前几天后台有同学私信说想要美化下scanpy绘制的UMAP图，给了篇单细胞文章中的UMAP截图，我们写了一个函数，用于美化scanpy的UMAP图，思路还是比较简单，基本上全部是由deeepseek帮忙实现，能让你的UMAP图拥有：
✓ 细胞亚群轮廓线
✓ 智能标签定位
✓ 科研风坐标轴
✓ 自适应比例标注
核心美化功能解析
功能1：核密度轮廓线
kde = KernelDensity(bandwidth=0.5)kde.fit(coordinates)plt.contour(xx, yy, Z, levels=[peak*0.1]) -
原理：通过核密度估计寻找细胞聚集区
-
优势：比 convex hull 更贴合真实分布
功能2：智能标签
ax.text(x, y, cell_type, bbox=dict(facecolor='white', alpha=0.9))-
自动计算亚群中位数坐标
-
白色半透明背景增强对比度
-
圆角边框提升美观度
功能3：科研风坐标轴
ax.arrow(x_min, y_min, dx, 0) # X轴箭头ax.text(x_center, y_min-offset, 'UMAP1') # 动态标签-
自动计算箭头长度比例
-
自适应图像长宽比
-
标签防遮挡设计
完整函数封装
import numpy as npimport pandas as pdimport scanpy as scimport matplotlib.pyplot as pltfrom sklearn.neighbors import KernelDensity
def enhance_umap(adata, color='celltype', figsize=(6,6)): fig, ax = plt.subplots(figsize=figsize) sc.pl.umap( adata, color=color, legend_loc=None, frameon=False, size=15, ax=ax, add_outline=True, show=False )
for cell_type in adata.obs[color].unique(): # 获取对应细胞类型的UMAP坐标 mask = adata.obs[color] == cell_type x = adata.obsm["X_umap"][mask, 0] y = adata.obsm["X_umap"][mask, 1]
x_min, x_max = x.min() - 0.5, x.max() + 0.5 y_min, y_max = y.min() - 0.5, y.max() + 0.5 xx, yy = np.mgrid[x_min:x_max:100j, y_min:y_max:100j]
xy_train = np.vstack([x, y]).T xy_test = np.vstack([xx.ravel(), yy.ravel()]).T
# 核密度估计 kde = KernelDensity(bandwidth=0.5, metric='euclidean') kde.fit(xy_train)
# 密度 Z = np.exp(kde.score_samples(xy_test)) Z = Z.reshape(xx.shape)
# 绘制轮廓 plt.contour( xx, yy, Z, levels=[Z.max() * 0.1], colors='gray', linestyles='--', linewidths=1.2, alpha=0.75 )
cell_type_counts = adata.obs[color].value_counts(normalize=True) * 100 for cell_type, percentage in cell_type_counts.items(): mask = adata.obs[color] == cell_type x = np.median(adata.obsm["X_umap"][mask, 0]) y = np.median(adata.obsm["X_umap"][mask, 1]) ax.text( # x, y, f"{cell_type} ({percentage:.1f}%)", x, y, f"{cell_type}", fontsize=10, ha="center", color="black", bbox=dict( facecolor='white', # 添加白色背景 edgecolor='none', alpha=0.65, boxstyle="round,pad=0.4" # 添加圆角 ) ) ax = plt.gca() ax.set_xlabel('UMAP1', fontsize=10) ax.set_ylabel('UMAP2', fontsize=10) # 获取坐标轴数据范围 x_min, x_max = ax.get_xlim() y_min, y_max = ax.get_ylim() # 动态计算箭头参数（基于数据范围和图像比例） x_range = x_max - x_min y_range = y_max - y_min aspect_ratio = (fig.get_size_inches()[0] / fig.get_size_inches()[1]) * (y_range / x_range) # 校正宽高比 # 箭头长度（数据范围的10%） dx = x_range * 0.1 * aspect_ratio dy = y_range * 0.1 * aspect_ratio # 根据实际显示比例调整Y轴长度 # 箭头头部参数（与箭头长度成比例） head_width = dy * 0.1 head_length = dx * 0.1 # 绘制X轴箭头 ax.arrow( x_min, y_min, dx, 0, head_width=head_width, head_length=head_length, fc='black', ec='black' ) # 绘制Y轴箭头 ax.arrow( x_min, y_min, 0, dy, head_width=head_width, head_length=head_length, fc='black', ec='black' ) # 计算标签位置（箭头中点+微调偏移） label_offset = dx * 0.15 # 偏移量为箭头长度的15% ax.text( x_min + dx/2, y_min - label_offset, # 向下偏移 'UMAP1', ha='center', va='top', fontsize=10 ) ax.text( x_min - label_offset, y_min + dy/2, 'UMAP2', rotation=90, ha='right', va='center', fontsize=10 )