Anndata詳解

一、安裝和導入

安裝：pip install anndata

導入：import anndata as ad

import anndata as ad

# 創建數據
X = np.array([[1, 2], [3, 4], [5, 6]])
obs = pd.DataFrame(index=['i1', 'i2', 'i3'], data={
    'conditions': ['c1', 'c1', 'c2'],
    'gender': ['M', 'F', 'F']
})
var = pd.DataFrame(index=['gene1', 'gene2'], data={
    'bodypart': ['brain', 'heart'],
    'gene_type': ['gene_family', 'single_gene']
})
adata = ad.AnnData(X, obs, var)

二、快速瀏覽數據

可以使用以下屬性和方法

# 數據形狀
adata.shape

# 觀測值（行）和變數（列）數目
adata.n_obs, adata.n_vars

# 觀測值和變數名稱
adata.obs_names, adata.var_names

# 觀測值和變數屬性
adata.obs, adata.var

# 列分組和聚合
adata.obs.groupby('conditions').mean()

三、高級瀏覽數據

可以使用以下方法查看詳細信息

# 查看數據類型
adata.X.__class__, adata.obs.__class__, adata.var.__class__

# 列出所有的觀測值和變數屬性名
adata.obs_keys(), adata.var_keys()

# 查看屬性值
adata.obs['conditions']

# 獲取觀測值和變數的子集
adata[adata.obs['conditions'] == 'c1']

# 將觀測值或變數添加到數據中
adata.obs['percentile_rank'] = pd.qcut(adata.X.sum(axis=1), 3)
adata.var['std_scaler'] = StandardScaler().fit_transform(adata.X)[:, 0]

四、數據操作

可以使用以下方法更改數據

# 過濾數據
adata_sub = adata[:, adata.var['bodypart'] == 'brain']

# 刪除變數
adata_sub = adata_sub[:, ~adata_sub.var.index.isin(['gene1'])]

# 合併數據
adata_1.concatenate(adata_2, axis=0, join='inner', batch_key='batch', batch_categories=[1,2])

五、可視化

可以使用以下方法可視化數據

# 散點圖
sc.pl.scatter(adata, color=['conditions'])

# 熱圖
sc.pl.heatmap(adata, var_names=['gene1'], groupby='conditions', cmap='viridis')

# UMAP
sc.pp.neighbors(adata)
sc.tl.umap(adata)
sc.pl.umap(adata, color=['conditions'])