Python科研绘图:一行代码实现 R² + 95% 置信区间的高级散点图

在写代码之前，我们需要像外科医生一样，先对这张图进行“解剖”。很多同学画图不好看，不是因为代码写不对，而是因为没看懂原图的逻辑。

1. 视觉解剖 (The Anatomy)

一眼看过去，这张图是典型的 2x2 Panel 布局。但魔鬼都在细节里：

• 🦴 骨架 (Structure)：四个子图共享同一套逻辑，但量程（Scale）完全不同。注意看，为了视觉上的统一，作者强制让所有子图的 X 轴和 Y 轴保持 Isometric（等距） 比例，确保中间那条深红色的虚线（Bisect Line）严格呈现 45 度角。这是很多初学者容易忽视的点——如果比例不对，对角线歪了，读者的直觉判断就会失效。

• 🍰 核心技巧 (The Trick) —— “三明治图层法”：

• 底层：淡蓝紫色背景 + 白色网格（Seaborn 的 darkgrid 风格），或者白底 + 灰色网格。

• 夹层：对角参考线（一定要放在散点下面，zorder 很关键）。

• 主菜：散点。注意，原图巧妙地用了 空心图形（Hollow Markers）。当数据点成千上万时，实心点会糊成一团，而空心点能透出叠加的密度感。

• 顶层：拟合线 + 95% 置信区间阴影（Confidence Interval）。这层半透明的阴影是“高级感”的来源，它告诉读者：我的预测不仅准，而且很稳。

• 🎨 配色 (Palette)：原图使用了经典的 “红蓝CP” —— 蓝色代表训练集（Training），红色代表测试集（Testing）。这种对比色在学术界非常通用，色盲友好且对比强烈。

论文原图

2. 读懂神图 (Scientific Decoding)

别光顾着画，这图到底说了个啥？

如果你结合论文原文（Section 3.3），你会发现作者极其诚实。在 Panel (a) 预测 CO2 时，数据点紧紧“咬”住对角线，说明模型对二氧化碳吸附量的预测简直是“开了天眼”。但在 Panel (d) 预测 选择性（Selectivity） 时，测试集的数据点（红色圆圈）开始发散，尤其是在高值区域。

作者没有藏着掖着，而是把 R2、RMSE（均方根误差）甚至 p_{k-s}（残差正态性检验值）直接把这组数据“钉”在了图表角落。这种敢于暴露“不完美”的图，恰恰是审稿人最喜欢的——因为它真实。

我们要复刻的，就是这种“基于数据的诚实感”。

import matplotlib.pyplot as pltimport matplotlib.colors as mcolorsimport matplotlib.patches as mpatchesimport seaborn as snsimport numpy as npimport pandas as pdfrom scipy import stats# --- 全局审美配置 (The Aesthetics) ---# 这一步相当于给画布打底妆，决定了成图的高级感plt.rcParams['font.family'] = 'Times New Roman'  # 顶刊标配字体plt.rcParams['font.weight'] = 'bold'             # 稍微加粗更醒目plt.rcParams['axes.labelweight'] = 'bold'        # 轴标签加粗plt.rcParams['font.size'] = 14                   # 基础字号plt.rcParams['mathtext.fontset'] = 'stix'        # 公式字体，类似 LaTeX 质感plt.rcParams['axes.linewidth'] = 1.5             # 坐标轴线宽，拒绝细狗plt.rcParams['xtick.major.width'] = 1.5          # 刻度线宽plt.rcParams['ytick.major.width'] = 1.5# 定义一个类似于原图的“红-黄-蓝”配色方案# 注意：原图中间是黄色(0)，两头是深色。这叫 Diverging Colormapcolors_list = ['#A50026', '#F46D43', '#FFFFBF', '#74ADD1', '#313695']custom_cmap = mcolors.LinearSegmentedColormap.from_list("Journal_Style", colors_list, N=256)

