基于索引子串匹配为AnnData对象添加注释列报错排查

背景与需求 #

• dfs_GSE159115是由AnnData对象组成的字典，用于处理带注释的数据矩阵
• anno_GSE159115是注释数据集，为包含total_UMI、anno等列的DataFrame，索引格式为SI_xxx_xxx-1
• 需求：当anno_GSE159115.index最后一个_分隔后的子串与dfs_GSE159115[sample_id].obs.index匹配时，将anno列添加到对应AnnData对象的obs中

原代码 #

# 遍历每个样本并分配注释
for sample_id, adata in dfs_GSE159115.items():
    obs_index = set(adata.obs.index)
    anno_index = set(anno_GSE159115.index.str.rsplit('_', n=1).str.get(1))
    
    # 过滤dfs_GSE159115以仅保留索引匹配的行
    anno_GSE159115.index = obs_index.intersection(anno_index)
    matching_annotations = anno_GSE159115.loc[anno_GSE159115.index, "anno"]
    
    # 在观测元数据中创建或分配"anno"列
    adata.obs["anno"] = matching_annotations.values

报错信息 #

ValueError: Length mismatch: Expected axis has 1167 elements, new values have 107 elements

问题分析 #

1. 破坏原数据集结构：直接修改anno_GSE159115的索引，导致后续循环无法访问完整的注释数据
2. 未建立精准映射：仅取索引交集后直接赋值，无法保证每个观测都对应到正确的注释，且交集长度与AnnData的观测数不匹配，引发长度错误

修复代码 #

# 预处理注释数据集，提取用于匹配的后缀索引并建立映射
anno_GSE159115['match_id'] = anno_GSE159115.index.str.rsplit('_', n=1).str.get(1)
anno_mapping = anno_GSE159115.set_index('match_id')['anno']

# 遍历每个AnnData对象匹配并添加注释
for sample_id, adata in dfs_GSE159115.items():
    # 根据obs索引自动匹配注释，未匹配项设为NaN
    adata.obs['anno'] = adata.obs.index.map(anno_mapping)

修复说明 #

• 一次性预处理注释数据，提取所有用于匹配的后缀match_id，避免循环内重复计算
• 利用pandas的map方法实现索引自动对齐，完美匹配AnnData的观测长度，未找到对应注释的观测会被赋值为NaN
• 不修改原注释数据集的结构，确保每个样本循环都能访问完整的注释映射

内容的提问来源于stack exchange，提问作者Anon