

ਧਿਆਨ ਦਿਓ: ਕੋਡ ਦੇ ਕੰਮ ਕਰਨ ਦਾ ਮਤਲਬ ਇਹ ਨਹੀਂ ਹੈ ਕਿ ਕੋਡ ਸਹੀ ਹੈ। "ਗਲਤ ਕੋਡ ਜੋ ਗਲਤੀਆਂ ਤੋਂ ਬਿਨਾਂ ਕੰਮ ਕਰਦਾ ਹੈ" ਜੀਵ ਵਿਗਿਆਨ ਵਿੱਚ ਸਭ ਤੋਂ ਖਤਰਨਾਕ ਸਥਿਤੀ ਹੈ; ਕਿਉਂਕਿ ਗਲਤ ਨਤੀਜਾ ਚੁੱਪਚਾਪ ਪੈਦਾ ਹੁੰਦਾ ਹੈ। ਕਿਸੇ ਜਾਣੀ-ਪਛਾਣੀ ਸਥਿਤੀ ਦੇ ਨਾਲ ਟੈਸਟ ਕਰਨਾ ਇਸ ਜੋਖਮ ਨੂੰ ਖਤਮ ਕਰਦਾ ਹੈ।

ਪ੍ਰਜਨਨਯੋਗਤਾ: ਕੋਡ ਦਾ ਵਿਗਿਆਨਕ ਮੁੱਲ

ਜੀਵ-ਵਿਗਿਆਨ ਵਿੱਚ, ਨਤੀਜੇ ਦਾ ਵਿਗਿਆਨਕ ਮੁੱਲ ਇਸ ਨੂੰ ਦੁਬਾਰਾ ਪੈਦਾ ਕਰਨ ਦੀ ਦੂਜਿਆਂ (ਅਤੇ ਤੁਹਾਡੇ ਭਵਿੱਖ ਦੇ ਸਵੈ) ਦੀ ਯੋਗਤਾ 'ਤੇ ਨਿਰਭਰ ਕਰਦਾ ਹੈ। ਮੈਨੁਅਲ ਟੇਬਲ ਓਪਰੇਸ਼ਨ ਰਿਕਾਰਡ ਨਹੀਂ ਕੀਤੇ ਜਾਂਦੇ ਹਨ; ਕੋਈ ਨਹੀਂ ਜਾਣਦਾ ਕਿ ਕਿਹੜਾ ਸੈੱਲ ਬਦਲਦਾ ਹੈ ਅਤੇ ਕਿਵੇਂ. ਕੋਡ ਹਰ ਕਦਮ ਨੂੰ ਦਸਤਾਵੇਜ਼ ਦਿੰਦਾ ਹੈ। ਇਸ ਲਈ, ਨਕਲੀ ਬੁੱਧੀ ਨਾਲ ਤੁਹਾਡੇ ਦੁਆਰਾ ਤਿਆਰ ਕੀਤੇ ਗਏ ਵਿਸ਼ਲੇਸ਼ਣ ਨੂੰ ਇੱਕ ਸਟੋਰ ਕੀਤੇ ਅਤੇ ਸਾਂਝੇ ਕੀਤੇ ਰਿਕਾਰਡ ਵਜੋਂ ਸੋਚੋ, ਨਾ ਕਿ ਇੱਕ ਵਾਰ ਦੇ ਬਾਕਸ ਵਜੋਂ।

