AnnData

AnnData

概述

AnnData 是一个用于处理注释数据矩阵的 Python 包，存储实验测量值（X）以及观测元数据（obs）、变量元数据（var）和多维注释（obsm、varm、obsp、varp、uns）。最初为单细胞基因组学通过 Scanpy 设计，现在作为通用框架用于任何需要高效存储、操作和分析的注释数据。

何时使用此技能

在以下情况下使用此技能：

• 创建、读取或写入 AnnData 对象
• 使用 h5ad、zarr 或其他基因组数据格式
• 执行单细胞 RNA-seq 分析
• 使用稀疏矩阵或后端模式管理大型数据集
• 串联多个数据集或实验批次
• 对注释数据进行子集筛选、过滤或转换
• 与 scanpy、scvi-tools 或其他 scverse 生态系统工具集成

安装

需要 Python 3.11+。当前稳定版本：0.12.16（发布于 2026-05-18）。

uv pip install "anndata==0.12.16"

# 惰性 I/O 和 dask 支持的操作
uv pip install "anndata[dask,lazy]==0.12.16"

# 开发/文档（贡献者）
uv pip install "anndata[dev,test,doc]==0.12.16"

仅在有意跟踪最新兼容版本时才使用不带版本号的安装方式。

当前 API 说明：

• 非原生的 read_* 和 write_*辅助函数请使用 anndata.io。顶层的 anndata.read_h5ad 和 anndata.read_zarr 仍受支持。
• 避免使用已弃用的 API：ad.read、AnnData.concatenate()、AnnData.*_keys() 和 anndata.__version__。请改用 ad.read_h5ad、ad.concat、映射的 .keys() 和 importlib.metadata.version("anndata")。
• 将 anndata.experimental API 视为有用但不稳定的功能。仅在其当前限制可以接受的情况下，才将其用于大数据工作流。

快速开始

创建 AnnData 对象

import anndata as ad
import numpy as np
import pandas as pd

# 最小创建
X = np.random.rand(100, 2000)  # 100 个细胞 × 2000 个基因
adata = ad.AnnData(X)

# 带元数据
obs = pd.DataFrame({
    'cell_type': ['T cell', 'B cell'] * 50,
    'sample': ['A', 'B'] * 50
}, index=[f'cell_{i}' for i in range(100)])

var = pd.DataFrame({
    'gene_name': [f'Gene_{i}' for i in range(2000)]
}, index=[f'ENSG{i:05d}' for i in range(2000)])

adata = ad.AnnData(X=X, obs=obs, var=var)

读取数据

# 本地格式（read_h5ad/read_zarr 保持在顶层）
adata = ad.read_h5ad('data.h5ad')
adata = ad.read_h5ad('large_data.h5ad', backed='r')  # 大文件的惰性加载
adata = ad.read_zarr('data.zarr')

# 其他格式：优先使用 anndata.io（顶层导入已弃用）
from anndata.io import read_csv, read_loom, read_mtx

adata = read_csv('data.csv')
adata = read_loom('data.loom')

# 10X Genomics：使用 scanpy（不是 anndata）— 参见 scanpy 技能
import scanpy as sc
adata = sc.read_10x_h5('filtered_feature_bc_matrix.h5')
adata = sc.read_10x_mtx('filtered_feature_bc_matrix/')

写入数据

# 写入 h5ad 文件
adata.write_h5ad('output.h5ad')

# 写入带压缩
adata.write_h5ad('output.h5ad', compression='gzip')

# 写入其他格式
adata.write_zarr('output.zarr')
adata.write_csvs('output_dir/')

基本操作

# 按条件子集筛选
t_cells = adata[adata.obs['cell_type'] == 'T cell']

# 按索引子集筛选
subset = adata[0:50, 0:100]

# 添加元数据
adata.obs['quality_score'] = np.random.rand(adata.n_obs)
adata.var['highly_variable'] = np.random.rand(adata.n_vars) > 0.8

# 访问维度
print(f"{adata.n_obs} 观测 × {adata.n_vars} 变量")

核心能力

1. 数据结构

了解 AnnData 对象结构，包括 X、obs、var、layers、obsm、varm、obsp、varp、uns 和 raw 组件。

参见：references/data_structure.md 获取全面信息：

• 核心组件（X、obs、var、layers、obsm、varm、obsp、varp、uns、raw）
• 从各种来源创建 AnnData 对象
• 访问和操作数据组件
• 内存效率实践

2. 输入/输出操作

以各种格式读写数据，支持压缩、后端模式和云存储。

参见：references/io_operations.md 了解详情：

• 本地格式（h5ad、zarr）
• 替代格式（CSV、MTX、Loom、10X、Excel）
• 大数据集的后端模式
• 远程数据访问
• 格式转换
• 性能优化

常用命令：

from anndata.io import read_mtx

# 读写 h5ad
adata = ad.read_h5ad('data.h5ad', backed='r')
adata.write_h5ad('output.h5ad', compression='gzip')

# 10X Genomics（通过 scanpy）
import scanpy as sc
adata = sc.read_10x_h5('filtered_feature_bc_matrix.h5')

# 读取 MTX 格式
adata = read_mtx('matrix.mtx').T

3. 串联

沿观测或变量灵活连接策略组合多个 AnnData 对象。

参见：references/concatenation.md 获取全面覆盖：

• 基本串联（axis=0 用于观测，axis=1 用于变量）
• 连接类型（inner、outer）
• 合并策略（same、unique、first、only）
• 使用标签跟踪数据来源
• 惰性串联（AnnCollection）
• 大数据集的磁盘串联

常用命令：

# 串联观测（合并样本）
adata = ad.concat(
    [adata1, adata2, adata3],
    axis=0,
    join='inner',
    label='batch',
    keys=['batch1', 'batch2', 'batch3']
)

