Python 单细胞分析进阶：详细理解 AnnData 数据结构
单细胞 Python 分析系列第 4 篇前面我们已经学习了 Python 基础语法、条件语句、循环语句、函数以及 pandas 数据框操作。从这一篇开始，我们正式进入 Python 单细胞分析中最重要的数据对象：AnnData。
很多同学刚开始学习 Scanpy 时，最容易卡在这些名字上：
adata.Xadata.obsadata.varadata.layersadata.rawadata.obsmadata.varmadata.unsadata.obspadata.varp
这些名字看起来比较抽象，但只要记住一个核心思想，后面就会清楚很多：
AnnData 不是一个简单的表达矩阵，而是一个用来统一保存表达矩阵、细胞注释、基因注释和分析结果的对象。
如果说 R 语言中 Seurat 对象是单细胞分析的核心，那么在 Python 生态中，AnnData 就是 Scanpy 分析流程中最核心的数据结构。
本文学习目标
读完这一篇，你应该能够理解：
1. 为什么 Python 单细胞分析需要 AnnData；
2. `adata.X`、`adata.obs`、`adata.var` 分别保存什么；
3. `layers`、`raw`、`obsm`、`uns`、`obsp` 这些结构分别有什么用途；
4. 单样本单细胞基础分析流程中，每一步会改变 AnnData 的哪个槽位；
5. 初学者在使用 AnnData 时最容易踩哪些坑。
01 为什么需要 AnnData？
单细胞数据并不只是一个表达矩阵。
一个完整的单细胞分析对象，通常至少包括：
- 每个细胞的 barcode、样本来源、分组、细胞类型等注释信息；
- 每个基因的 gene symbol、gene id、高变基因标记等信息；
如果把这些信息全部分开保存，分析过程会非常混乱。
例如，你可能需要同时维护：
表达矩阵.csv细胞注释.csv基因注释.csvUMAP坐标.csv聚类结果.csv差异基因结果.csv
这样做不仅容易出错，也很难保证不同文件中的细胞顺序、基因顺序完全一致。
因此，AnnData 的作用就是：
把单细胞分析中产生的各种信息，统一装进一个对象里。
这样后续做质控、降维、聚类、可视化和保存结果时，都可以围绕一个对象完成。
02 什么是类和对象？
在 Python 中，很多分析结果不是普通的数据框，而是一个“对象”。
例如：
import scanpy as scadata = sc.read_h5ad(”learndata.h5ad”)adata
这里的 adata 就是一个 AnnData 对象。
它有点类似于 R 语言中的 Seurat 对象，也可以粗略理解为 R 中的 S4 对象。这个对象里面不仅有表达矩阵，还有细胞信息、基因信息、降维结果和分析结果。
可以简单理解为：
AnnData 对象 = 表达矩阵 + 细胞信息 + 基因信息 + 分析结果
查看对象时，通常会看到类似结果：
AnnData object with n_obs × n_vars = 3000 × 20000 obs: ... var: ... uns: ... obsm: ... layers: ... obsp: ...
