在使用Seurat时，经常需要对不同分类的样本在同一画布上进行可视化，可以非常方便地通过其DimPlot()函数的goupyby和spliby等参数实现，例如对照组和实验组，如下：
以正常和肿瘤组织作为区别
但是在python的环境中，scanpy的sc.pl.umap()并没有这么灵活的参数。所以需要通过循环解决问题，sc.pl.umap()中的color参数类似于Seurat的groupby，但其groups参数完全没有Seurat的splitby强大。所以我们可以通过python的Matplotlib包的plt.subplots()函数，结合循环将分组内容一一绘制，再多个分组图合并在一起，就实现相同目的。
下面提供一个参考：
#data.obsm['umap']=data.obsm['spatial']
#data.obs.refined_pred=data.obs.refined_pred.astype('str') # 数字转为字符串
celltype=data.obs['refined_pred'].unique().tolist() # refined_pred是细胞注释
fig, axes = plt.subplots(4, 5, figsize=(18, 12), tight_layout=True,dpi=600) # nrows和ncols取决于想要的画图个数
x=0;y=0
for i in celltype: #celltype为任何需要并列绘制的list
fig = sc.pl.umap(data, color='refined_pred', groups=i, ax=axes[y][x],show=False)
x = x +1 if x <4 else 0
y = y +1 if y <3 and x ==0 else y
plt.show()
#plt.savefig('./split.png')
按细胞类型分页绘图
以上这个例子是用于空间组分图绘制不同细胞类型分布的图谱，对应普通的单细胞数据，例如实验组 vs 对照组、scRNA数据 vs scATAC数据也是一样的（循环+共同绘制）。而且值得注意的是，空间组之所以不采用官方推荐的scanpy.pl.spatial()函数，是因为这个函数对于纯粹的scanpy数据可以很好的适配，但是对于其他空间组工具包，例如spateo、spGCN等等，就不适配，还是原始的sc.pl.umap()更香，具有更加广的应用面和适配性，不过注意调整adata.obsm['umap']=adata.obsm['spatial']就可。
