Scanpy聚合函数中类别组合错误的分析与修复
2025-07-04 05:04:49作者:咎竹峻Karen
在单细胞数据分析工具Scanpy的最新版本中,用户报告了一个关于sc.get.aggregate
函数的潜在问题。该函数用于对单细胞数据进行分组聚合计算,但在特定条件下会出现类别组合错误,导致部分数据丢失。
问题现象
当使用sc.get.aggregate
函数对数据进行分组聚合时,如果同时使用三个分组变量,部分分组组合会意外丢失。例如,在包含69个患者的测试数据中:
- 仅使用"patient_id"和"external_batch_id"两个变量分组时,能正确保留所有69个患者
- 仅使用"patient_id"和"timepoint"两个变量分组时,也能正确保留所有69个患者
- 但同时使用"patient_id"、"timepoint"和"external_batch_id"三个变量分组时,只能识别出15个患者
问题根源
经过技术团队分析,发现问题出在内部函数_combine_categories
的实现上。该函数负责将多个分类变量组合成一个复合分类变量,但在计算类别编码时错误地使用了累积和(cumsum)而非累积积(cumprod)。
在分类变量组合算法中,正确的做法应该是:
- 对每个分类变量获取其唯一值数量
- 计算这些数量的累积积
- 基于累积积结果生成复合分类编码
而当前实现错误地使用了累积和,导致在某些情况下生成的复合分类编码不正确,进而丢失部分数据组合。
技术细节
以一个简化示例说明:
import pandas as pd
from scanpy.get._aggregated import _combine_categories
_combine_categories(
pd.DataFrame({
"a": [1, 1, 1, 1, 2],
"b": [1, 1, 2, 2, 3],
"c": [1, 2, 1, 2, 1],
}),
list("abc")
)
错误实现会产生不正确的复合分类编码,如将(2,3,1)错误地编码为"2_2_2",而实际上应该是"2_3_1"。
解决方案
修复方案很简单:将累积和(cumsum)改为累积积(cumprod)。累积积能确保每个分类变量的组合都能获得唯一的编码空间,避免编码冲突。
这个修复已经由Scanpy核心开发团队完成,并将在下一个版本(1.10.1)中发布。对于受影响的用户,可以暂时考虑:
- 减少分组变量数量
- 手动实现分组聚合逻辑
- 等待官方修复版本发布
总结
这个案例展示了开源社区如何快速响应和解决技术问题。用户报告、核心团队分析、问题定位和修复的完整流程,体现了Scanpy项目对代码质量的重视和对用户反馈的积极响应。对于单细胞数据分析人员,了解这类底层实现细节有助于更好地使用工具和排查问题。
登录后查看全文
热门项目推荐
- DDeepSeek-V3.1-BaseDeepSeek-V3.1 是一款支持思考模式与非思考模式的混合模型Python00
- QQwen-Image-Edit基于200亿参数Qwen-Image构建,Qwen-Image-Edit实现精准文本渲染与图像编辑,融合语义与外观控制能力Jinja00
GitCode-文心大模型-智源研究院AI应用开发大赛
GitCode&文心大模型&智源研究院强强联合,发起的AI应用开发大赛;总奖池8W,单人最高可得价值3W奖励。快来参加吧~044CommonUtilLibrary
快速开发工具类收集,史上最全的开发工具类,欢迎Follow、Fork、StarJava04GitCode百大开源项目
GitCode百大计划旨在表彰GitCode平台上积极推动项目社区化,拥有广泛影响力的G-Star项目,入选项目不仅代表了GitCode开源生态的蓬勃发展,也反映了当下开源行业的发展趋势。06GOT-OCR-2.0-hf
阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00openHiTLS
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!C0300- WWan2.2-S2V-14B【Wan2.2 全新发布|更强画质,更快生成】新一代视频生成模型 Wan2.2,创新采用MoE架构,实现电影级美学与复杂运动控制,支持720P高清文本/图像生成视频,消费级显卡即可流畅运行,性能达业界领先水平Python00
- GGLM-4.5-AirGLM-4.5 系列模型是专为智能体设计的基础模型。GLM-4.5拥有 3550 亿总参数量,其中 320 亿活跃参数;GLM-4.5-Air采用更紧凑的设计,拥有 1060 亿总参数量,其中 120 亿活跃参数。GLM-4.5模型统一了推理、编码和智能体能力,以满足智能体应用的复杂需求Jinja00
Yi-Coder
Yi Coder 编程模型,小而强大的编程助手HTML013
热门内容推荐
最新内容推荐
项目优选
收起

React Native鸿蒙化仓库
C++
176
261

🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
860
511

🔥🔥🔥ShopXO企业级免费开源商城系统,可视化DIY拖拽装修、包含PC、H5、多端小程序(微信+支付宝+百度+头条&抖音+QQ+快手)、APP、多仓库、多商户、多门店、IM客服、进销存,遵循MIT开源协议发布、基于ThinkPHP8框架研发
JavaScript
93
15

openGauss kernel ~ openGauss is an open source relational database management system
C++
129
182

旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
259
300

deepin linux kernel
C
22
5

🍒 Cherry Studio 是一款支持多个 LLM 提供商的桌面客户端
TypeScript
595
57

为仓颉编程语言开发者打造活跃、开放、高质量的社区环境
Markdown
1.07 K
0

本仓将收集和展示仓颉鸿蒙应用示例代码,欢迎大家投稿,在仓颉鸿蒙社区展现你的妙趣设计!
Cangjie
398
371

本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
332
1.08 K