其中：
n_obs = observation，观察值数量，通常是细胞数或空间 spot 数n_vars = variable，变量数量，通常是基因数
对于单细胞 RNA-seq：
对于空间转录组 Visium 数据：
03 Python 单细胞分析生态：Scverse
Python 单细胞分析常用的是Scverse生态。
可以简单类比：
R 语言单细胞生态：Seurat / BioconductorPython 单细胞生态：Scanpy / AnnData / Scverse
常见工具包括：
图 1 可以帮助大家建立一个整体认识：
AnnData 负责“装数据”，Scanpy 负责“做分析”，MuData / SpatialData / Squidpy / scvi-tools 负责扩展不同应用场景。
04 AnnData 的整体结构
AnnData 全称是：
也就是“带注释的数据”。
它最核心的结构可以理解为：
adata.X 表达矩阵adata.obs 细胞注释信息adata.var 基因注释信息adata.layers 不同版本表达矩阵adata.raw 原始表达备份adata.obsm 细胞层面的多维结果adata.varm 基因层面的多维结果adata.uns 非结构化结果adata.obsp 细胞-细胞关系矩阵adata.varp 基因-基因关系矩阵
可以把 AnnData 想象成一个整理好的“数据收纳箱”。不同的信息放在不同的槽位中，后续分析和可视化时，Scanpy 会自动从这些槽位中读取对应内容。
05 准备环境和读取数据
本篇使用 Scanpy 作为示例。
import scanpy as scimport anndata as adimport pandas as pdimport numpy as npimport matplotlib.pyplot as plt
读取 .h5ad 文件：
adata = sc.read_h5ad(”learndata.h5ad”)adata
读取后建议先运行：
adata.var_names_make_unique()
这一步的作用是让基因名唯一，避免后续分析中因为重复基因名产生报错或 warning。
如果你读取的是 10X mtx 格式，可以使用：
adata = sc.read_10x_mtx( ”filtered_feature_bc_matrix/”, var_names=”gene_symbols”, cache=True)adata.var_names_make_unique()adata
如果你读取的是 10X h5 格式，可以使用：
adata = sc.read_10x_h5(”filtered_feature_bc_matrix.h5”)adata.var_names_make_unique()adata
06 adata.X：表达矩阵
adata.X 是 AnnData 中最核心的部分，用来保存表达矩阵。
查看表达矩阵维度：
AnnData 中表达矩阵的方向是：
也就是：
这一点非常重要。很多 R 语言分析中，我们更常见的是：
所以在 Python 单细胞分析中，一定要注意矩阵方向。
可以查看对象中的细胞数和基因数：
也可以查看细胞名和基因名：
adata.obs_namesadata.var_names
07 稀疏矩阵和普通矩阵
单细胞表达矩阵中有大量 0 值，因此通常用稀疏矩阵保存。
查看：
如果显示类似：
Compressed Sparse Row sparse matrix
说明 adata.X 是稀疏矩阵。
如果想转成普通矩阵，可以使用：
dense_matrix = adata.X.toarray()
如果想转成 pandas 数据框：
expr_df = adata.to_df()expr_df.head()
但是要注意：真实单细胞数据往往很大，直接转成普通矩阵可能会占用大量内存。
不建议随便对大对象运行：
更推荐只提取少量基因：
adata[:, [”Dusp3”, ”Dusp5”]].to_df()
如果是人类数据，基因名通常是大写：
adata[:, [”DUSP3”, ”DUSP5”]].to_df()
08 adata.obs：细胞注释信息
adata.obs 相当于 Seurat 对象中的 metadata。
查看：
查看有哪些列：
常见内容包括：
样本来源实验分组细胞类型n_countsn_genes线粒体比例聚类编号批次信息
例如计算质控指标：
adata.var[”mt”] = adata.var_names.str.startswith(”mt-”)sc.pp.calculate_qc_metrics( adata, qc_vars=[”mt”], inplace=True)
运行后，adata.obs 中会增加：
n_genes_by_countstotal_countstotal_counts_mtpct_counts_mt
这些都是每个细胞的质控信息。
09 在 adata.obs 中添加新信息
adata.obs 本质上是一个 pandas DataFrame，因此可以像操作普通数据框一样添加新列。
例如标记线粒体比例较高的细胞：
adata.obs[”high_mt”] = adata.obs[”pct_counts_mt”] > 20
也可以添加分组信息：
