SCS【5】单细胞转录组数据可视化分析 (scater)

最新推荐文章于 2023-10-08 21:49:23 发布
最新推荐文章于 2023-10-08 21:49:23 发布
阅读量1.1k 收藏 10
点赞数
分类专栏： 单细胞系列 文章标签： 数据挖掘 SCI文章撰写 SCI绘图 大数据 r语言
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_41368414/article/details/126641195
版权

图片

点击关注，桓峰基因

桓峰基因公众号推出单细胞系列教程，有需要生信的老师可以联系我们！首选看下转录分析教程整理如下：

Topic 6. 克隆进化之 Canopy

Topic 7. 克隆进化之 Cardelino

Topic 8. 克隆进化之 RobustClone

SCS【1】今天开启单细胞之旅，述说单细胞测序的前世今生

SCS【2】单细胞转录组 之 cellranger

SCS【3】单细胞转录组数据 GEO 下载及读取

SCS【4】单细胞转录组数据可视化分析 (Seurat 4.0)

SCS【5】单细胞转录组数据可视化分析 (scater)

今天来说说单细胞转录组数据的分析细节，学会这些分析结果，距离发文章就只差样本的选择了，有创新性的样本将成为文章的亮点，并不是分析内容了！

前言

动机: 单细胞RNA测序(scRNA-seq)越来越多地被用于研究单个细胞水平上的基因表达。然而，为进一步分析准备原始序列数据并不是一个简单的过程。来源存在于数据中的偏差、实验室错误和其他不必要的问题，需要在预处理、质量控制(QC)和标准化上花费大量的时间和精力。

结果: 开发了 R 软件包 scater，以促进scRNA-seq数据的严格预处理、质量控制、规范化和可视化。该软件包提供了一个方便、灵活的工作流程，将原始测序数据处理到高质量的表达式数据集，为下游分析做好准备。Scater为单细胞数据提供了丰富的绘图模块，以及与现有软件包兼容的灵活的数据结构，可以用作未来软件开发的基础工具。

图片

软件安装

scater 提供单细胞转录组数据可视化工具。基于 SingleCellExperiment类(来自singlecelexperiment 包)，因此可以与许多其他的Bioconductor包互操作，安装如下：

if(!require(devtools))
  install.packages("devtools")
if(!require(scater))
  devtools::install_github("davismcc/scater", build_vignettes = TRUE)
if(!require(scRNAseq))
   BiocManager::install(c( 'scRNAseq'),ask = F,update = T)

数据读取

小鼠大脑单细胞RNA-seq数据集,说明如下：

Obtain the Zeisel brain data Description Obtain the mouse brain single-cell RNA-seq dataset from Zeisel et al. (2015). Usage ZeiselBrainData(ensembl = FALSE, location = TRUE)

library(scRNAseq)
example_sce <- ZeiselBrainData()
example_sce
## class: SingleCellExperiment 
## dim: 20006 3005 
## metadata(0):
## assays(1): counts
## rownames(20006): Tspan12 Tshz1 ... mt-Rnr1 mt-Nd4l
## rowData names(1): featureType
## colnames(3005): 1772071015_C02 1772071017_G12 ... 1772066098_A12
##   1772058148_F03
## colData names(10): tissue group # ... level1class level2class
## reducedDimNames(0):
## mainExpName: endogenous
## altExpNames(2): ERCC repeat

例子操作

1. 绘制QC分布图

在单细胞分析流程中，质控是一个常见的步骤包括去除受损细胞和低质量文库。

library(scater)
example_sce <- addPerCellQC(example_sce, subsets = list(Mito = grep("mt-", rownames(example_sce))))

可以使用plotColData()函数相互绘制源数据变量，看到检测到的基因数量随着总计数的增加而增加。每个点代表一个细胞，根据细胞的起源组织着色。

plotColData(example_sce, x = "sum", y = "detected", colour_by = "tissue")

图片

我们根据线粒体含量绘制了每个细胞的总计数。表现良好的细胞应该具有大量表达的特征，并且特征控件的表达比例较低。特征控件的高表达率和很少表达的特征表明空白和失败的细胞。对于某些种类，我们根据起源的组织而定。

plotColData(example_sce, x = "sum", y = "subsets_Mito_percent", other_fields = "tissue") +
    facet_wrap(~tissue)

