Python绘制SHAP 交互网络的环形可视化

说明：SHAP 交互网络的环形可视化（Circular Interaction Graph）

这段代码的目标是把模型在测试集上的 SHAP 主效应 与 SHAP 交互效应 汇总成一张“网络图”，用一张图同时表达：

• 哪些特征最重要（节点大小）

• 特征对结果影响是正还是负（节点颜色）

• 哪些特征之间交互最强（连线粗细）

• 交互对结果的作用方向是正还是负（连线颜色）

最终生成的图形采用 环形布局：所有特征均匀分布在圆周上，交互关系以弦线连接，既能展示全局结构，也方便对比强弱与方向。

1. 计算 SHAP 值与 SHAP 交互值

代码首先从 explainer 中获取两类解释量（均基于测试集 X_test）：

• shap_values: 每个样本、每个特征的 SHAP 值，表示特征对预测的主效应贡献

• shap_interaction_values: 每个样本、任意两个特征之间的交互贡献（矩阵形式）

为了保证多分类任务也能运行，代码会对返回值做兼容处理：如果是 list（多分类常见结构），默认取 class_index=0 对应类别的解释结果。

2. 构造“节点指标”：重要性与方向

每个特征在图上对应一个节点，节点的两个核心信息来自 SHAP 的统计汇总：

（1）节点大小：Feature Importance（重要性）

用 平均绝对 SHAP 值 表示重要性：

• importance_abs = mean(|shap_values|)

直观含义：特征对模型预测贡献的“强度”越大，节点越大。

（2）节点颜色：Feature Value (Signed)（影响方向）

用 平均 SHAP 值 表示方向：

• importance_signed = mean(shap_values)

直观含义：

• 平均 SHAP 值 > 0：特征整体更倾向“推高”预测结果（节点偏红）

• 平均 SHAP 值 < 0：特征整体更倾向“拉低”预测结果（节点偏蓝）

3. 构造“边指标”：交互强度与方向

任意两个特征之间如果存在交互，就用一条边连接。边也有两个信息：

（1）边粗细：Interaction Strength（交互强度）

用 平均绝对交互 SHAP 值 表示交互强度：

• interaction_abs = mean(|shap_interaction_values|)

强交互 → 线更粗，更醒目。

（2）边颜色：Interaction Value (Signed)（交互方向）

用 平均交互 SHAP 值 表示方向：

• interaction_signed = mean(shap_interaction_values)

直观含义：

• 正值（边偏绿）：两个特征的组合对预测有“增强/正向”协同

• 负值（边偏紫）：两个特征的组合对预测有“抑制/负向”协同

同时，代码将对角线（特征与自身的交互）置零，避免画出无意义的自环。

4. 网络布局：环形结构 + 标签外扩

使用 NetworkX 的 circular_layout 将所有特征均匀排布到圆周上，确保结构对称、可读性高。
为了避免标签和节点重叠，标签位置会做一个轻微的“外扩”（乘以 1.12），并根据左右半边自动切换对齐方式（left/right）。

5. 绘制逻辑：弱边先画，强边后画

交互线条的绘制采取“由弱到强”的顺序：

• 先画弱边（透明度低、线细）

• 后画强边（透明度高、线粗）

这样强交互不会被弱交互覆盖，图的主结构更突出，效果接近论文里的“弦图”风格。

此外提供两个实用参数控制稠密度：

• edge_threshold：只画强度超过阈值的边（控制稀疏）

• max_edges：最多画多少条边（从强到弱筛选）

6. 图例与颜色条：读图的“标尺”