adata.obs[”group”] = ”sample1”
如果有多个样本，可以根据样本名映射分组：
adata.obs[”group”] = adata.obs[”sample”].map({ ”sample1”: ”Control”, ”sample2”: ”Disease”})
查看细胞名字：
通常 adata.obs_names 就是每个细胞的 barcode。
10 adata.var：基因注释信息
adata.var 保存的是基因层面的信息。
查看：
查看基因名：
查看有哪些基因注释列：
常见内容包括：
gene_idsfeature_typeshighly_variablemeansdispersionsmt
比如下面这句：
adata.var[”mt”] = adata.var_names.str.startswith(”mt-”)
就是在 adata.var 中添加一列，标记哪些基因是线粒体基因。
对于人类数据，线粒体基因通常是大写：
adata.var[”mt”] = adata.var_names.str.startswith(”MT-”)
对于小鼠数据，线粒体基因通常是小写：
adata.var[”mt”] = adata.var_names.str.startswith(”mt-”)
11 修改基因索引时要谨慎
有些数据读取后，adata.var_names 是 gene symbol，例如：
而 adata.var["gene_ids"] 是 Ensembl ID，例如：
如果确实想把基因名改成 Ensembl ID，建议先保存原来的 gene symbol：
adata.var[”gene_symbol”] = adata.var_namesadata.var_names = adata.var[”gene_ids”]
但是对于初学者，我更建议保留 gene symbol 作为 var_names。因为后面画图时使用 gene symbol 更直观：
sc.pl.umap(adata, color=”Dusp5”)
12 adata.layers：保存不同版本的表达矩阵
adata.layers 非常重要。
在分析过程中，表达矩阵会经历多个版本：
原始 counts归一化数据log-normalized 数据scale 后的数据
如果所有步骤都覆盖到 adata.X 中，后面很容易不知道当前的 adata.X 到底是什么。
因此，推荐使用 layers 保存不同版本的数据。
在归一化之前保存原始 counts：
adata.layers[”counts”] = adata.X.copy()
归一化和 log 转换：
sc.pp.normalize_total(adata, target_sum=1e4)sc.pp.log1p(adata)adata.layers[”lognorm”] = adata.X.copy()
查看 layers：
使用某一个 layer 画图：
sc.pl.matrixplot( adata, var_names=[”Dusp3”, ”Dusp5”], groupby=”clusters”, layer=”lognorm”)
这里建议大家养成一个习惯：
不要随便覆盖 adata.X，关键步骤前先保存到 layers。
13 adata.raw：保存原始表达备份
除了 layers，AnnData 还有一个常用结构叫 raw。
一般可以在筛选高变基因之前保存：
它的作用是保留一份原始表达信息。例如后面只保留了高变基因，但画图时还想查看其他基因，就可以从 adata.raw 中调用。
需要注意：adata.raw 通常只是用于保存表达备份，不建议在整个流程中反复修改。
14 adata.obsm：存储降维坐标
adata.obsm 用来存储每个细胞对应的多维信息。
查看：
常见内容包括：
例如 PCA 结果：
UMAP 结果通常保存在：
所以当我们运行：
Scanpy 实际上是把 UMAP 坐标保存到了：
画图时：
sc.pl.umap(adata, color=”clusters”)
本质上就是从 adata.obsm["X_umap"] 中取坐标。
如果是空间转录组，空间坐标通常保存在：
15 adata.varm：存储基因层面的多维信息
adata.varm 和 obsm 类似，但它是针对基因的。
例如 PCA 中每个基因对主成分的贡献，也就是 loading，可能会保存在：
查看：
对于初学者来说，varm 使用频率没有 obsm 高，但需要知道它保存的是基因层面的多维结果。
16 adata.uns：存储非结构化信息
adata.uns 是一个字典结构，用来保存各种非结构化结果。
查看：
或者：
注意这里要加括号。
常见内容包括：
neighborsumapleidenrank_genes_groupslog1pspatial
例如运行聚类：
sc.tl.leiden(adata, key_added=”clusters”)
聚类结果会保存在：
而聚类颜色等信息可能保存在：
adata.uns[”clusters_colors”]
运行差异分析：
sc.tl.rank_genes_groups( adata, groupby=”clusters”, method=”wilcoxon”)
差异分析结果会保存在：
