首页
/ Scanpy聚合函数中类别组合错误的分析与修复

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:

  1. 对每个分类变量获取其唯一值数量
  2. 计算这些数量的累积积
  3. 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:

  1. 减少分组变量数量
  2. 手动实现分组聚合逻辑
  3. 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

最新内容推荐

项目优选

收起
docsdocs
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
139
1.91 K
kernelkernel
deepin linux kernel
C
22
6
nop-entropynop-entropy
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
8
0
ohos_react_nativeohos_react_native
React Native鸿蒙化仓库
C++
192
273
RuoYi-Vue3RuoYi-Vue3
🎉 (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
923
551
openHiTLSopenHiTLS
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
421
392
openGauss-serveropenGauss-server
openGauss kernel ~ openGauss is an open source relational database management system
C++
145
189
金融AI编程实战金融AI编程实战
为非计算机科班出身 (例如财经类高校金融学院) 同学量身定制,新手友好,让学生以亲身实践开源开发的方式,学会使用计算机自动化自己的科研/创新工作。案例以量化投资为主线,涉及 Bash、Python、SQL、BI、AI 等全技术栈,培养面向未来的数智化人才 (如数据工程师、数据分析师、数据科学家、数据决策者、量化投资人)。
Jupyter Notebook
74
64
Cangjie-ExamplesCangjie-Examples
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
344
1.3 K
easy-eseasy-es
Elasticsearch 国内Top1 elasticsearch搜索引擎框架es ORM框架,索引全自动智能托管,如丝般顺滑,与Mybatis-plus一致的API,屏蔽语言差异,开发者只需要会MySQL语法即可完成对Es的相关操作,零额外学习成本.底层采用RestHighLevelClient,兼具低码,易用,易拓展等特性,支持es独有的高亮,权重,分词,Geo,嵌套,父子类型等功能...
Java
36
8