ਦੁਹਰਾਉਣਯੋਗ ਵਿਸ਼ਲੇਸ਼ਣ ਲਈ ਤਿੰਨ ਆਦਤਾਂ ਮਹੱਤਵਪੂਰਨ ਹਨ। ਪਹਿਲਾ ਵਰਜਨ ਪਿਨਿੰਗ ਹੈ: ਨੋਟ ਕਰੋ ਕਿ ਤੁਸੀਂ ਕਿਹੜਾ ਲਾਇਬ੍ਰੇਰੀ ਸੰਸਕਰਣ ਵਰਤ ਰਹੇ ਹੋ (ਜਿਵੇਂ ਕਿ ਪਾਂਡਾ 2.2); ਵੱਖ-ਵੱਖ ਸੰਸਕਰਣ ਵੱਖ-ਵੱਖ ਨਤੀਜੇ ਦੇ ਸਕਦੇ ਹਨ। ਦੂਸਰਾ ਬੇਤਰਤੀਬੀ ਬੀਜ ਹੈ: ਹਰ ਇੱਕ ਕੋਡ ਵਿੱਚ ਬੀਜ ਨੂੰ ਠੀਕ ਕਰੋ ਜਿਸ ਵਿੱਚ ਬੇਤਰਤੀਬ ਕਾਰਵਾਈਆਂ ਸ਼ਾਮਲ ਹਨ ਤਾਂ ਜੋ ਨਤੀਜਾ ਹਰ ਦੌੜ ਵਿੱਚ ਇੱਕੋ ਜਿਹਾ ਹੋਵੇ। ਤੀਜਾ, ਕੱਚੇ ਡੇਟਾ ਨੂੰ ਕਦੇ ਨਾ ਬਦਲੋ: ਅਸਲ ਫਾਈਲ ਨੂੰ ਨਾ ਛੂਹੋ, ਕੋਡ ਵਿੱਚ ਸਾਰੇ ਪਰਿਵਰਤਨ ਕਰੋ ਤਾਂ ਜੋ ਇਸਨੂੰ ਵਾਪਸ ਰੋਲ ਕੀਤਾ ਜਾ ਸਕੇ।

ਲਾਈਨਾਂ ਜੋੜੋ ਜੋ ਤੁਹਾਡੇ ਦੁਆਰਾ ਲਿਖੇ ਵਿਸ਼ਲੇਸ਼ਣ ਕੋਡ ਦੇ ਸ਼ੁਰੂ ਵਿੱਚ ਵਰਤੀਆਂ ਗਈਆਂ ਲਾਇਬ੍ਰੇਰੀਆਂ ਦੇ ਸੰਸਕਰਣਾਂ ਨੂੰ ਪ੍ਰਿੰਟ ਕਰਦੀਆਂ ਹਨ, ਅਤੇ ਜੇਕਰ ਕੋਈ ਬੇਤਰਤੀਬ ਪ੍ਰਕਿਰਿਆ ਹੈ, ਤਾਂ ਬੀਜ ਨੂੰ sanp.random.seed(42) ਨਾਲ ਠੀਕ ਕਰੋ। ਕੱਚੇ CSV ਨੂੰ ਬਿਲਕੁਲ ਨਾ ਬਦਲੋ, ਸਾਰੇ ਆਉਟਪੁੱਟ ਨੂੰ ਇੱਕ ਵੱਖਰੀ ਫਾਈਲ ਵਿੱਚ ਸੁਰੱਖਿਅਤ ਕਰੋ।