为了让读者不用猜测线宽/颜色对应什么，图中额外包含三部分辅助标尺：

左侧图例 1：线宽图例（Interaction Strength）

给出三档交互强度（最大、50%、10%），对应不同线宽。

左侧图例 2：节点大小图例（Feature Importance）

同样给出三档重要性（最大、50%、10%），对应不同节点大小。

右侧颜色条（Colorbar）

• 上方 colorbar：连线颜色（交互方向：紫→负，绿→正）

• 下方 colorbar：节点颜色（主效应方向：蓝→负，红→正）

7. 输出结果：PDF

最后图像会同时保存为：

• shap_circular_interaction.pdf（适合论文排版、矢量无损放大）

• import numpy as npimport pandas as pdimport matplotlib.pyplot as pltimport matplotlib.colors as mcolorsimport matplotlib.cm as cmimport networkx as nxfrom matplotlib.lines import Line2D# ---------------------------# 1) 兼容 multi-class 的 SHAP 输出# ---------------------------def _pick_class(arr, class_index=0):    """    shap_values / shap_interaction_values 在多分类时常返回 list，每个元素对应一个类别。    这里默认取 class_index=0；你也可以改成 1 或其他。    """    if isinstance(arr, (list, tuple)):        return arr[class_index]    return arr# ---------------------------# 2) 计算节点/边指标# ---------------------------def compute_shap_stats(explainer, X_test, class_index=0):    # SHAP 交互值 (n_samples, n_features, n_features)    shap_interaction_values = explainer.shap_interaction_values(X_test)    shap_interaction_values = _pick_class(shap_interaction_values, class_index)    # SHAP 值 (n_samples, n_features)    shap_values = explainer.shap_values(X_test)    shap_values = _pick_class(shap_values, class_index)    shap_values = np.asarray(shap_values)    shap_interaction_values = np.asarray(shap_interaction_values)    # 节点：重要性(绝对值均值) -> 点大小    feature_importance_abs = np.mean(np.abs(shap_values), axis=0)    # 节点：方向(均值) -> 点颜色    feature_importance_signed = np.mean(shap_values, axis=0)    # 边：交互强度(绝对值均值) -> 线宽    mean_interaction_matrix_abs = np.mean(np.abs(shap_interaction_values), axis=0)    np.fill_diagonal(mean_interaction_matrix_abs, 0)    # 边：交互方向(均值) -> 线颜色    mean_interaction_matrix_signed = np.mean(shap_interaction_values, axis=0)    np.fill_diagonal(mean_interaction_matrix_signed, 0)    return (feature_importance_abs, feature_importance_signed,            mean_interaction_matrix_abs, mean_interaction_matrix_signed)# ---------------------------# 3) 画图函数：环形交互网络# ---------------------------def plot_circular_interaction(    features,    importance_abs,    importance_signed,    interaction_matrix_abs,    interaction_matrix_signed,    title="Shap Circular Interaction",    edge_threshold=0.0,          # 只显示强度>阈值的边；想和示例一样更“密”就保持 0    max_edges=None,              # 限制最多画多少条边（从强到弱筛选）；None=不限制    figsize=(12, 8),    node_size_range=(80, 900),   # 节点大小映射范围（可按你的视觉偏好微调）    width_range=(0.3, 8.0),      # 线宽映射范围    alpha_range=(0.08, 0.85),    # 透明度映射范围    cmap_edges_name="PRGn",      # 负紫正绿：非常接近你图里那根边颜色条    cmap_nodes_name="RdBu_r",    # 负蓝正红：接近你图里节点颜色条    marker="o",    edge_linestyle="solid",    save_png="shap_circular_interaction.png",    save_pdf="shap_circular_interaction.pdf",    dpi=600):    features = list(features)    n_features = len(features)    # --- 构图 + 圆环布局 ---    G = nx.Graph()    G.add_nodes_from(features)    pos = nx.circular_layout(G)    label_pos = {k: (v * 1.12) for k, v in pos.items()}  # 标签稍微外扩    # --- 颜色归一化：建议做对称归一化（正负视觉更平衡）---    # 边（交互方向）    edge_vmax = np.max(np.abs(interaction_matrix_signed)) if np.any(interaction_matrix_signed) else 1.0    norm_edges = mcolors.Normalize(vmin=-edge_vmax, vmax=edge_vmax)    cmap_edges = cm.get_cmap(cmap_edges_name)    # 点（SHAP方向）    node_vmax = np.max(np.abs(importance_signed)) if np.any(importance_signed) else 1.0    norm_nodes = mcolors.Normalize(vmin=-node_vmax, vmax=node_vmax)    cmap_nodes = cm.get_cmap(cmap_nodes_name)    # --- 映射基准 ---    max_interaction_abs = np.max(interaction_matrix_abs) if np.any(interaction_matrix_abs) else 1.0    max_importance_abs = np.max(importance_abs) if np.any(importance_abs) else 1.0    # --- 收集边（只取上三角）---    interactions = []    for i in range(n_features):        for j in range(i + 1, n_features):            strength_abs = interaction_matrix_abs[i, j]            strength_signed = interaction_matrix_signed[i, j]            if strength_abs > edge_threshold:                interactions.append((features[i], features[j], strength_abs, strength_signed))    # 按强度从弱到强画（弱的先画，强的后画，视觉更像你那张图）    interactions.sort(key=lambda x: x[2])    # 限制边数（如果你觉得太密）    if max_edges is not None and len(interactions) > max_edges:        # 取最强的 max_edges 条，然后仍旧按从弱到强绘制        interactions = sorted(interactions, key=lambda x: x[2])[-max_edges:]        interactions.sort(key=lambda x: x[2])    # --- 画布 ---    fig, ax = plt.subplots(figsize=figsize, subplot_kw={'aspect': 'equal'})    # ---------------------------    # 3.1 绘制边    # ---------------------------    w_min, w_max = width_range    a_min, a_max = alpha_range    for u, v, strength_abs, strength_signed in interactions:        # 线宽/透明度映射        w = w_min + (strength_abs / max_interaction_abs) * (w_max - w_min)        a = a_min + (strength_abs / max_interaction_abs) * (a_max - a_min)        color = cmap_edges(norm_edges(strength_signed))        nx.draw_networkx_edges(            G, pos,            edgelist=[(u, v)],            width=w,            edge_color=[color],            style=edge_linestyle,            alpha=a,            ax=ax        )    # ---------------------------    # 3.2 绘制节点    # ---------------------------    ns_min, ns_max = node_size_range    node_sizes = []    node_colors = []    for i, feat in enumerate(features):        imp_abs = importance_abs[i]        imp_sign = importance_signed[i]        s = ns_min + (imp_abs / max_importance_abs) * (ns_max - ns_min)        node_sizes.append(s)        node_colors.append(cmap_nodes(norm_nodes(imp_sign)))    nx.draw_networkx_nodes(        G, pos,        node_size=node_sizes,        node_color=node_colors,        linewidths=0.8,        edgecolors="white",        alpha=0.98,        ax=ax    )    # ---------------------------    # 3.3 绘制外圈标签    # ---------------------------    for node, (x, y) in label_pos.items():        ha = "left" if x >= 0 else "right"        ax.text(x, y, node, fontsize=11, ha=ha, va="center")    # 轴/范围/标题    ax.axis("off")    ax.set_xlim(-1.55, 1.55)    ax.set_ylim(-1.55, 1.55)    ax.set_title(title, y=0.97, fontsize=15)    # ---------------------------    # 4) 左侧图例：线宽 + 节点大小    # ---------------------------    # 线宽图例（用相同映射公式得到示例线宽）    line_levels = [max_interaction_abs, max_interaction_abs * 0.5, max_interaction_abs * 0.1]    line_labels = [f"{val:.2f}" for val in line_levels]    legend_lines = []    for val in line_levels:        w = w_min + (val / max_interaction_abs) * (w_max - w_min)        legend_lines.append(Line2D([0], [0], color="black", lw=w))    legend1 = ax.legend(        legend_lines, line_labels,        loc="center left",        bbox_to_anchor=(-0.10, 0.78),        title="Interaction Strength\n(Line Width)",        frameon=False,        labelspacing=1.5    )    ax.add_artist(legend1)    # 节点大小图例（用相同映射公式得到示例点大小）    node_levels = [max_importance_abs, max_importance_abs * 0.5, max_importance_abs * 0.1]    node_labels = [f"{val:.2f}" for val in node_levels]    legend_nodes = []    for val in node_levels:        s = ns_min + (val / max_importance_abs) * (ns_max - ns_min)        # Line2D 的 markersize 单位与 scatter 不同，这里做一个经验缩放        legend_nodes.append(Line2D(            [0], [0],            marker=marker,            color="w",            markerfacecolor="black",            markersize=np.sqrt(s) / 2.2,            linestyle="None"        ))    ax.legend(        legend_nodes, node_labels,        loc="center left",        bbox_to_anchor=(-0.10, 0.33),        title="Feature Importance\n(Node Size)",        frameon=False,        labelspacing=2.6    )    # ---------------------------    # 5) 右侧颜色条：边颜色 + 点颜色    # ---------------------------    # 边颜色条    sm_edge = cm.ScalarMappable(norm=norm_edges, cmap=cmap_edges)    sm_edge.set_array([])    cax_edge = fig.add_axes([0.86, 0.55, 0.018, 0.28])  # [left, bottom, width, height]    cbar_edge = plt.colorbar(sm_edge, cax=cax_edge)    cbar_edge.set_label("Interaction Value (Signed)", rotation=270, labelpad=16, fontsize=10)    cbar_edge.outline.set_visible(False)    # 节点颜色条    sm_node = cm.ScalarMappable(norm=norm_nodes, cmap=cmap_nodes)    sm_node.set_array([])    cax_node = fig.add_axes([0.86, 0.18, 0.018, 0.28])    cbar_node = plt.colorbar(sm_node, cax=cax_node)    cbar_node.set_label("Feature Value (Signed)", rotation=270, labelpad=16, fontsize=10)    cbar_node.outline.set_visible(False)    # 保存#     plt.savefig(save_png, dpi=dpi, bbox_inches="tight")    plt.savefig(save_pdf, dpi=600, bbox_inches='tight')    return fig, ax# ---------------------------# 6) 主程序示例（你把 explainer / X_test 换成自己的即可）# ---------------------------features=X_test.columns.tolist()# 这里演示写法（你要把 explainer、X_test、features 换成真实变量）feature_importance_abs, feature_importance_signed, mean_abs, mean_signed = compute_shap_stats(explainer, X_test)plot_circular_interaction(features, feature_importance_abs, feature_importance_signed, mean_abs, mean_signed)