期刊图片复现|Python绘制基于边缘分布与残差分析的回归拟合图

# =========================================================================================# ====================================== 1. 环境设置 =======================================# =========================================================================================import numpy as npimport matplotlib.pyplot as pltimport seaborn as snsfrom matplotlib.gridspec import GridSpecfrom scipy import statsimport pandas as pdimport matplotlibmatplotlib.rcParams['pdf.fonttype'] = 42matplotlib.rcParams['ps.fonttype'] = 42import osplt.rcParams['font.family'] = 'serif'plt.rcParams['font.serif'] = ['Times New Roman']plt.rcParams['axes.unicode_minus'] = Falseplt.rcParams['mathtext.fontset'] = 'stix'plt.rcParams['font.size'] = 12

# =========================================================================================# ======================================2.颜色库=======================================# =========================================================================================COLOR_SCHEMES= {    1: ['#4d4d4d', '#ff9f4b', '#1f77b4'],}scheme_index= 40#选择配色方案

# =========================================================================================# ======================================3.绘图函数=========================================# =========================================================================================def plot_simulation_results(data):    c_a, c_b, c_c = colors[0], colors[1], colors[2] #分配颜色    fig = plt.figure(figsize=(10, 10)) #创建画布    # 定义网格布局    gs = GridSpec(2, #行                  2, #列                  figure=fig, # 绑定到当前figure                  hspace=0.05, #子图垂直间距                  wspace=0.05, #子图水平间距                  height_ratios=[1, 5], # 设置行高比例，顶部边际图占1份，主图占5份                  width_ratios=[5, 1]) # 设置列宽比例，主图占5份，右侧边际图占1份    ax_main = fig.add_subplot(gs[1, 0]) # 添加主散点图坐标轴    ax_top = fig.add_subplot(gs[0, 0], sharex=ax_main) # 添加顶部KDE图坐标轴，与主图共享X轴    ax_right = fig.add_subplot(gs[1, 1], sharey=ax_main) # 添加右侧KDE图坐标轴，与主图共享Y轴

    # 绘制A组散点图    ax_main.scatter(grp_a_x, #X坐标                    grp_a_y, #Y坐标                    c=c_a, #颜色                    alpha=0.3, #透明度                    s=20, #点的大小                    label=f'Group A', #图例标签                    edgecolors='none') #无边框    # 绘制B组散点图    ax_main.scatter(grp_b_x, #X坐标                    grp_b_y, #Y坐标                    c=c_b, #颜色                    alpha=0.3, #透明度                    s=20, #点的大小                    label=f'Group B', #图例标签                    edgecolors='none') #无边框    # 绘制C组散点图    ax_main.scatter(grp_c_x, #X坐标                    grp_c_y, #Y坐标                    c=c_c, #颜色                    alpha=0.6, #透明度                    s=30, #点的大小                    label=f'Group C', #图例标签                    edgecolors='none') #无边框    ax_main.set_xlim(-70, 70) #主图X轴范围    ax_main.set_ylim(-70, 70) #主图Y轴范围

    bandwidth = 0.05 #KDE的带宽调节参数    #顶部A组X轴数据的密度曲线    sns.kdeplot(grp_a_x, #数据                ax=ax_top, #指定坐标轴                color=c_a, #颜色                fill=True, #填充曲线下方                alpha=0.3, #透明度                linewidth=1, #线宽                bw_adjust=bandwidth) #带宽    #顶部图B组X轴数据的密度曲线    sns.kdeplot(grp_b_x, #数据                ax=ax_top, #指定坐标轴                color=c_b, #指定颜色                fill=True, #填充曲线下方                alpha=0.3, #透明度                linewidth=1, #线宽                bw_adjust=bandwidth) #带宽    #顶部C组X轴数据的密度曲线    sns.kdeplot(grp_c_x, #数据                ax=ax_top, #坐标轴                color=c_c, #颜色                fill=True, #填充曲线下方                alpha=0.3, #透明度                linewidth=1, #线宽                bw_adjust=bandwidth) # 带宽参数

