YingfanWang/PaCMAP

解决的问题

PaCMAP（Pairwise Controlled Manifold Approximation）是一种专为数据可视化设计的降维方法。它解决了现有工具通常只侧重于局部结构（如 t-SNE 或 UMAP）或全局结构（如 TriMAP）的问题，往往无法同时保持两者。

工作原理

PaCMAP 通过利用三种不同类型的点对来优化低维嵌入，以保持数据的原始几何结构：

• 邻近点对：保留局部结构。
• 中距离点对：捕捉全局结构并优化嵌入。
• 远距离点对：确保高维空间中相距较远的点在低维空间中仍保持分离。

该方法与 scikit-learn API 兼容，用户可使用 fit_transform 接口将高维数据集转换为低维空间（通常为 2D）以进行可视化。

适用人群

• 数据科学家和研究人员：需要在保持局部聚类和全局关系忠实表达的同时，可视化高维数据集。
• 生物信息学家：特别是从事单细胞基因组学研究（可通过 Seurat 包装器集成）的人员。

主要亮点

• 双重结构保留：同时保留局部和全局数据结构。
• 与 scikit-learn 兼容：使用熟悉的 fit_transform 接口。
• Conda/Pip 安装：可通过 conda-forge 或 pip 轻松安装。
• 灵活的 KNN 后端：支持 FAISS（默认）、Annoy 和 Voyager，实现高效的近邻搜索。
• 多语言支持：支持 Python、R（通过 reticulate）、以及独立的 Rust 实现。