图片

在基因层面，我们可以看一图，显示了前50个(默认)表达最多的特征。图中的每一行对应一个基因;每个条对应一个单细胞中一个基因的表达;圆圈表示每个基因表达的中位数，以此来排序基因。我们希望看到“常见的问题”，即线粒体基因、肌动蛋白、核糖体蛋白、MALAT1。一些 spike-in 转录也可能出现在这里，尽管如果所有 spike-in 转录都在前50名，这表明添加了太多的 spike-in RNA。大量的伪基因或预测基因可能表明比对存在问题。

plotHighestExprs(example_sce, exprs_values = "counts")

图片

变量级度量由 getVarianceExplained() 函数计算。这将计算由 SingleCellExperiment 对象的 colData 中的每个变量解释的每个基因表达的方差百分比。然后我们可以用这个来确定哪些实验因素对表达的方差贡献最大。这对于诊断批量效应或快速验证治疗是否有效果是有用的。

计算方差对log(counts)进行解释，使统计数据反映相对表达式的变化。

example_sce <- logNormCounts(example_sce)

vars <- getVarianceExplained(example_sce, variables = c("tissue", "total mRNA mol",
    "sex", "age"))
head(vars)
##              tissue total mRNA mol         sex        age
## Tspan12  0.02207262    0.074086504 0.146344996 0.09472155
## Tshz1    3.36083014    0.003846487 0.001079356 0.31262288
## Fnbp1l   0.43597185    0.421086301 0.003071630 0.64964174
## Adamts15 0.54233888    0.005348505 0.030821621 0.01393787
## Cldn12   0.03506751    0.309128294 0.008341408 0.02363737
## Rxfp1    0.18559637    0.016290703 0.055646799 0.02128006

plotExplanatoryVariables(vars)

图片

2.表达数据可视化

plotExpression()函数使绘制基因或特性子集的表达式值变得很容易。这对于从差异表达测试、假时间分析或其他分析中确定的特征的进一步检查特别有用。默认情况下，它在“logcounts”测试中使用表达式值，但这可以通过exprs_values参数进行更改。

plotExpression(example_sce, rownames(example_sce)[1:6], x = "level1class")

图片

设置x将决定在x轴上显示的协变量。这可以是列元数据中的一个字段或特性的名称(以获得跨单细胞的表达式配置文件)。分类协变量将产生如上所示的分组小提琴，每个特征有一个面板。相比之下，连续协变量将在每个面板中生成散点图，如下图所示：

plotExpression(example_sce, rownames(example_sce)[1:6], x = rownames(example_sce)[10])

图片

还可以根据列元数据或表达式值对点进行着色、塑形或调整大小：

plotExpression(example_sce, rownames(example_sce)[1:6], x = "level1class", colour_by = "tissue")

图片

不需要任何x或其他视觉参数，直接绘制基因表达图，就会生成一组分组的小提琴图，并以一种赏心悦目的方式着色。

plotExpression(example_sce, rownames(example_sce)[1:6])

图片

3. 降维

这里面降维方法包括三种PCA，t-SNE, UMAP, 后面的两种方法我们在机器学习中都有介绍。

1. PCA 降维

主成分分析(PCA)通常在下游分析之前进行去噪和压缩数据。runPCA()函数为r Biocpkg(“BiocSingular”)中的基本机制提供了一个简单的包装，用于从经过对数转换的表达式值计算pc。这将输出存储在singlecelexperiment的reduceddimms插槽中，可以很容易地检索(以及每台PC解释的方差百分比)，如下所示:

example_sce <- runPCA(example_sce)
str(reducedDim(example_sce, "PCA"))
##  num [1:3005, 1:50] 15.4 15 17.2 16.9 18.4 ...
##  - attr(*, "dimnames")=List of 2
##   ..$ : chr [1:3005] "1772071015_C02" "1772071017_G12" "1772071017_A05" "1772071014_B06" ...
##   ..$ : chr [1:50] "PC1" "PC2" "PC3" "PC4" ...
##  - attr(*, "varExplained")= num [1:50] 478 112.8 51.1 47 33.2 ...
##  - attr(*, "percentVar")= num [1:50] 39.72 9.38 4.25 3.9 2.76 ...
##  - attr(*, "rotation")= num [1:500, 1:50] -0.1471 -0.1146 -0.1084 -0.0958 -0.0953 ...
##   ..- attr(*, "dimnames")=List of 2
##   .. ..$ : chr [1:500] "Plp1" "Trf" "Mal" "Apod" ...
##   .. ..$ : chr [1:50] "PC1" "PC2" "PC3" "PC4" ...