ਜੁਪੀਟਰ ਨੋਟਬੁੱਕ: ਵਿਸ਼ਲੇਸ਼ਣ ਅਤੇ ਬਿਰਤਾਂਤ ਦਾ ਸੁਮੇਲ

ਬਾਇਓਇਨਫੋਰਮੈਟਿਕਸ ਵਿੱਚ ਸਭ ਤੋਂ ਵੱਧ ਵਰਤਿਆ ਜਾਣ ਵਾਲਾ ਵਾਤਾਵਰਣ ਜੁਪੀਟਰ ਨੋਟਬੁੱਕ ਹੈ (ਨੋਟਬੁੱਕ: ਟੂਲ ਜੋ ਇੱਕੋ ਦਸਤਾਵੇਜ਼ ਵਿੱਚ ਕੋਡ, ਆਉਟਪੁੱਟ ਅਤੇ ਵਰਣਨ ਨੂੰ ਜੋੜਦਾ ਹੈ)। AI ਦੁਆਰਾ ਨੋਟਬੁੱਕ ਸੈੱਲਾਂ ਦੇ ਅਨੁਸਾਰ ਕੋਡ ਤਿਆਰ ਕਰਨਾ, ਮਾਰਕਡਾਊਨ ਵਿਆਖਿਆ ਦੁਆਰਾ ਵੱਖ ਕੀਤੇ ਹਰੇਕ ਪੜਾਅ ਦੇ ਨਾਲ, ਤੁਹਾਡੇ ਅਤੇ ਤੁਹਾਡੇ ਸਹਿਕਰਮੀਆਂ ਦੋਵਾਂ ਲਈ ਵਿਸ਼ਲੇਸ਼ਣ ਦੀ ਪਾਲਣਾ ਕਰਨਾ ਆਸਾਨ ਬਣਾਉਂਦਾ ਹੈ। ਇਹ ਵਿਸ਼ਲੇਸ਼ਣ ਨੂੰ ਇੱਕ ਪੜ੍ਹਨਯੋਗ ਪ੍ਰਯੋਗਸ਼ਾਲਾ ਨੋਟਬੁੱਕ ਬਣਾਉਂਦਾ ਹੈ, ਨਾ ਕਿ "ਬਲੈਕ ਬਾਕਸ"।

ਜੀਵ-ਵਿਗਿਆਨਕ ਫਾਈਲ ਫਾਰਮੈਟਾਂ ਨੂੰ ਪਛਾਣਨਾ

ਪਾਈਥਨ ਨਾਲ ਜੀਵ-ਵਿਗਿਆਨਕ ਡੇਟਾ ਦੀ ਪ੍ਰਕਿਰਿਆ ਕਰਦੇ ਸਮੇਂ, ਤੁਸੀਂ ਲਗਾਤਾਰ ਕੁਝ ਫਾਈਲ ਫਾਰਮੈਟਾਂ ਦਾ ਸਾਹਮਣਾ ਕਰੋਗੇ। ਇਸ ਤੋਂ ਪਹਿਲਾਂ ਕਿ ਮਾਡਲ ਇੱਕ ਫਾਈਲ ਨੂੰ ਸਹੀ ਢੰਗ ਨਾਲ ਪੜ੍ਹ ਸਕੇ, ਉਸਨੂੰ ਇਹ ਪਤਾ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ ਕਿ ਇਹ ਕਿਸ ਫਾਰਮੈਟ ਵਿੱਚ ਹੈ; ਜੇਕਰ ਤੁਹਾਨੂੰ ਫਾਰਮੈਟ ਗਲਤ ਮਿਲਦਾ ਹੈ, ਤਾਂ ਤੁਸੀਂ "ਗਲਤ ਕੋਡ ਜੋ ਗਲਤੀਆਂ ਤੋਂ ਬਿਨਾਂ ਕੰਮ ਕਰਦਾ ਹੈ" ਦੇ ਜਾਲ ਵਿੱਚ ਫਸ ਜਾਓਗੇ। ਸਭ ਤੋਂ ਆਮ ਹਨ:

ਫਾਰਮੈਟ

ਸਮੱਗਰੀ

ਅਨੁਕੂਲ ਵਾਹਨ

CSV/TSV

ਸਾਰਣੀ ਡੇਟਾ (ਸਮੀਕਰਨ, ਮਾਪ)

ਪਾਂਡਾ

FASTA (.fa/.fasta)

ਡੀਐਨਏ/ਆਰਐਨਏ/ਪ੍ਰੋਟੀਨ ਕ੍ਰਮ

biopython

FASTQ (.fq)

ਕੱਚਾ ਕ੍ਰਮ ਪੜ੍ਹਦਾ ਹੈ + ਗੁਣਵੱਤਾ

ਬਾਇਓਪਾਈਥਨ, ਕਸਟਮ ਟੂਲ

ਵੀ.ਸੀ.ਐਫ

ਵੇਰੀਐਂਟ (ਮਿਊਟੇਸ਼ਨ) ਸੂਚੀ

ਪਾਂਡਾ/ਪਾਈਸਮ

GFF/GTF

ਜੀਨੋਮ ਐਨੋਟੇਸ਼ਨ (ਜੀਨ ਪੋਜੀਸ਼ਨ)

