dendrogram data not found (using key=dendrogram_leiden). Running `sc.tl.dendrogram` with default parameters. For fine tuning it is recommended to run `sc.tl.dendrogram` independently.

<think>我们正在处理一个关于单细胞分析中使用`sc.tl.dendrogram`时遇到“dendrogram data not found”错误的问题。这个错误通常发生在尝试绘制树状图时，但所需的树状图数据尚未被计算或存储。 根据Scanpy的文档和常见问题，`sc.tl.dendrogram`函数用于计算层次聚类树状图，并将结果存储在`uns`字典中。如果这个函数没有被正确执行或结果没有被保存，那么在尝试使用依赖于树状图的函数（如`sc.pl.dendrogram`或某些热图函数）时就会报错。 解决步骤： 1. 确保已经执行了层次聚类（例如使用`sc.tl.dendrogram`）并且没有报错。 2. 检查是否指定了正确的键（key）来访问树状图数据。默认情况下，树状图数据存储在`adata.uns['dendrogram']`中，但如果你指定了`groupby`参数，那么它可能会存储在`adata.uns['dendrogram_groupby']`中（其中`groupby`是你使用的分组名称，例如`'louvain'`）。 3. 如果还没有计算树状图，那么需要先运行`sc.tl.dendrogram`。 例如，如果你已经使用Leiden算法进行了聚类，并且聚类结果存储在`adata.obs['leiden']`中，那么你应该这样运行： ```python sc.tl.dendrogram(adata, groupby='leiden') ``` 4. 如果已经运行过，但仍然找不到，可能是因为在运行`sc.tl.dendrogram`时出现了错误（但被忽略或没有显示），或者数据没有被正确保存。可以尝试重新运行。 5. 另外，注意`sc.tl.dendrogram`需要先计算一个关联矩阵（correlation matrix），如果数据量很大，可能需要一些时间。 6. 如果重新运行后仍然不行，检查是否在运行`sc.tl.dendrogram`之前已经计算了PCA。因为树状图通常基于主成分（或使用其他降维结果）进行计算。如果没有降维数据，可能需要先运行`sc.tl.pca`。 7. 如果上述步骤都无效，可以尝试清除`uns`中的旧数据，再重新计算。 示例代码： 假设我们有一个AnnData对象`adata`，已经进行了预处理（包括归一化、对数转换、PCA等），并运行了Leiden聚类： ```python # 如果还没有进行PCA，需要先做PCA sc.tl.pca(adata) # 运行Leiden聚类（如果还没有做） sc.tl.leiden(adata, key_added='leiden') # 计算树状图 sc.tl.dendrogram(adata, groupby='leiden') ``` 然后，你可以使用`sc.pl.dendrogram`来绘制树状图。 8. 如果还是遇到问题，可能是Scanpy版本问题，尝试升级Scanpy到最新版本。 注意：在运行`sc.tl.dendrogram`时，确保`groupby`参数的值是存在于`adata.obs`中的列名。 如果问题仍然存在，请检查错误信息的具体内容，可能还需要检查输入数据是否有效。 根据以上步骤，我们可以解决大多数“dendrogram data not found”的问题。 现在，生成相关问题：</think>### 解决 `sc.tl.dendrogram` 运行时提示 "dendrogram data not found" 的问题 该错误通常发生在 Scanpy 的层次聚类树状图计算流程中，主要原因是 **聚类分组信息缺失** 或 **树状图计算未正确执行**。以下是具体解决步骤： --- #### 1. **确认聚类分组存在** - **问题本质**：`dendrogram` 需要基于已计算的聚类结果（如 Leiden）分组 - **解决方法**： ```python # 检查是否存在聚类分组（例如 'leiden'） print(adata.obs.columns) # 确认有 'leiden' 列 # 若不存在，先运行 Leiden 聚类 sc.tl.leiden(adata, key_added='leiden') # 结果存入 adata.obs['leiden'] ``` --- #### 2. **正确计算树状图** - **关键步骤**：显式调用 `dendrogram` 并指定聚类分组 ```python # 计算树状图（必须指定 groupby 参数） sc.tl.dendrogram(adata, groupby='leiden') # ⚠️ 确保与聚类列名一致 ``` - **验证数据**：检查 `uns` 中是否生成树状图数据 ```python print(adata.uns['dendrogram_leiden']) # 应返回字典结构 ``` --- #### 3. **处理版本兼容性问题** - **Scanpy 版本差异**：部分旧版本需手动计算距离矩阵 ```python # 显式计算距离矩阵（旧版本兼容） sc.tl.pca(adata) sc.pp.neighbors(adata) # 生成连接矩阵 sc.tl.dendrogram(adata, groupby='leiden') ``` --- #### 4. **避免覆盖数据** - **备份关键数据**：树状图信息存储在 `adata.uns` 中，后续操作可能覆盖它 ```python # 在修改 adata 前备份树状图 import copy dendro_backup = copy.deepcopy(adata.uns['dendrogram_leiden']) ``` --- #### 5. **完整示例代码** ```python import scanpy as sc # 加载数据（示例） adata = sc.datasets.pbmc68k_reduced() # 1. 计算聚类 sc.tl.leiden(adata, key_added='leiden') # 2. 计算树状图 sc.tl.dendrogram(adata, groupby='leiden') # ⚠️ 关键步骤 # 3. 绘制结果（此时应无报错） sc.pl.dendrogram(adata, groupby='leiden') ``` --- ### 关键注意事项 1. **参数一致性**：`groupby` 参数值必须与聚类结果列名 **完全匹配**（区分大小写） 2. **执行顺序**：必须在聚类（`leiden`）之后、可视化（`sc.pl.dendrogram`）之前调用 3. **数据验证**：通过 `print(adata.uns.keys())` 检查是否存在 `dendrogram_{groupby}` 键 > 此问题通常由流程顺序错误导致，正确执行 Leiden 聚类 → 树状图计算 → 可视化 三步即可解决[^1]。 ---