python版读取不同的单细胞数据格式（单样本与多样本）

关于 R 版本的生信分析笔记太多了，R 生态的生信分析笔记超全。但是随着数据量的日益壮大，我们有必要开始学习python了。生信技能树从今年开始会大力推行 python 版本的生信生态，写超多关于 python 版本的生信分析教程。敬请关注~新专辑《python生信笔记2025》。

关于R语言读取不同的单细胞数据格式，我们前面做了超多分享：

• 读取不同格式的单细胞转录组数据及遇到问题的解决办法
• R tips：R如何读取scanpy单细胞文件
• V5版seurat读取不同格式单细胞数据
• 同一个单细胞数据集，两种格式的处理方法
• 不走寻常路的单细胞表达量矩阵读取
• CSV格式单细胞数据的读入与seurat对象创建
• 各种单细胞表达量矩阵和空间信息的导入

我们来看看python版本的吧！

第一种：10x cellranger标准结果读取

10x cellranger标准结果为三个文件：barcodes.tsv.gz  features.tsv.gz  matrix.mtx.gz，我们这里使用数据 GSE163558 作为参考，https://www.ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GSE163558。

读取方法参见Scanpy：https://scanpy.readthedocs.io/en/1.11.x/tutorials/basics/clustering-2017.html

GSE163558数据集共10个样本，下载 GSE163558_RAW.tar，处理成下面的格式：

GSE163558
├── GSM5004180_PT1
│   ├── barcodes.tsv.gz
│   ├── features.tsv.gz
│   └── matrix.mtx.gz
├── GSM5004181_PT2
│   ├── barcodes.tsv.gz
│   ├── features.tsv.gz
│   └── matrix.mtx.gz
├── GSM5004182_PT3
│   ├── barcodes.tsv.gz
│   ├── features.tsv.gz
│   └── matrix.mtx.gz
├── GSM5004183_NT1
│   ├── barcodes.tsv.gz
│   ├── features.tsv.gz
│   └── matrix.mtx.gz
...

首先来看下单个样本的读取：

import pandas as pd
import scanpy as sc
import os

# 使用 scanpy读取
adata = sc.read_10x_mtx(
    "GSE163558/GSM5004180_PT1/",  # the directory with the `.mtx` file



    
    var_names="gene_symbols",  # use gene symbols for the variable names (variables-axis index)
    cache=True,  # write a cache file for faster subsequent reading
)
adata

读取完后，adata是一个AnnData对象，n_obs为细胞数，n_vars为基因数

读取多个并合并成一个大的anndata对象：

先看看每个目录中的样本文件夹：

# 列出当前目录中的样本
dir = os.listdir("GSE163558_RAW")
dir

['GSM5004180_PT1',
 'GSM5004181_PT2',
 'GSM5004182_PT3',
 'GSM5004183_NT1',
 'GSM5004184_LN1',
 'GSM5004185_LN2',
 'GSM5004186_O1',
 'GSM5004187_P1',
 'GSM5004188_Li1',
 'GSM5004189_Li2']

for循环读取：

adata = {}
for i in range(len(dir)):
    data = sc.read_10x_mtx("GSE163558_RAW/" +dir[i], var_names="gene_symbols", cache=True)
    data.var_names_make_unique()  
    adata[dir[i]] = data
    print(dir[i])

打印结果如下：

adata 现在是一个字典：

adata

使用 concat 函数将多个adata连接在一起：

adata = sc.concat(adata,label='sampleid')
adata.obs_names_make_unique()
adata

后续的去批次等处理可以参考：https://scanpy.readthedocs.io/en/1.11.x/tutorials/basics/integrating-data-using-ingest.html

第二种：读取 h5 格式

10x cellranger上游定量的时候除了三个标准文件，其实还有一个同样内容的 h5 格式数据，还是使用scanpy：

这里使用 https://www.ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GSE175687为例，共有四个样本，下载 GSE175687_RAW.tar 附件：

GSM5344021_WT_tumor_filtered_feature_bc_matrix.h5



    
GSM5344022_WT_normal.adjacent.lung_filtered_feature_bc_matrix.h5
GSM5344023_B1.KO_tumor_filtered_feature_bc_matrix.h5
GSM5344024_B1.KO_normal.adjacent.lung_filtered_feature_bc_matrix.h5

单个和多样本读取：

import pandas as pd
import scanpy as sc
import os
import re

# 目录下的文件
files = os.listdir("GSE175687_RAW")
files

# ['GSM5344021_WT_tumor_filtered_feature_bc_matrix.h5',
#  'GSM5344022_WT_normal.adjacent.lung_filtered_feature_bc_matrix.h5',
#  'GSM5344023_B1.KO_tumor_filtered_feature_bc_matrix.h5',
#  'GSM5344024_B1.KO_normal.adjacent.lung_filtered_feature_bc_matrix.h5']