默认情况下，runPCA()使用方差最高的前500个基因来计算第一个pc。这可以通过指定subset_row来传递一组显式的感兴趣的基因，并通过使用ncomponents来确定要计算的组件数量来进行调优。name参数还可用于更改reduceddim插槽中的结果名称。

example_sce <- runPCA(example_sce, name = "PCA2", subset_row = rownames(example_sce)[1:1000],
    ncomponents = 25)
str(reducedDim(example_sce, "PCA2"))
##  num [1:3005, 1:25] 20 21 23 23.7 21.5 ...
##  - attr(*, "dimnames")=List of 2
##   ..$ : chr [1:3005] "1772071015_C02" "1772071017_G12" "1772071017_A05" "1772071014_B06" ...
##   ..$ : chr [1:25] "PC1" "PC2" "PC3" "PC4" ...
##  - attr(*, "varExplained")= num [1:25] 153 35 23.5 11.6 10.8 ...
##  - attr(*, "percentVar")= num [1:25] 22.3 5.11 3.42 1.69 1.58 ...
##  - attr(*, "rotation")= num [1:1000, 1:25] 2.24e-04 8.52e-05 2.43e-02 5.92e-04 6.35e-03 ...
##   ..- attr(*, "dimnames")=List of 2
##   .. ..$ : chr [1:1000] "Tspan12" "Tshz1" "Fnbp1l" "Adamts15" ...
##   .. ..$ : chr [1:25] "PC1" "PC2" "PC3" "PC4" ...
2. t-SNE 降维

t-SNE广泛用于复杂单细胞数据集的可视化。对PCA图描述的相同程序可以应用于使用plotTSNE生成t-SNE图，通过r CRANpkg(“Rtsne”)包使用runTSNE获得坐标。我们强烈建议生成不同随机种子和困惑度值的地块，以确保任何结论都不适合不同的可视化。

set.seed(1000)
example_sce <- runTSNE(example_sce, perplexity = 10)
head(reducedDim(example_sce, "TSNE"))
##                     [,1]      [,2]
## 1772071015_C02 -52.64155 -12.74189
## 1772071017_G12 -56.19082 -11.91368
## 1772071017_A05 -52.27747 -12.67960
## 1772071014_B06 -55.85604 -11.55292
## 1772067065_H06 -55.55389 -10.98767
## 1772071017_E02 -56.46232 -11.45086

更常见的模式包括使用预先存在的PCA结果作为t-SNE算法的输入。这是有用的，因为它通过使用表达式矩阵的低秩逼近提高了速度;并通过关注变异的主要因素来减少随机噪声。下面的代码使用之前计算的PCA结果的前10个维度来执行t-SNE。

set.seed(1000)
example_sce <- runTSNE(example_sce, perplexity = 50, dimred = "PCA", n_dimred = 10)
head(reducedDim(example_sce, "TSNE"))
##                     [,1]       [,2]
## 1772071015_C02 -37.80993  0.7202884
## 1772071017_G12 -35.66210 -0.1025141
## 1772071017_A05 -38.20864  1.1509523
## 1772071014_B06 -38.20916 -0.5252747
## 1772067065_H06 -40.56988 -1.2929735
## 1772071017_E02 -38.47282  2.3718553
3. UMAP 降维
example_sce <- runUMAP(example_sce)
head(reducedDim(example_sce, "UMAP"))
##                    [,1]      [,2]
## 1772071015_C02 12.30272 -4.936290
## 1772071017_G12 12.23251 -5.022809
## 1772071017_A05 12.30187 -4.904101
## 1772071014_B06 12.26755 -4.976097
## 1772067065_H06 12.21509 -5.026264
## 1772071017_E02 12.23191 -5.024976

4. 降维可视化

可以使用plotReducedDim函数绘制任何降维结果。在这里，每个点代表一个单细胞，并根据单细胞类型标签着色。

1. PCA 降维结果
plotReducedDim(example_sce, dimred = "PCA", colour_by = "level1class")

图片

2. t-SNE 降维结果

为了方便起见一些结果类型有专门的包装器，例如，plotTSNE()用于t-SNE结果:

plotTSNE(example_sce, colour_by = "Snap25")