adata.uns[”rank_genes_groups”]
提取差异基因结果：
deg = sc.get.rank_genes_groups_df( adata, group=None)deg.head()
17 adata.obsp：细胞之间的关系矩阵
adata.obsp 用来存储细胞和细胞之间的关系矩阵。
查看：
当我们运行：
Scanpy 会构建细胞之间的近邻图，结果通常保存在：
adata.obsp[”distances”]adata.obsp[”connectivities”]
其中：
distances：细胞之间的距离connectivities：细胞之间的连接强度
后面的 UMAP 和 Leiden 聚类都依赖这个近邻图。
也就是说，Scanpy 基础流程一般是：
PCA → neighbors → UMAP / Leiden
18 adata.varp：基因之间的关系矩阵
adata.varp 和 obsp 类似，但它保存的是基因与基因之间的关系。
例如：
在基础单细胞分析中，varp 不一定经常使用，但在基因网络分析、共表达分析中可能会用到。
19 结合单样本分析流程理解 AnnData 变化
理解 AnnData 最好的方法，就是把它和单细胞分析流程结合起来。
下面用一个基础单样本流程，把 AnnData 每一步发生了什么讲清楚。
19.1 读取数据
adata = sc.read_h5ad(”learndata.h5ad”)adata.var_names_make_unique()adata
此时主要有：
adata.X：表达矩阵adata.obs：细胞信息adata.var：基因信息
19.2 计算质控指标
adata.var[”mt”] = adata.var_names.str.startswith(”mt-”)sc.pp.calculate_qc_metrics( adata, qc_vars=[”mt”], inplace=True)
运行后，adata.obs 会增加质控指标：
total_countsn_genes_by_countspct_counts_mt
这一步主要改变的是：
19.3 质控可视化
质控指标计算完成后，可以先画图观察数据分布：
fig, axs = plt.subplots(1, 4, figsize=(15, 4))axs[0].hist(adata.obs[”total_counts”], bins=50)axs[0].set_title(”total_counts”)axs[1].hist(adata.obs[”total_counts”][adata.obs[”total_counts”] < 10000], bins=40)axs[1].set_title(”total_counts < 10000”)axs[2].hist(adata.obs[”n_genes_by_counts”], bins=60)axs[2].set_title(”n_genes_by_counts”)axs[3].hist(adata.obs[”pct_counts_mt”], bins=60)axs[3].set_title(”pct_counts_mt”)plt.tight_layout()plt.show()
这一步不会改变 AnnData 的主要结构，只是帮助我们确定后面的过滤阈值。
19.4 质控过滤
sc.pp.filter_cells(adata, min_counts=5000)sc.pp.filter_cells(adata, max_counts=35000)adata = adata[adata.obs[”pct_counts_mt”] < 20].copy()
这一步会减少细胞数量，也就是：
adata.n_obs 变少adata.X 行数变少adata.obs 行数变少
过滤基因：
sc.pp.filter_genes(adata, min_cells=10)
这一步会减少基因数量，也就是：
adata.n_vars 变少adata.X 列数变少adata.var 行数变少
查看过滤后的细胞数量：
print(f”#cells after filter: {adata.n_obs}”)
19.5 保存原始 counts
在归一化之前，建议保存原始矩阵：
adata.layers[”counts”] = adata.X.copy()
此时：
adata.layers[”counts”] 保存原始 counts
19.6 归一化和 log 转换
sc.pp.normalize_total(adata, target_sum=1e4)sc.pp.log1p(adata)adata.layers[”lognorm”] = adata.X.copy()
这一步会修改：
因此保存到 layers["lognorm"] 是一个好习惯。
19.7 高变基因
sc.pp.highly_variable_genes( adata, flavor=”seurat”, n_top_genes=2000)
这一步主要在 adata.var 中增加：
highly_variablemeansdispersionsdispersions_norm
可以查看高变基因：
adata.var[adata.var[”highly_variable”]].head()
