4. 标准化方法：Z-score, Min-Max

数据标准化这步，说实话，是很多人容易忽视的坑。

我刚开始做多组学整合的时候，拿到表达矩阵就直接怼进 PCA 了。结果一看图，前两个主成分全被某个基因表达量特别高的样本拽着跑。后来才意识到，不同基因的表达量尺度差太多了——有的基因 counts 只有几十，有的上千。不标准化，距离计算就被那些高表达基因绑架了。

所以这一章，咱们就把 Z-score 和 Min-Max 这俩最常用的方法捋清楚。你理解了它们对批次效应识别的不同影响，后面选起来就有底气了。

4.1 标准化到底解决了什么问题？

简单说，标准化让不同尺度的特征站在同一条起跑线上。

PCA 依赖方差，MDS 依赖距离。如果某个特征的数值范围天然就大（比如某基因的表达量波动在 0~10000），它的方差贡献就会盖过那些波动范围小的特征（比如 0~10）。这时候你看到的聚类结构，可能是度量单位带来的假象，而不是真实的生物学差异。

核心目标

  • 消除量纲影响：让不同单位的特征可比
  • 保留分布形态：不要破坏原始数据的相对关系
  • 适配算法假设：PCA 对均值为 0、方差一致的数据效果最好

不过要注意，标准化不是万能药。我在项目中踩过的一个坑是——标准化不能修正数据质量本身的问题。如果某个批次里一半样本的基因都没测到，你标准化完了它还是坏的。

4.2 Z-score 标准化（零均值归一化）

Z-score 是我个人最常用的方案。原因很简单：它保留了数据的原始分布形态，只是把整体搬了个家。

公式

z = (x - μ) / σ

其中 μ 是均值，σ 是标准差。做完之后，每个特征的均值变成 0，标准差变成 1。

什么时候用？

  • 数据接近正态分布，或有明显的单峰形态
  • 特征中有离群点，你希望它们仍然被保留（Z-score 不会把离群点强行压到区间里）
  • 后续要用 PCA、t-SNE、UMAP 这类对方差结构敏感的方法

经验之谈

我在单细胞 RNA-seq 的批次效应识别中，几乎只用 Z-score。因为每个基因的表达量分布往往接近对数正态，Z-score 能把不同基因拉到同一个尺度，同时不破坏稀疏矩阵的零膨胀特征。Min-Max 反而会把大量零值压到同一个下限，丢失信息。

一个要注意的地方

Z-score 不保证数据落在固定区间。如果原始数据里有极端离群点，标准化后的 z 值可能跑到 -5 或者 +8，这很正常。PCA 的协方差矩阵对这种离群点其实挺敏感的，我建议你先做一步离群点检测，或者用截断 Z-score（把超过 ±3 的值强行拉回 ±3）来抑制极端值的影响。

避坑指南

我曾经在跨批次标准化的时候，忘了分别计算每个批次的均值和标准差。直接把所有批次混在一起算了个全局 μ 和全局 σ。结果——不同批次原本存在的均值偏移被“抹平”了，PCA 图上批次效应消失了，但同时真正的生物学差异也被一起抹掉了。嗯，后来我花了整整两天重新核对流程，才找回那个丢失的亚群。

正确做法：如果只是做可视化识别，最好按每个特征（如基因）全局标准化；如果是要校正批次效应，才考虑按批次内标准化。

4.3 Min-Max 标准化（归一化）

Min-Max 就好理解多了——把数据硬拉到 [0, 1] 区间。

公式

x' = (x - min) / (max - min)

什么时候用？

  • 特征有明确的上下界，比如图像像素值 0~255
  • 数据分布比较均匀，没有极端离群点
  • 后续要用距离度量明确的算法，比如 KNN、K-means

我在图像类的数据上用 Min-Max 比较多。但放到基因表达数据上，我得提醒你一句——当心离群点。如果某个样本里一个基因的表达量突然异常高，Min-Max 会把其他所有样本的这个特征压到接近 0，整个维度就废了。