图片

3. 方差百分比添加到坐标轴

专用的plotPCA()函数还将方差百分比添加到坐标轴:

plotPCA(example_sce, colour_by = "Mog")

图片

4. 绘制多个分量

可以在一系列成对图中绘制多个分量。当绘制超过两个分量时，散点图矩阵中的对角线方框显示每个分量的密度。

example_sce <- runPCA(example_sce, ncomponents = 20)
plotPCA(example_sce, ncomponents = 4, colour_by = "level1class")

图片

我们将这些函数的执行从绘图中分离出来，以便在多个绘图中重用相同的坐标。这避免了为了改变不同情节的美感而重复地重新计算这些坐标。

5. 定制可视化的实用工具

该软件包提供了一些辅助函数轻松地将 SingleCellExperiment 对象转换为data.frame，以用于ggplot2 函数。这允许用户创建现有的 scater 功能没有覆盖的高度定制模块。ggcells()函数将智能地从colData()、assays()、altExps()、reducedDim()中检索字段，以创建一个单独的数据帧以供立即使用。在下面的例子中，我们创建了按细胞类型和起源组织分层的Snap25表达的箱线图:

ggcells(example_sce, mapping = aes(x = level1class, y = Snap25)) + geom_boxplot() +
    theme(axis.text.x = element_text(angle = 90)) + facet_wrap(~tissue) + theme_bw()

图片

可以很容易地拉入降低维度的结果，以创建plotReducedDim()输出的定制等效物。在这个例子中，我们创建了一个t-SNE，由Snap25表达式着色:

ggcells(example_sce, mapping = aes(x = TSNE.1, y = TSNE.2, colour = Snap25)) + geom_point() +
    stat_density_2d() + facet_wrap(~tissue) + scale_colour_distiller(direction = 1)

图片

检验尺寸因素与归一化基因表达之间的关系也很直接:

ggcells(example_sce, mapping = aes(x = sizeFactor, y = Actb)) + geom_point() + geom_smooth()

图片

可以使用ggfeatures()函数对特性执行类似的操作，该函数将从rowData或分析的列中检索值。在这里，我们检查了特征类型和给定单元格内表达式之间的关系;注意重命名语法上无效的细胞名称。

colnames(example_sce) <- make.names(colnames(example_sce))
ggfeatures(example_sce, mapping = aes(x = featureType, y = X1772062111_E06)) + geom_violin()

图片

所有的可视化分析就基本完成了，学会了单细胞分析就非常简单了，目前测序的费用也在降低，单细胞系列可算是目前的测序神器，有这方面需求的老师，联系桓峰基因，提供最高端的科研服务！

桓峰基因，铸造成功的您！

未来桓峰基因公众号将不间断的推出单细胞系列生信分析教程，

敬请期待！！

有想进生信交流群的老师可以扫最后一个二维码加微信，备注“单位+姓名+目的”，有些想发广告的就免打扰吧，还得费力气把你踢出去！

References:

  1. Davis J McCarthy, Kieran R Campbell, Aaron T L Lun, Quin F Wills, Scater: pre-processing, quality control, normalization and visualization of single-cell RNA-seq data in R, Bioinformatics, Volume 33, Issue 8, 15 April 2017, Pages 1179–1186,

  2. Zeisel A et al. (2015). Brain structure. Cell types in the mouse cortex and hippocampus revealed by single-cell RNA-seq. Science 347(6226), 1138-42.图片