也可以画高变基因图：
sc.pl.highly_variable_genes(adata)
19.8 PCA 降维
运行后，结果通常保存到：
adata.obsm[”X_pca”]adata.varm[”PCs”]adata.uns[”pca”]
也就是说：
细胞的 PCA 坐标 → obsm基因的 PCA loading → varmPCA 参数和方差信息 → uns
可以查看 PCA 结果：
adata.obsm[”X_pca”].shape
19.9 构建邻接图
运行后，会生成：
adata.obsp[”distances”]adata.obsp[”connectivities”]adata.uns[”neighbors”]
这一步是后续 UMAP 和聚类的基础。
19.10 UMAP 降维
运行后，UMAP 坐标保存在：
画图：
sc.pl.umap( adata, color=[”total_counts”, ”n_genes_by_counts”])
19.11 Leiden 聚类
sc.tl.leiden( adata, key_added=”clusters”)
运行后，聚类结果保存在：
画图：
sc.pl.umap( adata, color=[”clusters”])
这时 adata.obs 中就有了每个细胞所属的 cluster。
19.12 marker 基因识别
基础聚类完成后，可以寻找每个 cluster 的 marker 基因：
sc.tl.rank_genes_groups( adata, groupby=”clusters”, method=”wilcoxon”)
结果会保存到：
adata.uns[”rank_genes_groups”]
提取成数据框：
markers = sc.get.rank_genes_groups_df( adata, group=None)markers.head()
保存结果：
markers.to_csv(”cluster_markers.csv”, index=False)
19.13 保存分析结果
adata.write_h5ad(”single_sample_processed.h5ad”)
下次可以直接读取：
adata = sc.read_h5ad(”single_sample_processed.h5ad”)
20 一个总结表：每一步改变了什么？
21 完整单样本基础流程代码
下面放一份相对完整的单样本基础流程代码，适合作为后续练习模板。
import scanpy as scimport pandas as pdimport numpy as npimport matplotlib.pyplot as plt# 1. 读取数据adata = sc.read_h5ad(”learndata.h5ad”)adata.var_names_make_unique()# 2. 标记线粒体基因# 小鼠数据通常是 mt-，人类数据通常是 MT-adata.var[”mt”] = adata.var_names.str.startswith(”mt-”)# 3. 计算 QC 指标sc.pp.calculate_qc_metrics( adata, qc_vars=[”mt”], inplace=True)# 4. 查看对象print(adata)print(adata.obs.head())print(adata.var.head())# 5. 质控过滤sc.pp.filter_cells(adata, min_counts=5000)sc.pp.filter_cells(adata, max_counts=35000)adata = adata[adata.obs[”pct_counts_mt”] < 20].copy()sc.pp.filter_genes(adata, min_cells=10)print(f”#cells after filter: {adata.n_obs}”)print(f”#genes after filter: {adata.n_vars}”)# 6. 保存原始 countsadata.layers[”counts”] = adata.X.copy()# 7. 标准化和 log 转换sc.pp.normalize_total(adata, target_sum=1e4)sc.pp.log1p(adata)adata.layers[”lognorm”] = adata.X.copy()# 8. 高变基因sc.pp.highly_variable_genes( adata, flavor=”seurat”, n_top_genes=2000)# 9. PCA / 邻接图 / UMAP / 聚类sc.pp.pca(adata)sc.pp.neighbors(adata)sc.tl.umap(adata)sc.tl.leiden(adata, key_added=”clusters”)# 10. 可视化sc.pl.umap( adata, color=[”total_counts”, ”n_genes_by_counts”, ”pct_counts_mt”, ”clusters”], wspace=0.4)# 11. marker 基因sc.tl.rank_genes_groups( adata, groupby=”clusters”, method=”wilcoxon”)markers = sc.get.rank_genes_groups_df( adata, group=None)markers.to_csv(”cluster_markers.csv”, index=False)# 12. 保存对象adata.write_h5ad(”single_sample_processed.h5ad”)