Z-score vs Min-Max 直观对比

对比维度 Z-score Min-Max
输出范围 无固定边界（通常 -3 ~ +3） [0, 1] 固定区间
对离群点的敏感性 中等（受标准差影响） 高（极值直接决定区间缩放）
分布形态保留 完全保留 保留相对顺序，但压缩了距离
适用场景 PCA、MDS、t-SNE、UMAP 图像、神经网络输入、已知边界的数据
批次效应识别效果 较好（保留方差结构） 较差（压缩后方差信息丢失）

4.4 两种方法到底怎么选？

说白了，看你的数据长什么样。

我个人的经验是——如果你不确定，先选 Z-score。为什么？因为 Z-score 不改变数据的分布形态，你在 PCA 图上看到的聚类和离散关系，就是原始数据里真实的相对关系。Min-Max 虽然直观，但你想想看，它把最大值和最小值之间的所有距离都压缩到 0~1 区间里，原本的聚集结构可能被拉伸或压扁了。

但我也不是完全不用 Min-Max。有一回我做跨平台的芯片数据整合，不同平台的数据基线完全不同，Z-score 标准化后出现了明显的“平台簇”，反而 Min-Max 因为强制了 [0, 1] 区间，削弱了平台间的基线偏移。当然，那个项目最后我用了更高级的 Combat 做批次校正，但 Min-Max 作为快速预览手段是有效的。

建议流程

  1. 先看数据分布：画每个特征的直方图或密度图
  2. 有离群点 ← 用 Z-score（或截断 Z-score）
  3. 无离群点且已知边界 ← 可用 Min-Max
  4. 做 PCA 快速验证：分别用 Z-score 和 Min-Max 跑一次，看哪个版本的批次效应更清晰
  5. 选效果更好的，然后进入正式分析

4.5 代码实现

下面是我常用的标准化函数，直接复制就能用。注意我特意把 Z-score 和 Min-Max 写成独立函数，方便你接入自己的流程。

import numpy as np
from sklearn.preprocessing import StandardScaler, MinMaxScaler

def zscore_standardize(X, axis=0):
    """
    对矩阵 X 做 Z-score 标准化
    axis=0 表示按特征（列）标准化，适合基因×样本矩阵
    axis=1 表示按样本（行）标准化，极少数情况才用
    """
    scaler = StandardScaler(with_mean=True, with_std=True)
    if axis == 0:
        return scaler.fit_transform(X)
    else:
        return scaler.fit_transform(X.T).T

def minmax_normalize(X, axis=0, feature_range=(0, 1)):
    """
    对矩阵 X 做 Min-Max 归一化
    """
    scaler = MinMaxScaler(feature_range=feature_range)
    if axis == 0:
        return scaler.fit_transform(X)
    else:
        return scaler.fit_transform(X.T).T

用前必读

注意数据类型。如果 X 是整数类型（比如 counts 矩阵），StandardScaler 会先转成 float64，这是正常的。但 Min-Max 如果遇到整型 + 离群点，整数溢出可能会导致负值或 NaN。保险起见，进来先调一句 X = X.astype(np.float64)。

还有一个我栽过的跟头：标准化的“数据泄露”问题。如果你后面要做分类或回归，标准化必须在训练集上计算均值和标准差，再应用到测试集。但可视化识别批次效应是探索性分析，通常没有训练/测试集划分，所以整个数据集一起标准化是合理的。

标准化方法选择流程 原始表达矩阵 数据是否有固定边界？ 是（如像素0~255） Min-Max 归一化 否 检查离群点 有 Z-score 标准化 无 Z-score 或 Min-Max 均可 PCA / MDS 可视化 💡 不确定时，优先选 Z-score 保留方差结构，PCA 更可靠

流程图的核心逻辑就是一条——先看你的数据有没有明显的边界约束和离群点。没有边界、有离群点，走 Z-score；有边界、无离群点，走 Min-Max。两样都占或都不占的，看具体情况拍板。

我自己的习惯是：对于转录组、蛋白质组这类高通量数据，几乎永远是 Z-score。Min-Max 我会留到图像数据或数值范围已经归一化了的外部特征才用。

行了，这一章的核心就这些。你记住一条——标准化是批次效应识别的前置条件，选不对方法，后面所有漂亮的可视化都是假象。代码拿过去跑一遍，画个 PCA 对比一下两种标准化的效果，比我在这说一百句都管用。

← 上一章 📖 返回目录 下一章 →