样本表与数据审计实践

更新：2026-10-13；状态：可用；验证范围：文档核对；操作需按所用环境验证。

先把样本身份、实验设计和文件位置核对清楚，再进入任何统计分析。

建立一张明确的样本表

最低记录 sample_id、subject_id、group、batch 和输入文件路径；按需要增加时间、性别、组织和测量单位。sample_id 表示一次测量，subject_id 标识生物单位，见生物学重复与技术重复。

按标识符连接

矩阵列与样本表行不能只因数量相同就视为对应。检查空 ID、重复 ID、空白字符、前导零、大小写和未匹配项；重排后再次断言顺序一致。合并应明确是一对一、一对多还是多对一。

matrix_ids = ['S02', 'S01']
metadata = {'S01': {'group': 'control'}, 'S02': {'group': 'treated'}}
assert len(matrix_ids) == len(set(matrix_ids))
assert set(matrix_ids) == set(metadata)
ordered = [metadata[sample] for sample in matrix_ids]
assert ordered[0]['group'] == 'treated'

这是可直接运行的最小 ID 对齐例子，不替代对实际样本来源的核验。

交接清单

记录输入文件校验值、样本和特征数量、删除原因、缺失编码、组别计数与单位。特别检查批次是否与分组完全重合，见批次效应与混杂。

设计示例参照 Bioconductor 的设计矩阵教程；完整练习见合成数据贯通PCA与GWAS。