3. 数据格式要求：理解MOFA输入数据的结构

开始调MOFA模型之前，有一件事你必须搞明白——数据长什么样才能往里喂。

我见过不少同学，代码跑得飞起，结果一读数据直接报错。说白了，MOFA对输入格式有自己的一套规矩。

这一章，我们就把它彻底捋清楚。

3.1 宽表格：横着摆，竖着读

MOFA的核心输入，是一种叫“宽表格”的东西。你想想看，其实就是行是样本、列是特征。

举个例子：

            Gene1  Gene2  Gene3  ...  Metabolite1  Metabolite2  ...
Sample_1      5.2    3.1    0.8          0.45         1.23
Sample_2      4.8    2.9    1.1          0.52         1.18
Sample_3      6.1    3.5    0.9          0.39         1.31
Sample_4      5.5    3.0    1.0          0.48         1.27

看到没？每个sample一行，所有特征横着排开。如果你的数据是长表格（每个sample多行），那必须先做pivot。

3.2 样本×特征：必须搞清楚的方向

MOFA的文档里反复强调“samples × features”的结构。其实说白了就是：行是样本，列是特征。

我曾经在一个代谢组学项目里吃过这个亏。数据导出来是特征×样本的格式，我没注意直接往里灌，模型跑了三天，结果全是垃圾。后来一查才发现，方向搞反了。

所以，这里有三种方法帮你确认方向：

• 看索引：样本名通常在行索引里
• 看列名：特征名通常在列名里
• 看数值范围：同一特征的数值量级通常接近

如果你拿不准，手动检查几行就明白了。

3.3 缺失值处理：不是填个0就完事了

MOFA模型支持缺失值，但不代表你可以随便处理。我记得刚入行时，导师丢给我一句“缺失值用0填充就行”，结果模型一发散，收敛不了。

缺失值分三种情况：

缺失类型	含义	处理方法（我建议）
完全随机缺失（MCAR）	缺失和任何变量无关	可以直接用均值/中位数填充
随机缺失（MAR）	缺失和其他变量有关	用模型预测填充，比如KNN或MICE
非随机缺失（MNAR）	缺失和自身值有关	这比较棘手，建议保留缺失标记，交给MOFA内部处理

实操中，我常用这个简单的处理方法：

import pandas as pd
import numpy as np

# 假设 df 是你的数据，缺失用 NaN 表示
# 先看看缺失比例
missing_ratio = df.isnull().mean()
print(missing_ratio[missing_ratio > 0])

# 删除缺失超过50%的特征
df_clean = df.loc[:, missing_ratio < 0.5]

# 剩余缺失用特征均值填充
df_filled = df_clean.fillna(df_clean.mean())

3.4 标准化：不同模态必须统一量纲

MOFA的一个核心假设是：不同特征之间可以比较。但基因表达量可能是0.1~10，代谢物浓度可能是100~1000，直接放一起，结果会被量级大的特征主导。

说实话，这个问题我踩过很多次坑。有一次做多组学整合，转录组和蛋白组量级差了两个数量级，出来的因子全部被转录组占了，蛋白组的信息一点没体现。

标准化这里，有两种主流方式：

方法	公式	适用场景（我的经验）
Z-score	(x - mean) / std	大多数情况都用这个，模型稳定
Min-Max	(x - min) / (max - min)	数据波动很大，或者有明确边界时用

具体代码：

from sklearn.preprocessing import StandardScaler, MinMaxScaler

# Z-score 标准化
scaler_z = StandardScaler()
df_zscore = pd.DataFrame(scaler_z.fit_transform(df_filled),
                         index=df_filled.index,
                         columns=df_filled.columns)

# Min-Max 标准化
scaler_mm = MinMaxScaler()
df_minmax = pd.DataFrame(scaler_mm.fit_transform(df_filled),
                         index=df_filled.index,
                         columns=df_filled.columns)

3.5 完整的数据预处理流程

好了，我们把前面这几步串起来。这是我个人习惯的一套流程：

1. 读数据：确认宽表格结构，样本×特征方向
2. 检查缺失：查看每列缺失比例，删除高缺失特征
3. 填充缺失：用均值或中位数填充剩余缺失值
4. 标准化：对每列做Z-score标准化
5. 最终检查：确认无缺失、均值为0、方差为1

用代码实现就是：

def preprocess_for_mofa(df, missing_threshold=0.5):
    # 1. 删除高缺失特征
    df = df.loc[:, df.isnull().mean() < missing_threshold]
    # 2. 均值填充
    df = df.fillna(df.mean())
    # 3. Z-score标准化
    scaler = StandardScaler()
    df_scaled = pd.DataFrame(scaler.fit_transform(df),
                             index=df.index,
                             columns=df.columns)
    return df_scaled

嗯，这样处理完的数据，MOFA模型跑起来很顺。

3.6 数据基础设施总览

我画了一张图，帮你把整个数据准备流程串起来。你看一眼就明白了：

---

总结一下这章的核心：数据格式是MOFA的门槛，宽表格、样本×特征、缺失值处理和标准化，四步缺一不可。