测试sc.pp.normalize_per_cell

import numpy as np
import scanpy as sc 
x=np.array([[1,2,3],[2,3,4],[1,1,3],[0,2,10]])
adata=sc.AnnData(x)
adata.raw=adata.copy()
#print(adata.X)
# adata.raw=adata.copy()
# sc.pp.scale(adata)
# print(adata.X)
ff=np.median(np.sum(x,axis=1))/np.sum(x,axis=1)
print(np.dot(np.diag(ff),x))

sc.pp.normalize_per_cell(adata)
print(adata.X)
# sc.pp.normalize_total(adata.raw.X)
# print()

结果如下
在这里插入图片描述注意这个

测试sc.pp.normalize_total

import numpy as np
import scanpy as sc 
x=np.array([[1,2,3],[2,3,4],[1,1,3],[0,2,10]])
adata=sc.AnnData(x)
sc.pp.normalize_total(adata)
print(adata.X)

结果如下
在这里插入图片描述

验证sc.pp.normalize_per_cell

x=np.random.rand(5,3)
#print(x)

#print(x)
adata=sc.AnnData(x)
ff=np.median(np.sum(x,axis=1))/np.sum(x,axis=1) #如果什么都不设置，那么最终得到的结果是，每个细胞在所有基因的表达总和会是一个中位数值
# 这个中位数是如何得到的呢，是首先计算每个细胞初始所有基因表达的总和求中位数的到的，然后对每个细胞的基因表达乘以一个对应的倍数，从而满足
# 中位数的条件。
print(np.dot(np.diag(ff),x))
print("====================")
sc.pp.normalize_per_cell(adata) # 另外做一些删减，并不是所有的细胞都能被保留
print(adata.X)

在这里插入图片描述

记录python的操作

按列操作实现1

import numpy as np
m = np.array([[1,2,3],[4,5,6],[7,8,9],[2,3,-10]])
c = np.array([-1,1,4])
m * c  ## 直接按列乘了，而不是按行操作，但是前提是列的维度和一维数组的维度是一致的

在这里插入图片描述

按列操作实现2

np.dot(m,np.diag(c))

在这里插入图片描述

按行操作实现1

import numpy as np
m = np.array([[1,2,3],[4,5,6],[7,8,9],[2,3,-10]])
c = np.array([-1,1,4,2])
m * c[:, np.newaxis]
#np.dot(c.reshape(1,len(c)),m),这个做的是矩阵乘法