best_practices

# 最佳实践 高效且有效地使用 AnnData 的指南。 ## 内存管理 ### 对稀疏数据使用稀疏矩阵 python import numpy as np from scipy.sparse import csr_matrix import anndata as ad # 检查数据稀疏性 data = np.random.rand(1000, 2000) sparsity = 1 - np.count_nonzero(data) / data.size print(f"稀疏度: {sparsity:.2%}") # 如果零值超过 50%，则转换为稀疏矩阵 if sparsity > 0.5: adata = ad.AnnData(X=csr_matrix(data)) else: adata = ad.AnnData(X=data) # 优势：对于稀疏基因组数据，内存减少 10-100 倍 ### 将字符串转换为分类类型 (Categoricals) python # 低效：字符串列占用大量内存 adata.obs['cell_type'] = ['Type_A', 'Type_B', 'Type_C'] * 333 + ['Type_A'] # 高效：转换为分类类型 adata.obs['cell_type'] = adata.obs['cell_type'].astype('category') # 转换所有字符串列 adata.strings_to_categoricals() # 优势：对于重复字符串，内存减少 10-50 倍 ### 对大数据集使用后端模式 (Backed mode) python # 不要将整个数据集加载到内存中 adata = ad.read_h5ad('large_dataset.h5ad', backed='r') # 处理元数据 filtered = adata[adata.obs['quality'] > 0.8] # 仅加载过滤后的子集 adata_subset = filtered.to_memory() # 优势：处理大于 RAM 的数据集 ## 视图 (Views) 与副本 (Copies) ### 理解视图 python # 默认情况下，子集化会创建视图 subset = adata[0:100, :] print(subset.is_view) # True # 视图不复制数据（内存高效） # 但修改可能会影响原始数据 # 检查对象是否为视图 if adata.is_view: adata = adata.copy() # 使其独立 ### 何时使用视图 python # 好：对子集进行只读操作 mean_expr = adata[adata.obs['cell_type'] == 'T cell'].X.mean() # 好：临时分析 temp_subset = adata[:100, :] result = analyze(temp_subset.X) ### 何时使用副本 python # 创建独立副本以进行修改 adata_filtered = adata[keep_cells, :].copy() # 修改时不会影响原始数据 adata_filtered.obs['new_column'] = values # 在以下情况务必复制： # - 存储子集以供后续使用 # - 修改子集数据 # - 传递给修改数据的函数 ## 数据存储最佳实践 ### 选择正确的格式 **H5AD (HDF5) - 默认选择** python adata.write_h5ad('data.h5ad', compression='gzip') - 快速随机访问 - 支持后端模式 - 良好的压缩 - 最适合：大多数使用场景 **Zarr - 云端和并行访问** python adata.write_zar