桓峰基因
关注
  • 0
    点赞
  • 踩
  • 10
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
返回的到的数据做整合_如何使用 Seurat 分析单细胞测序数据（ Q&A）-中
weixin_39636102的博客
12-23 674
5. 关于降维分析Q: ElbowPlot 的拐点是指这个点后面基本持平了么？ / 請問如何判斷 elbow 拐點呢?為何不是在 3~4，而是在 9~10/ PC 拐点如何界定？A： ElbowPlot 作图后，用肉眼观察，当曲线进入平台期，没有明显继续下降的趋势就可以了。ElbowPlot 默认显示 20 个 PC，如果发现 20 个 PC 还没有到达平台期，可以修改 ElbowPlot 函数的...
SpatialDB |单细胞空间转录组数据分析可视化平台
悟道西方
02-11 2140
单细胞测序技术是一种在单细胞水平上对基因组、转录组、表观组等进行高通量测序分析的技术。(单细胞转录组教程汇总)单细胞测序技术能够在组学水平揭示细胞间的异质性。单细胞水平细胞谱系追踪技术位居...
单细胞测序流程（四）主成分分析——PCA
热门推荐
qq_45478665的博客
07-08 1万+
PCA PCA:线性降维，主要用于数据少的时候使用。看结果的时候，看打分的绝对值大小，而不是单独的看数据的大小，PCA 是最常用的降维方法，通过某种线性投影，将高维的数据映射到低维的空间中表示，并期望在所投影的维度上数据的方差最大，以此使用较少的数据维度，同时保留住较多的原数据点的特性。 准备 之前所使用的数据 R的IDE 分析目的 为以后的细胞分群做准备，以及t-sne聚类分析。 结果 散点图，横坐标为打分的值，打分的值的绝对值越大，代表相关性越大，每个pc，选取的是前20个基因，根据系数可以绘制后面的
单细胞三大R包之scater
weixin_42960896的博客
03-22 1972
1.准备R包和数据 library(BiocStyle) set.seed(10918) library(scRNAseq) example_sce <- ZeiselBrainData() example_sce ## class: SingleCellExperiment ## dim: 20006 3005 ## metadata(0): ## assays(1): counts ## rownames(20006): Tspan12 Tshz1 ... mt-Rnr1 mt-Nd4l #
Seurat -- Perform linear dimensional reduction
jiangshandaiyou的博客
05-01 1317
什么是线性降维？这里是一个很形象的，其中包括了一个视频链接。这里是如何用R 包psych做线性降维的，其中也有原理的简述。为什么要做线性降维？因为下一步的聚类分析需要这里的降维结果作为输入。降维做的好，聚类时细胞类群才分得开分的好。这里使用的 input是上一步的 select highly variable features对应的scale数据。highly variable features选的不好，降维算法再牛逼也可能拯救不了你的数据结果。
分析结构化布线系统SCS设计与应用
01-19
结构化综合布线系统能够满足目前绝大多数通信的要求，可以通过布线工程就提供各种语音、数据、图像或视频通售系统的通信线路。支持多用户多类型产品的应用，支持高速网络的应用。 　AT&T SYSTIMAX有三类、五类、超五...
通信与网络中的分析结构化布线系统SCS设计与应用
10-22
结构化综合布线系统能够满足目前绝大多数通信的要求，可以通过一次布线工程就提供各种语音、数据、图像或视频通售系统的通信线路。支持多用户多类型产品的应用，支持高速网络的应用。 　AT&T SYSTIMAX有三类、五类、...
基于SCS的数字地籍块图的数据处理与检查.pdf
08-15
#资源达人分享计划#
五种材料模型SCS组合剪力墙有限元分析
01-10
五种材料模型SCS组合剪力墙有限元分析，张斌，周德源，为选择合适的材料模型模拟双层钢板内填混凝土组合剪力墙核心混凝土的受力特性，对Von-Mises、Mohr Coulomb、Drucker Prager、Smeared Cracking和 Da
scs.rar_组卷系统
09-21
基于遗传学习分类系统不原程序,适用于在组卷系统中的运用
PCA（主成分分析）函数使用方法及参数详解
最新发布
AI_dataloads的博客
10-08 3991
PCA 的目标是通过线性变换将原始数据投影到一个新的低维空间，使得投影数据的方差最大化。通过降维，可以减少数据的复杂性，简化模型的计算，同时尽可能保留原始数据的信息。
低秩矩阵完备_1.1 矩阵降维之矩阵分解 PCA与SVD
weixin_39545310的博客
01-16 724
