Snakemake调用Python的seaborn生成多输出图时缺失输出如何解决

1. 核心报错原因分析 #

输出缺失由多个错误叠加导致：

• 你用shell指令直接调用Python脚本，脚本中没有获取snakemake对象的合法渠道，直接调用snakemake.input/snakemake.output会直接抛出未定义错误，脚本执行失败自然不会生成输出
• Python脚本里的输入索引写错：snakemake.input[O]是大写字母O，不是数字0，会直接报变量未定义
• 第二个输入是tsv格式，脚本里错误使用逗号作为分隔符，会导致读取文件失败
• 循环遍历列存储图片时，所有列的图都会覆盖同一个snakemake.output[0]路径，最终只会保留最后一列的图，如果你预期每列对应一张图，这个逻辑完全错误
• 给出的Snakemake伪代码中input列表的两个文件路径没有加逗号分隔，本身就存在语法错误

2. 修复方案 #

2.1 输出路径的正确写法 #

两种合法方案二选一即可：

方案A：用Snakemake的script指令替代shell（推荐）

Snakemake的script指令会自动给Python脚本注入snakemake全局对象，不需要额外传参：

# 修正后的Snakemake规则片段
rule seaborn:
    input:
        "/OtherPath/to/file1.csv",
        "/AnotherPath/to/file2.tsv"
    output:
        "/path/to/outputs{wc1}_{wc2}_{col}.png"
    script:
        "SeabornPlot.py"

对应Python脚本修改为：

import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns

# 输入索引改为数字0，第二个输入的分隔符改为\t
CSV1 = pd.read_csv(snakemake.input[0], delimiter=",")
CSV2 = pd.read_csv(snakemake.input[1], delimiter="\t")

# 从通配符获取当前要绘制的列名，避免循环覆盖
target_col = snakemake.wildcards.col
g = sns.barplot(x=target_col, data=CSV2)
fig = g.get_figure()
fig.savefig(snakemake.output[0]) 
plt.close()

方案B：保留shell指令，通过参数传递路径

如果要继续用shell调用Python，需要把路径作为参数传入：

# 修正后的Snakemake规则片段
rule seaborn:
    input:
        "/OtherPath/to/file1.csv",
        "/AnotherPath/to/file2.tsv"
    output:
        "/path/to/outputs{wc1}_{wc2}_{col}.png"
    shell:
        "python SeabornPlot.py {input[0]} {input[1]} {output[0]} {wildcards.col}"

对应Python脚本修改为：

import sys
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns

CSV1 = pd.read_csv(sys.argv[1], delimiter=",")
CSV2 = pd.read_csv(sys.argv[2], delimiter="\t")
output_path = sys.argv[3]
target_col = sys.argv[4]

g = sns.barplot(x=target_col, data=CSV2)
fig = g.get_figure()
fig.savefig(output_path) 
plt.close()

2.2 checkpoint使用合理性判断 #

你当前场景不需要用checkpoint，替换为普通rule即可。checkpoint仅适用于执行前无法确定输出数量/路径，需要执行完该步骤才能确定后续依赖的动态工作流场景，你当前的输出路径可以通过通配符提前确定，用checkpoint属于滥用，反而会增加工作流复杂度。

2.3 rule all的修改建议 #

如果你需要为CSV1的每一列都生成对应wc1、wc2的图，需要提前读取CSV1列名作为通配符取值，修改expand逻辑：

# 提前读取CSV1的列名
ALL_COLS = pd.read_csv("/OtherPath/to/file1.csv").columns.tolist()

rule all:
    expand("/path/to/outputs{wc1}_{wc2}_{col}.png", wc1=WC1, wc2=WC2, col=ALL_COLS)

内容的提问来源于stack exchange，提问作者c00kieRaptor