ਪਾਂਡਾ, gfutils

ਜੇਕਰ ਤੁਸੀਂ ਕਿਸੇ ਫਾਰਮੈਟ ਨੂੰ ਨਹੀਂ ਪਛਾਣਦੇ ਹੋ, ਤਾਂ ਪਹਿਲਾਂ ਮਾਡਲ ਨੂੰ ਕੁਝ ਨਮੂਨਾ ਲਾਈਨਾਂ ਦਿਖਾ ਕੇ ਇਸ ਦੀ ਪਛਾਣ ਕਰਨ ਲਈ ਕਹੋ, ਫਿਰ ਰੀਡ ਕੋਡ ਲਈ ਪੁੱਛੋ:

ਮੈਂ ਹੇਠਾਂ ਫਾਈਲ ਦੀਆਂ ਪਹਿਲੀਆਂ 5 ਲਾਈਨਾਂ ਦੇ ਰਿਹਾ ਹਾਂ। ਇਹ ਕਿਹੜਾ ਬਾਇਓਫਾਈਲ ਫਾਰਮੈਟ ਹੈ? ਕਾਲਮਾਂ/ਫੀਲਡਾਂ ਦਾ ਅਰਥ ਸਮਝਾਓ, ਫਿਰ ਕੋਡ ਦਿਓ ਜੋ ਪਾਈਥਨ ਵਿੱਚ ਇਸ ਫਾਈਲ ਨੂੰ ਸੁਰੱਖਿਅਤ ਢੰਗ ਨਾਲ ਪੜ੍ਹਦਾ ਹੈ (ਫਾਰਮੈਟ ਜਾਂਚ ਕਰਦਾ ਹੈ)। ਪਹਿਲੀਆਂ 5 ਲਾਈਨਾਂ: [ਪੇਸਟ]

ਇਹ ਪਹੁੰਚ ਪਹਿਲੀ ਥਾਂ 'ਤੇ ਰੂਪ ਦੀ ਧਾਰਨਾ ਤੋਂ ਪੈਦਾ ਹੋਣ ਵਾਲੀਆਂ ਚੁੱਪ ਦੀਆਂ ਗਲਤੀਆਂ ਨੂੰ ਰੋਕਦੀ ਹੈ।

ਸੰਖੇਪ ਵਿੱਚ

ਪਾਈਥਨ ਜੈਵਿਕ ਡੇਟਾ ਲਈ ਮੁੱਖ ਪ੍ਰੋਸੈਸਿੰਗ ਭਾਸ਼ਾ ਹੈ; pandas, NumPy ਅਤੇ Biopython ਬੁਨਿਆਦੀ ਟੂਲ ਹਨ। AI ਇਸ ਕੋਡ ਨੂੰ ਜਲਦੀ ਲਿਖਦਾ ਹੈ, ਪਰ ਤੁਸੀਂ ਇਸਨੂੰ ਚਲਾਓ ਅਤੇ ਇਸਦੀ ਪੁਸ਼ਟੀ ਕਰੋ। ਸਭ ਤੋਂ ਨਾਜ਼ੁਕ ਆਦਤ ਕੋਡ ਨੂੰ ਇੱਕ ਛੋਟੇ ਨਮੂਨੇ ਨਾਲ ਟੈਸਟ ਕਰਨਾ ਹੈ ਜਿਸਦਾ ਨਤੀਜਾ ਤੁਸੀਂ ਜਾਣਦੇ ਹੋ ਅਤੇ ਦਾਅਵੇ ਨਾਲ ਕੋਡ ਵਿੱਚ ਉਮੀਦ ਨੂੰ ਏਮਬੇਡ ਕਰੋ। ਤੁਹਾਡੇ ਦੁਆਰਾ ਚਲਾਏ ਜਾਣ ਵਾਲੇ ਕੋਡ ਦੇ ਨਿਰਣਾਇਕ ਆਉਟਪੁੱਟ 'ਤੇ ਭਰੋਸਾ ਕਰੋ, ਨਾ ਕਿ ਜ਼ੁਬਾਨੀ ਅਨੁਮਾਨ।