矩阵降维与矩阵分解是两个不同的概念。矩阵降维指就是把数据从高维空间投影到一个低维空间，这个过程可以通过线性或者非线性的映射来完成。目的是挖掘出高维数据中富含原始信息的低维嵌入表示。降维显然是有代价的，它造成了原始信息的损失。所以降维算法的重点和难点在于如何在对原始数据进行数据降维的过程中还能尽可能地保持高维数据的几何结构信息或本征的有区别性的信息，并在此前提下找到高维数据的最优低维...
单细胞基础分析 | 对细胞按照基因marker进行分型（ACC脑区）
weixin_40640700的博客
03-12 8840
因项目的需求，需要对数据进行简单的分类，然后找差异表达基因。 虽然我自知自己在这个过程中的很多方面并不理解透彻，很糊涂的去做。但是我愿意去尝试完成。 现在开始跟着Seurat上面的教程一点点的来做。 参考链接：https://satijalab.org/seurat/articles/pbmc3k_tutorial.html 1、加载分析必须的包 library(Seurat) library(dplyr) library(patchwork) 2、加载10XGenomics 数据 data<-.
单细胞测序之scater包数据分析教程复现
weixin_40640700的博客
02-27 3364
【参考链接】http://127.0.0.1:10033/library/scater/doc/overview.R 一、质控 一些教程中推荐使用的calculateQCMetrics函数，现在（即2021/2/22）已经停用（这个包的更新还是挺大的）。 目前这个包中用于质控分析的函数是perCellQCMetrics。 ...
手把手教你做单细胞测序数据分析（六）——组间差异分析及可视化
weixin_47195452的博客
07-19 3063
在前面的课程中我们已经进行过“”、“”、“”等内容的学习，相信大家现在已经能够对单细胞测序数据分析流程及Seurat对象的基本结构拥有了一定的了解。这一讲主要带领大家进行组间差异的计算及可视化方法的学习，这部分内容能够帮助科研工作者直接证明该数据集的前期试验设计，从前期枯燥的数据预处理走向文章中的Figure！（B站同步播出，先看一遍视频再跟着代码一起操作，建议每个视频至少看三遍）代码：测试数据与。
细胞周期预测 | 单细胞转录组(scRNA-seq)分析 03
Baimoc
06-29 6110
文章目录一、介绍二、预处理三、获取细胞周期分数四、在数据缩放期间回归出细胞周期得分五、备用工作流程 一、介绍 前置知识：原创 Seurat 包图文详解 | 单细胞转录组(scRNA-seq)分析02 使用Seurat包来运行，主要实现两个功能： 通过marker基因计算细胞周期评分 基于评分在预处理过程中，减轻单细胞转录组数据中细胞周期异质性影响 二、预处理 数据来自：http://www.bloodjournal.org/content/early/2016/06/30/blood-2016-05-7
nature级别图表：单细胞转录组细胞比例统计可视化函数
qq_42090739的博客
01-03 3038
前面虽说这个函数是通用型的，但是有两个条件，第一个是你的metadata中细胞类型那一列的列名需要是celltype，一般人在分析的时候应该都是这样命名的，但是总是有特殊的，所以在函数中我也注明了需要按照自己习惯修改的地方。其他参数不变，我们将color.by参数设置orig.ident，因为我设置默认颜色是渐变的，所以每一组每个样本的颜色都有区别，但是分组却是可以看出来的，这样图更生动。可是有一个问题，就是每当你要进行一个数据集的统计的时候，都要修改很多参数，很麻烦，有时候还不一定正确。
安装torch-scatter/torch-sparse无法继续的解决方法
qq_43481435的博客
10-08 1万+
pip install无法安装torch-scatter/torch-sparse的解决方法
聊一聊单细胞测序的PCA与TSNE降维
qq_45478665的博客
08-09 4389
01 PCA PCA 是最常用的降维方法，通过某种线性投影，将高维的数据映射到低维的空间中表示，并期望在所投影的维度上数据的方差最大，以此使用较少的数据维度，同时保留住较多的原数据点的特性。 说到这里，大家可能还是对PCA的作用感到有一些模糊，那么大家可以这么想，你有一堆细胞，但是你需要将这些细胞进行分群，但是你又不知道这些细胞如果进行分群的话是按照什么依据进行分群，所以你就需要先使用PCA降维找到细胞分群的主要特点这也就是我们常说的主成...
在python中列出数据集中含“scs”的列名写代码
05-25
假设数据集的名称为 `data`，可以使用以下代码列出数据集中包含“scs”的列名： ```python # 导入 pandas 库 import pandas as pd # 读取数据集 data = pd.read_csv('dataset.csv') # 列出包含“scs”的列名 scs_...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值