# 读取单个h5文件
adata = sc.read_10x_h5("filtered_feature_bc_matrix.h5")
adata

# 多个读取
adata = {}
for i in range(len(files)):
    data = sc.read_10x_h5("GSE175687_RAW/" + files[i])
    data.var_names_make_unique()
    name = re.sub(r"_filtered_feature_bc.*", "", files[i])
    adata[name] = data
    print(name)

# 合并
print(adata)
adata = sc.concat(adata,label='sampleid')
adata.obs_names_make_unique()
adata

读取完后，adata还是是一个AnnData对象，n_obs为细胞数，n_vars为基因数

第三种：读取csv格式count矩阵

有一些单细胞数据只提供了count格式的压缩矩阵，如 GSE128531 数据，https://www.ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GSE128531

下载GSE128531_RAW.tar附件，9个样本，都是csv格式：

GSM3679033_Labeled_SC67_050517_SK_MF2_GRCh38raw.csv.gz 10.5 Mb
GSM3679034_Labeled_SC82_060617_SK_MF5_GRCh38raw.csv.gz 18.2 Mb
GSM3679035_SC157dataframe.csv.gz 10.9 Mb
GSM3679036_SC158dataframe.csv.gz 18.4 Mb
GSM3679037_SC205dataframe.csv.gz 7.0 Mb
GSM3679038_Labeled_SC50_011917_SK_NOR_GRCh38raw.csv.gz 6.6 Mb
GSM3679039_Labeled_SC68_051517_SK_NOR_GRCh38raw.csv.gz 4.3 Mb
GSM3679040_Labeled_SC124_080317_SK_NOR_GRCh38raw.csv.gz 9.6 Mb
GSM3679041_Labeled_SC125_080317_SK_NOR_GRCh38raw.csv.gz

Note：这个数据还比较特殊，他的行是基因，列是细胞，所以读取进来需要进行一下转置！

单个和多样本读取：

# 导入scanpy库
import scanpy as sc
import os
import re

# 目录下的文件
files = os.listdir("GSE128531_RAW")
files

# ['GSM3679033_Labeled_SC67_050517_SK_MF2_GRCh38raw.csv.gz',
#  'GSM3679034_Labeled_SC82_060617_SK_MF5_GRCh38raw.csv.gz',
#  'GSM3679035_SC157dataframe.csv.gz',
#  'GSM3679036_SC158dataframe.csv.gz',
#  'GSM3679037_SC205dataframe.csv.gz',
#  'GSM3679038_Labeled_SC50_011917_SK_NOR_GRCh38raw.csv.gz',
#  'GSM3679039_Labeled_SC68_051517_SK_NOR_GRCh38raw.csv.gz',
#  'GSM3679040_Labeled_SC124_080317_SK_NOR_GRCh38raw.csv.gz',
#  'GSM3679041_Labeled_SC125_080317_SK_NOR_GRCh38raw.csv.gz']


# 读取一个样本的 csv 文件
adata = sc.read_csv("GSE128531_RAW/GSM3679033_Labeled_SC67_050517_SK_MF2_GRCh38raw.csv.gz")



    
# 转置矩阵
adata = adata.T
adata
# 查看细胞：
adata.obs.head()
# 查看基因
adata.var.head()

# 多个
adata = {}
for i in range(len(files)):
    data = sc.read_csv("GSE128531_RAW/" + files[i])
    # 转置矩阵
    data = data.T
    data.var_names_make_unique()
    name = re.sub(r"_GRCh38.*", "", files[i])
    name = re.sub(r"dataframe.*", "", name)
    adata[name] = data
    print(name)
    
# 合并
print(adata)
adata = sc.concat(adata,label='sampleid')
adata.obs_names_make_unique()
adata

结果如下：

第四种：读取h5ad 格式

上一次我们在解决一个学员的报错时：一步一个坑：单细胞数据的h5ad格式转换成R可读取对象，其中的数据就是h5ad格式：https://www.ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GSE222427

# 导入scanpy库
import scanpy as sc

# 读取
adata = sc.read_h5ad("./GSE222427/GSM6923183_MC_scRNA.h5ad")
adata
adata.var.head()

结果如下：

扩展

以上所有的读取函数都来自 scanpy 这个 python 包，更多的读取方法见：https://scanpy.readthedocs.io/en/1.11.x/api/reading.html，相信通过上面的代码模仿，大家很快就可以学会~

分享到此，你开始学习python了吗？

文末友情宣传

• 生信入门&数据挖掘线上直播课3月班
• 时隔5年，我们的生信技能树VIP学徒继续招生啦
• 满足你生信分析计算需求的低价解决方案