    # 在主图中创建嵌入式坐标轴    ax_inset = ax_main.inset_axes([0.5,#左                                   0.05,#下                                   0.45,#宽                                   0.25])#高                             flierprops=dict(marker='d', #异常值点设为菱形                                             markersize=4, #异常点大小                                             markerfacecolor='black', #异常点颜色                                             alpha=0.5), #异常点透明度                             boxprops=dict(linewidth=1.5), #箱体边框线宽                             medianprops=dict(linewidth=1.5, #中位数线宽                                              color='black'), #中位数线颜色                             whiskerprops=dict(linewidth=1.5), # 线线宽                             capprops=dict(linewidth=1.5)) #须线末端横杠线宽    ax_inset.set_title("Residuals", #嵌入图标题                       fontsize=12, #字体大小                       fontweight='bold') #加粗    ax_inset.set_yticks([]) # 隐藏嵌入图Y轴刻度    ax_inset.set_xlabel("") # 清空嵌入图X轴标签

    #显著性标记函数    def get_stars(p):        if p < 0.0001:            return "****"        elif p < 0.001:            return "***"        elif p < 0.01:            return "**"        elif p < 0.05:            return "*"        else:            return "ns"        ax.text(x_line + 1.5, #X坐标                (y1 + y2) / 2, #Y坐标                star, #星号                ha='left', # 水平对齐                va='center', # 垂直对齐                rotation=270, # 旋转                fontsize=10, # 字体大小                fontweight='bold') # 字体加粗

#添加C和B的显著性标记    add_sig(ax_inset,resid_c, resid_b, 1, 2, 1)    #添加B和A的显著性标记    add_sig(ax_inset,resid_b,resid_a, 2,3,2)    #添加C和A的显著性标记    add_sig(ax_inset, resid_c,resid_a,1,3,3)    curr_xlim = ax_inset.get_xlim() # 获取当前嵌入图X轴范围    #设置范围    ax_inset.set_xlim(curr_xlim[0], curr_xlim[1] * 1.3)    # 收集所有坐标轴对象    all_axes = [ax_main,ax_top,ax_right,ax_inset]        ax.minorticks_on() # 开启次刻度    #保存    plt.savefig(fr"{scheme_index}.png", dpi=300, bbox_inches='tight')    plt.savefig(fr"{scheme_index}.pdf", bbox_inches='tight')

# =========================================================================================# ======================================4.执行部分=========================================# =========================================================================================if __name__ == "__main__":    df = pd.read_excel(r"data.xlsx")  # 读取数据    all_x = df['X'].values  #X    all_y = df['Y'].values  #Y    slope_fit, intercept_fit, r_value, p_value, std_err = stats.linregress(all_x, all_y)  #线性回归拟合    print(f"回归模型拟合完成: y = {slope_fit:.4f}x + {intercept_fit:.4f}")    #数据处理函数    def process_group(group_name):        sub_df = df[df['Group'] == group_name]  # 筛选出指定组名的数据子集        if sub_df.empty:  # 如果为空            return np.array([]), np.array([]), np.array([])  # 返回空的数组        x = sub_df['X'].values  #X        y = sub_df['Y'].values  #Y        pred = slope_fit * x + intercept_fit  # 根据模型计算预测值        resid = y - pred  # 计算残差        return x, y, resid  # 返回X数据，Y数据和残差    grp_a_x, grp_a_y, resid_a = process_group('A')  #处理A组数据    grp_b_x, grp_b_y, resid_b = process_group('B')  #处理B组数据    grp_c_x, grp_c_y, resid_c = process_group('C')  #处理C组数据    # 将处理后的数据打包成字典    data_pack = {        'grp_a': (grp_a_x, grp_a_y, resid_a),  # A组数据包        'grp_b': (grp_b_x, grp_b_y, resid_b),  # B组数据包        'grp_c': (grp_c_x, grp_c_y, resid_c),  # C组数据包        'reg': (slope_fit, intercept_fit),  # 回归参数包        'all_resid': np.concatenate([resid_a, resid_b, resid_c])  # 合并所有残差用于后续计算范围    }    # 调用绘图函数    plot_simulation_results(data_pack)

scheme_index= 40#选择配色方案

2.设置绘图结果的保存地址：

plt.savefig(fr"{scheme_index}.png", dpi=300, bbox_inches='tight')plt.savefig(fr"{scheme_index}.pdf", bbox_inches='tight')

df = pd.read_excel(r"data.xlsx")  # 读取数据

3.设置x、y轴的数据：

all_x = df['X'].values  #Xall_y = df['Y'].values  #Y