def generate_mock_data(n_train=400, n_test=100):    """    生成模拟的 Predicted vs Actual 数据    """    np.random.seed(2024)    data = []    # 定义四个任务的量程和噪声水平    tasks = [        ('N_CO2', 9, 0.02, 0.05),         # 简单任务        ('N_SO2', 35, 0.03, 0.08),        # 中等        ('N_Sum', 40, 0.03, 0.10),        # 稍难        ('Selectivity', 40, 0.04, 0.15)   # 最难，发散严重    ]    for name, limit, noise_tr, noise_te in tasks:        # 训练集：噪声小        act_tr = np.random.uniform(0, limit, n_train)        pred_tr = act_tr + np.random.normal(0, noise_tr * limit, n_train)        # 测试集：噪声大（模拟泛化误差）        act_te = np.random.uniform(0, limit, n_test)        pred_te = act_te + np.random.normal(0, noise_te * limit, n_test)        # 封装        for a, p in zip(act_tr, pred_tr):            data.append({'Task': name, 'Group': 'Training', 'Actual': a, 'Predicted': p})        for a, p in zip(act_te, pred_te):            data.append({'Task': name, 'Group': 'Testing', 'Actual': a, 'Predicted': p})    return pd.DataFrame(data)df = generate_mock_data()

# 创建画布fig = plt.figure(figsize=(12, 10))# GridSpec 允许我们微调子图间距，tight_layout 往往不够完美gs = fig.add_gridspec(2, 2, wspace=0.25, hspace=0.25)axes = [fig.add_subplot(gs[0, 0]), fig.add_subplot(gs[0, 1]),         fig.add_subplot(gs[1, 0]), fig.add_subplot(gs[1, 1])]task_names = ['N_CO2', 'N_SO2', 'N_Sum', 'Selectivity']limits = [9, 35, 40, 40] # 各图的坐标轴上限

for i, (ax, task, limit) in enumerate(zip(axes, task_names, limits)):    # 1. 绘制对角基准线 (Bisect Line)    # zorder=2 确保它在散点下面，linestyle='--' 虚线不抢戏    ax.plot([0, limit], [0, limit], color='maroon', linestyle='--', linewidth=2, label='Bisect', zorder=2)    # 2. 分组绘制数据    subset = df[df['Task'] == task]    for group in ['Training', 'Testing']:        data = subset[subset['Group'] == group]        style = STYLE_CONFIG[group]        # [核心技巧] 散点绘制        # c='none' + edgecolors 控制空心圆，alpha 控制透明度        ax.scatter(data['Actual'], data['Predicted'],                    c='none', edgecolors=style['color'], marker=style['marker'],                    s=60, linewidth=1.2, alpha=0.7, label=style['label'], zorder=5)        # [核心技巧] Seaborn 统计回归线        # ci=95 自动画出95%置信区间，scatter=False 避免重复画点        sns.regplot(x='Actual', y='Predicted', data=data, ax=ax,                    scatter=False, color=style['color'], ci=95,                     line_kws={'linewidth': 2, 'alpha': 0.8}, truncate=False)        # 3. 实时计算统计指标        r2 = r2_score(data['Actual'], data['Predicted'])        rmse = np.sqrt(mean_squared_error(data['Actual'], data['Predicted']))        # 4. 动态生成统计文本框 (The Soul Injection)        # 训练集放左上，测试集放右下        # 关键参数：bbox 给文字加个半透明背景，防止被散点挡住看不清！        stats_text = (f"{group}\n"                      f"$\mathbf{{R^2: {r2:.2f}}}$\n"                      f"RMSE: {rmse:.2f}")        pos = (0.05, 0.95) if group == 'Training'else (0.95, 0.05)        align = ('left', 'top') if group == 'Training'else ('right', 'bottom')        ax.text(pos[0], pos[1], stats_text, transform=ax.transAxes,                fontsize=12, fontweight='bold', color=style['color'],                ha=align[0], va=align[1], zorder=10,                bbox=dict(facecolor='white', alpha=0.6, edgecolor='none', boxstyle='round,pad=0.5'))    # 5. 装饰与美化    ax.set_xlim(0, limit); ax.set_ylim(0, limit)    ax.set_xlabel(f"Actual {task}", fontweight='bold')    ax.set_ylabel(f"Predicted {task}", fontweight='bold')    # 给子图打标号 (a, b, c, d)    ax.text(-0.15, 1.05, ['a', 'b', 'c', 'd'][i], transform=ax.transAxes,             fontsize=20, fontweight='bold', va='top', ha='right')    # 只有第一个图显示图例，避免冗余    if i == 0:        ax.legend(loc='upper center', bbox_to_anchor=(0.5, 1.15), ncol=3, frameon=False)# 保存图片plt.savefig('Parity_Plot_Review.png', dpi=300, bbox_inches='tight')plt.show()