umap

收录理由

UMAP 能把高维数据压缩到两三个维度，同时保留数据中真正要紧的结构。它可以直接替换 scikit-learn 流程里的 t-SNE，凡是熟悉 sklearn 转换器接口的人，一行 fit_transform 就能开始嵌入。得到的低维表示既能当作聚类前的预处理，也能作为特征喂给下游模型；其中的 densMAP 变体还额外保留局部密度信息，适合单细胞这类对密度敏感的分析。通过调节 n_neighbors 和 min_dist 两个参数，你可以直观地控制嵌入结果更偏向全局还是局部结构。文档写得扎实，而且它天然融入大多数团队已有的 Python 数据生态，上手几乎没有额外负担。