22 初学者最容易踩的坑
22.1 重复基因名
很多公开数据中可能存在重复基因名。读取数据后建议先运行：
adata.var_names_make_unique()
否则后续分析可能会出现 warning 或报错。
22.2 把 .copy 写成 .copy()
错误写法：
正确写法：
少了括号，adata1 不是复制出来的新对象，而是一个方法本身。
22.3 切片后忘记 .copy()
AnnData 中切片后得到的对象可能只是 view，不是真正独立的 copy。
不推荐：
adata_sub = adata[adata.obs[”pct_counts_mt”] < 20]
推荐：
adata_sub = adata[adata.obs[”pct_counts_mt”] < 20].copy()
尤其是后面要修改 adata_sub.obs 或 adata_sub.X 时，建议一定加 .copy()。
22.4 不清楚当前 adata.X 是什么
分析流程中，adata.X 经常会被修改。因此建议在关键步骤保存不同版本：
adata.layers[”counts”] = adata.X.copy()sc.pp.normalize_total(adata, target_sum=1e4)sc.pp.log1p(adata)adata.layers[”lognorm”] = adata.X.copy()
这样后面需要原始 counts 或 lognorm 数据时，就不会混乱。
22.5 线粒体基因大小写写错
人类数据：
adata.var[”mt”] = adata.var_names.str.startswith(”MT-”)
小鼠数据：
adata.var[”mt”] = adata.var_names.str.startswith(”mt-”)
如果大小写写错，pct_counts_mt 可能全部为 0 或计算异常。
22.6 随意把大矩阵转成普通矩阵
不推荐对大数据直接运行：
因为这样可能会占用大量内存。
更推荐：
adata[:, [”Dusp3”, ”Dusp5”]].to_df()
23 保存和读取 h5ad 文件
分析完成后，可以保存：
adata.write_h5ad(”single_sample_processed.h5ad”)
下次直接读取：
adata = sc.read_h5ad(”single_sample_processed.h5ad”)
.h5ad 的好处是可以把 AnnData 对象中的大多数内容一起保存，包括：
表达矩阵细胞注释基因注释降维结果聚类结果邻接图差异分析结果
所以它非常适合作为 Python 单细胞分析的中间结果文件。
24 AnnData 和 Seurat 对象的简单类比
对于熟悉 Seurat 的同学，可以用下面这个表帮助理解：
这个类比并不是完全一一对应，但对于初学者理解 AnnData 很有帮助。
25 本篇小结
这一篇主要介绍了 Python 单细胞分析中最核心的数据结构：AnnData。
可以用一句话总结：
AnnData 是 Python 单细胞分析中用来统一存储表达矩阵、细胞注释、基因注释和分析结果的核心对象。
其中最重要的结构包括：
adata.X 表达矩阵adata.obs 细胞信息adata.var 基因信息adata.layers 多版本表达矩阵adata.obsm 细胞降维结果adata.varm 基因多维结果adata.uns 非结构化分析结果adata.obsp 细胞关系矩阵adata.varp 基因关系矩阵adata.raw 原始表达备份
对于初学者来说，建议重点掌握：
X、obs、var、layers、obsm、uns、obsp
这几个结构理解清楚之后，再看 Scanpy 的单细胞分析流程就会容易很多。
26 学习五问
最后留 5 个问题，帮助大家检查自己是否真正理解了 AnnData：
如果这 5 个问题你都能回答出来，说明你已经理解了 AnnData 的核心结构。
27 下期预告
下一篇我们可以继续介绍：
不同格式单细胞数据的读取方式，以及单细胞基础分析 pipeline。
包括：
10X mtx 文件filtered_feature_bc_matrix.h5h5ad 文件loom 文件csv / tsv 表达矩阵空间转录组 Visium 数据
然后进入完整的单样本基础分析流程：
读取数据质控过滤标准化高变基因PCA邻接图UMAP聚类marker 基因识别细胞类型注释
如果你已经读到这里，说明你已经正式从 Python 基础迈入单细胞分析的核心阶段了。
本篇关键词：Python 单细胞分析、Scanpy、AnnData、adata.X、adata.obs、adata.var、layers、obsm、uns、obsp。
10个月宝宝每天需要喝多少奶粉？