ਐਪਲੀਕੇਸ਼ਨ ਦਾ ਕੰਮ

ਇੱਕ ਕੋਡ ਪ੍ਰਿੰਟ ਕਰੋ ਜਿਸ ਵਿੱਚ AI ਤੁਹਾਡੇ ਕੋਲ ਮੌਜੂਦ CSV ਟੇਬਲ (ਜਾਂ ਇੱਕ ਨਮੂਨਾ) ਪੜ੍ਹਦਾ ਹੈ, ਇਸਦਾ ਆਕਾਰ ਛਾਪੋ, ਅਤੇ ਖਾਲੀ ਜੀਨਾਂ ਨੂੰ ਫਿਲਟਰ ਕਰੋ। ਫਿਰ ਨਕਲੀ ਡੇਟਾ ਦੀਆਂ 5 ਲਾਈਨਾਂ ਦੇ ਨਾਲ ਮਾਡਲ ਤੋਂ ਇੱਕ ਐਸਰਟ ਟੈਸਟ ਸ਼ਾਮਲ ਕਰੋ। ਕੋਡ ਚਲਾਓ; ਫਿਲਟਰ ਤੋਂ ਪਹਿਲਾਂ ਅਤੇ ਬਾਅਦ ਵਿੱਚ ਜੀਨਾਂ ਦੀ ਗਿਣਤੀ ਨੋਟ ਕਰੋ। ਜਾਂਚ ਕਰੋ ਕਿ ਇੱਕ ਹਾਊਸਕੀਪਿੰਗ ਜੀਨ (ਜਿਵੇਂ ਕਿ GAPDH/ACTB) ਅਜੇ ਵੀ ਨਤੀਜੇ ਵਿੱਚ ਮੌਜੂਦ ਹੈ।

ਚੈੱਕਲਿਸਟ

• [ ] ਮੈਂ ਇਸ ਨੂੰ ਪ੍ਰੋਸੈਸ ਕਰਨ ਤੋਂ ਪਹਿਲਾਂ ਡੇਟਾ ਦੇ ਆਕਾਰ ਅਤੇ ਕਿਸਮਾਂ ਦੀ ਜਾਂਚ ਕੀਤੀ।
• [ ] ਮੈਂ ਸਪੱਸ਼ਟ ਤੌਰ 'ਤੇ ਗੁੰਮ ਹੋਏ ਮੁੱਲਾਂ ਨੂੰ ਸੰਭਾਲਿਆ ਹੈ।
• [] ਮੈਂ ਫਿਲਟਰ ਤੋਂ ਪਹਿਲਾਂ/ਬਾਅਦ ਦੀਆਂ ਕਤਾਰਾਂ ਦੀ ਗਿਣਤੀ ਦੀ ਤੁਲਨਾ ਕੀਤੀ।
• [ ] ਮੈਂ ਇੱਕ ਜਾਣੀ-ਪਛਾਣੀ ਸਥਿਤੀ ਦੇ ਨਾਲ ਇੱਕ ਐਸਰਟ ਟੈਸਟ ਜੋੜਿਆ ਹੈ।
• [] ਮੈਂ ਗਿਣਤੀ/ਗਣਨਾ ਨੂੰ ਕੋਡ 'ਤੇ ਛੱਡ ਦਿੱਤਾ, ਮਾਡਲ 'ਤੇ ਨਹੀਂ।
• [ ] ਮੈਂ ਕੋਡ ਦੀਆਂ ਟਿੱਪਣੀਆਂ ਪੜ੍ਹੀਆਂ ਅਤੇ ਤਰਕ ਦੀ ਪਾਲਣਾ ਕੀਤੀ।