Hacktoberfest 2026: die Issues, die Maintainer für den Oktober markiert haben – offen und einsteigerfreundlich. Hacktoberfest-Issues durchsuchen

Scale transform changes aggregate results

Offen Anfängerfreundlich
  • Stimmt etwas nicht?
#1,028 2 Kommentare 0 Reaktionen 0 zugewiesene Personen Auf GitHub ansehen

Maintainer antworten meist innerhalb von 2 Tagen

Dieses Issue hat noch niemand übernommen.

Bewertung

Schwierigkeit
2/5
Geschätzter Aufwand
1-3 Stunden
Anfängerfreundlichkeit
68/100
Issue-Typ
Dokumentation
Klarheit
Größtenteils klar
Aktivitätsstatus
Aktiv
Tech-Stack
python
Bereich
documentation

Rechercherichtung

Beginnen Sie mit dem mitgelieferten Python-Beispiel und überprüfen Sie die Tutorials zu Koordinatensystemen, Transformationen und Aggregation. Bestätigen Sie, wie Scale aggregierte Ergebnisse für sum und mean verändert, aktualisieren Sie dann das relevante Tutorial, sodass der Einfluss des Zielkoordinatensystems explizit ist, und vergewissern Sie sich, dass das Beispiel verständlich bleibt.

Vom Indexierungsmodell aus dem Issue-Text verfasst.

Beschreibung

needs: triage priority: low

Hey everyone,
as mentioned on Zulip I am using macsima data, where the macsima reader by default adds the Scale transformation to the coordinate system. I noticed that when I remove this my aggregation results are slightly different. This is most prominent for small signals, for larger signals it is not so pronounced. My original use case was for the mean intensity. For sum its very obvious that the absolute values change due to the transform, but the ratios stay similar.

Of course I understand that it makes sense to apply the transform before doing the aggregation, since they are intended for example for aligning my labels with the image. Still it was a bit unintuitive for me that this happens as a new user. Maybe this could be highlighted also a bit more in the tutorials. As requested below is a small example.

import spatialdata as sd
from spatialdata.datasets import blobs
from spatialdata.transformations import set_transformation, Scale

sdata = blobs()
# set scale transformation to new coordinate system. global coord system has Identity transform
scale_transform = Scale([0.1, 0.1], ("x", "y"))
set_transformation(sdata["blobs_image"], transformation=scale_transform, to_coordinate_system="scaled")
set_transformation(sdata["blobs_labels"], transformation=scale_transform, to_coordinate_system="scaled")

global_sum = sdata.aggregate(values="blobs_image", by="blobs_labels", target_coordinate_system="global")

print(global_sum["table"].X[:1])
#<Compressed Sparse Row sparse matrix of dtype 'float64'
#	with 3 stored elements and shape (1, 3)>
#  Coords	Values
#  (0, 0)	1309.3692551660652
#  (0, 1)	1587.8641823936478
#  (0, 2)	3125.1190857645483

scaled_sum = sdata.aggregate(values="blobs_image", by="blobs_labels", target_coordinate_system="scaled")

print(scaled_sum["table"].X[:1])
#<Compressed Sparse Row sparse matrix of dtype 'float64'
#	with 3 stored elements and shape (1, 3)>
#  Coords	Values
#  (0, 0)	12.758250581405642
#  (0, 1)	15.427204091295
#  (0, 2)	31.23271691509622


global_mean = sdata.aggregate(values="blobs_image", by="blobs_labels", agg_func="mean", target_coordinate_system="global")

print(global_mean["table"].X[:1])
#<Compressed Sparse Row sparse matrix of dtype 'float64'
#	with 3 stored elements and shape (1, 3)>
#  Coords	Values
#  (0, 0)	0.08696083251418378
#  (0, 1)	0.10545687603066001
#  (0, 2)	0.20755257260839133

scaled_mean = sdata.aggregate(values="blobs_image", by="blobs_labels", agg_func="mean", target_coordinate_system="scaled")

print(scaled_mean["table"].X[:1])
#<Compressed Sparse Row sparse matrix of dtype 'float64'
#	with 3 stored elements and shape (1, 3)>
#  Coords	Values
#  (0, 0)	0.08449172570467313
#  (0, 1)	0.10216691451188742
#  (0, 2)	0.2068391848681869
Vorherrschende Sprache
Python
Sterne
394
Forks
95
Ø Merge
5 T. 9 Std.
Gemergte PRs (30 T.)
3

Entwicklungsumgebung

Erste Schritte

  1. Lesen Sie das ganze Issue und danach den Beitragsleitfaden des Projekts.
  2. Schreiben Sie ins Issue, dass Sie es übernehmen — das erspart doppelte Arbeit.
  3. Forken Sie das Repository und arbeiten Sie in einem Branch.
  4. Öffnen Sie einen Pull Request, der die Issue-Nummer nennt.

Mehr aus scverse/spatialdata

Alle Issues in scverse/spatialdata

Ähnliche Issues

Weitere Issues zu Python

Neue Issues direkt in Ihr Postfach

Eine kurze Übersicht über anfängerfreundliche GitHub-Issues.