# 串联变量（合并模态）
adata = ad.concat([adata_rna, adata_protein], axis=1)

# 对已加载的后端 AnnData 对象进行惰性收集（实验性功能）
from anndata.experimental import AnnCollection

backed_adatas = [
    ad.read_h5ad(path, backed='r')
    for path in ['data1.h5ad', 'data2.h5ad']
]
collection = AnnCollection(
    backed_adatas,
    join_obs='outer',
    join_vars='inner',
    label='dataset'
)

4. 数据操作

高效地转换、子集筛选、过滤和重组数据。

参见：references/manipulation.md 获取详细指导：

• 子集筛选（按索引、名称、布尔掩码、元数据条件）
• 转置
• 复制（完整副本 vs 视图）
• 重命名（观测、变量、类别）
• 类型转换（字符串到分类变量、稀疏/密集）
• 添加/删除数据组件
• 重新排序
• 质量控制过滤

常用命令：

# 按元数据子集筛选
filtered = adata[adata.obs['quality_score'] > 0.8]
hv_genes = adata[:, adata.var['highly_variable']]

# 转置
adata_T = adata.T

# 副本 vs 视图
view = adata[0:100, :]  # 视图（轻量级引用）
copy = adata[0:100, :].copy()  # 独立副本

# 字符串转换为分类变量
adata.strings_to_categoricals()

5. 最佳实践

遵循推荐的模式以提高内存效率、性能和可重现性。

参见：references/best_practices.md 获取指导：

• 内存管理（稀疏矩阵、分类变量、后端模式）
• 副本 vs 视图
• 数据存储优化
• 性能优化
• 原始数据工作
• 元数据管理
• 可重现性
• 错误处理
• 与其他工具集成
• 常见陷阱和解决方案

关键建议：

# 对稀疏数据使用稀疏矩阵
from scipy.sparse import csr_matrix
adata.X = csr_matrix(adata.X)

# 字符串转换为分类变量
adata.strings_to_categoricals()

# 对大文件使用后端模式
adata = ad.read_h5ad('large.h5ad', backed='r')

# 过滤前存储原始数据
adata.raw = adata.copy()
adata = adata[:, adata.var['highly_variable']]

与 Scverse 生态系统集成

AnnData 作为 scverse 生态系统的基础数据结构：

Scanpy（单细胞分析）

import scanpy as sc

# 预处理
sc.pp.filter_cells(adata, min_genes=200)
sc.pp.normalize_total(adata, target_sum=1e4)
sc.pp.log1p(adata)
sc.pp.highly_variable_genes(adata, n_top_genes=2000)

# 降维
sc.pp.pca(adata, n_comps=50)
sc.pp.neighbors(adata, n_neighbors=15)
sc.tl.umap(adata)
sc.tl.leiden(adata)

# 可视化
sc.pl.umap(adata, color=['cell_type', 'leiden'])

Muon（多模态数据）

import muon as mu

# 合并 RNA 和蛋白质数据
mdata = mu.MuData({'rna': adata_rna, 'protein': adata_protein})

PyTorch 集成

from anndata.experimental import AnnLoader

# 为深度学习创建 DataLoader
dataloader = AnnLoader(adata, batch_size=128, shuffle=True)

for batch in dataloader:
    X = batch.X
    # 训练模型

常见工作流程

单细胞 RNA-seq 分析

import anndata as ad
import scanpy as sc

# 1. 加载数据（10X 通过 scanpy；anndata 原生处理 h5ad/zarr）
adata = sc.read_10x_h5('filtered_feature_bc_matrix.h5')

# 2. 质量控制
adata.obs['n_genes'] = (adata.X > 0).sum(axis=1)
adata.obs['n_counts'] = adata.X.sum(axis=1)
adata = adata[adata.obs['n_genes'] > 200]
adata = adata[adata.obs['n_counts'] < 50000]

# 3. 存储原始数据
adata.raw = adata.copy()

# 4. 归一化和过滤
sc.pp.normalize_total(adata, target_sum=1e4)
sc.pp.log1p(adata)
sc.pp.highly_variable_genes(adata, n_top_genes=2000)
adata = adata[:, adata.var['highly_variable']]

# 5. 保存处理后的数据
adata.write_h5ad('processed.h5ad')

批次整合

# 加载多个批次
adata1 = ad.read_h5ad('batch1.h5ad')
adata2 = ad.read_h5ad('batch2.h5ad')
adata3 = ad.read_h5ad('batch3.h5ad')

# 带批次标签串联
adata = ad.concat(
    [adata1, adata2, adata3],
    label='batch',
    keys=['batch1', 'batch2', 'batch3'],
    join='inner'
)

# 应用批次校正
import scanpy as sc
sc.pp.combat(adata, key='batch')

# 继续分析
sc.pp.pca(adata)
sc.pp.neighbors(adata)
sc.tl.umap(adata)

故障排除

内存不足错误

• 问题：处理大型数据集时内存不足
• 解决：
• 使用 adata.to_memory() 强制将数据加载到内存
• 处理数据子集
• 使用 chunked 读取大型文件
• 考虑使用 vaex 进行超大型数据

文件读取缓慢

• 问题：读取大型 h5ad 文件很慢
• 解决：
• 使用 adata = adata.copy() 创建副本
• 压缩原始数据
• 使用 lgbm 后端进行更快读取

索引对齐问题

• 问题：X 和 obs 的索引不对齐
• 解决：
• 使用 adata.copy() 确保对齐
• 显式设置索引：adata.obs_names = [...]
• 检查并修复重复的索引

其他资源

• AnnData 文档
• Scanpy 教程
• AnnData API 参考