数据预处理：标准化与归一化

拿到单细胞数据，第一件事不是急着跑Transformer。你得先把数据收拾干净。为什么？因为原始counts矩阵里，每个基因的表达量尺度差得离谱——有的基因就只有几个拷贝，有的动不动上千。Transformer内部的注意力机制对输入尺度非常敏感，你不做归一化，注意力权重就会偏向高表达基因，低表达基因直接被忽略。

说白了，标准化和归一化就是把不同尺度的数据拉到同一个量级上，但又保持生物学差异。我刚开始做单细胞分析时，跳过这步直接喂给模型，结果训练loss死活不降，折腾了两天才发现是预处理埋的坑。

为什么不能直接用原始counts

你可以想象一下：两个基因，A表达量0~100，B表达量0~10000。Transformer里的LayerNorm虽然能缓解部分问题，但如果原始尺度差异太大，embedding层直接就崩了。

具体来说有三个痛点：

• 尺度倾斜 — 高表达基因主导注意力权重
• 梯度不稳定 — 大尺度特征使反向传播震荡
• 收敛慢 — 模型要花大量epoch适应不同量级

标准化（Z-score）

标准化，也叫Z-score归一化，公式很简单：

x' = (x - μ) / σ

其中μ是均值，σ是标准差。处理后数据均值为0，标准差为1。

适合什么场景？数据本身接近正态分布，或者你要保留异常值信息——因为Z-score不会把数据强制压到固定区间，离群点依然显眼。

import numpy as np
from sklearn.preprocessing import StandardScaler

# 假设data是细胞×基因矩阵
scaler = StandardScaler()
data_standardized = scaler.fit_transform(data)

print("均值(近似0):", data_standardized.mean(axis=0)[:5])
print("标准差(近似1):", data_standardized.std(axis=0)[:5])

归一化（Min‑Max）

Min‑Max直接把数据压缩到[0, 1]区间：

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

适合场景？数据有明确边界，或者要用ReLU这类非负激活函数。不过对单细胞来说，Min‑Max会丢失表达量的绝对差异——高表达基因和低表达基因被拉平了。

from sklearn.preprocessing import MinMaxScaler

scaler = MinMaxScaler(feature_range=(0, 1))
data_normalized = scaler.fit_transform(data)

print("最小值:", data_normalized.min())
print("最大值:", data_normalized.max())

还有几种实用方法

• RobustScaler — 用中位数和IQR，抗离群点。数据有极端值（比如测序深度差异）时很好使。
• 对数变换（log1p） — 单独的log1p不是标准意义上的归一化，但常作为前处理步骤，让数据更接近正态分布。
• 按库大小缩放（Size‑factor） — 单细胞常见的CPM（每百万计数）或TPM，本质上也是一种归一化。

from sklearn.preprocessing import RobustScaler

scaler = RobustScaler(quantile_range=(25, 75))
data_robust = scaler.fit_transform(data)
# 适合有离群值的单细胞counts

什么时候选哪种？一张表说清楚

方法	输出范围	保留异常值	单细胞推荐场景
Z‑score标准化	无固定范围，μ=0, σ=1	是	log1p后的基因表达，适合Transformer
Min‑Max归一化	[0, 1]	否（压缩到区间）	用ReLU激活时，或可视化
RobustScaler	无固定范围，中位数=0	强抗离群	原始counts有大量零膨胀和极高值
对数变换(log1p)	压缩右偏分布	部分保留	标准化前的必备步骤

总结一下：标准化和归一化不是二选一，而是组合使用。对于Transformer矫正批次效应，我个人推荐流程是 log1p → Z-score标准化 → 检查各批次均值是否接近0。如果均值偏差超过0.1，说明批次效应依然存在，需要回到预处理环节调整。