期刊配图复现 | Python 绘制多面板分层热力图,完美展示混合模型性能增量

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”。很多同学画图画不像，不是因为代码写不对，而是因为根本没看懂原图的骨架。

• 🦴 骨架 (Structure)：

  这就不是一个简单的 plt.subplots(4, 2)。你仔细看，每一行的右侧都有一个独立的色条（Colorbar）。这意味着每一行其实是一个“左图 + 右图 + 色条”的组合。如果我们强行用标准网格去套，色条就会把子图挤扁。

  解决思路：我们需要 GridSpec，手动划分出 [1, 1, 0.05] 这样的宽度比例，给色条预留“VIP 专座”。

• 🍰 核心技巧 (The Trick)：

  注意看热力图的格子，它们之间有白色的间隙。这叫 "Gridline Separation"。别小看这根白线，没有它，相邻的色块会糊成一团；有了它，矩阵的颗粒度瞬间就出来了。

• 🎨 配色 (Palette)：

  原图使用了“蓝-白-黄绿”的配色。这里有一个极其关键的隐形逻辑：零点必须是白色的。

  因为这是“增量图”，正值（蓝色）代表性能提升，负值（黄绿）代表性能下降。如果 0 值偏到了蓝色或者绿色区域，整张图的科学含义就全错了。这在绘图中叫 Diverging Norm（发散归一化）。

论文原图

3.2 读懂神图 (Scientific Decoding)

别光顾着画，这图到底说了个啥？如果你看不懂图里的科学逻辑，画出来也是没有灵魂的躯壳。

结合论文 ，这张图展示了三个混合模型（HLUDC, HLBDC, HLBDCT）在四个站点（(a) WS 到 (d) BB）的表现。

• 横轴：NSE, KGE, r, alpha, beta 是五个水文评估指标 。

• 读图逻辑：颜色越蓝，说明相对于基准模型（HBV 或 LSTM）的提升越大。

• 关键发现：请看每一组小热力图的最后一行（HLBDCT），几乎全是深蓝色 。这意味着引入“时变参数（Time-varying parameters）”的 HLBDCT 模型，在几乎所有站点和指标上都稳稳地胜过了其他模型。

• 异常点：在 (b) XHB 站点，右上角出现了大片的浅色甚至黄色区域，数值甚至是负的 。这是因为该区域数据稀缺，导致模型有点“水土不服”，但这恰恰展示了图表的诚实性——好的可视化不仅展示优点，也要暴露问题。

import matplotlib.pyplot as pltimport matplotlib.font_manager as fmimport warnings# 全局关闭非关键警告，保证绘图输出整洁，看着清爽warnings.filterwarnings('ignore')# --- 顶刊风格内核锁定 (Journal Aesthetics) ---# 字体设置：优先使用 Times New Roman，这是 SCI 的标配plt.rcParams['font.family'] = ['Times New Roman', 'Arial', 'SimHei']plt.rcParams['mathtext.fontset'] = 'stix'       # 公式字体使用 STIX (类似 LaTeX)# 基础字号与线条定义：线条要粗，字要大，这就是“高级感”的来源plt.rcParams['font.size'] = 16                  # 默认字号plt.rcParams['axes.linewidth'] = 1.5            # 坐标轴线宽 (Bold)plt.rcParams['lines.linewidth'] = 2.0           # 数据线宽plt.rcParams['xtick.direction'] = 'in'          # 刻度朝内，更紧凑plt.rcParams['ytick.direction'] = 'in'plt.rcParams['savefig.bbox'] = 'tight'          # 自动切除白边plt.rcParams['savefig.dpi'] = 600               # 印刷级分辨率

# 假设我们已经有了清洗好的数据结构 data_dict (按站点分层)# 定义 4 行，每行包含：左图、右图、色条位fig = plt.figure(figsize=(14, 10))# wspace=0.1 保证左右图紧凑，hspace=0.3 保证行间有空隙写标题gs = fig.add_gridspec(4, 3, width_ratios=[1, 1, 0.05],                       wspace=0.1, hspace=0.3)# 循环生成子图对象axes_matrix = []for i in range(4):    ax_left = fig.add_subplot(gs[i, 0])   # Compared to HBV    ax_right = fig.add_subplot(gs[i, 1])  # Compared to LSTM    ax_cbar = fig.add_subplot(gs[i, 2])   # Colorbar 专座    axes_matrix.append((ax_left, ax_right, ax_cbar))# 这样，我们就得到了一个布局完美的“骨架”，等待填充数据。

# 模拟一个站点的计算逻辑station_vals = [-5.2, 10.5, 3.1, -15.8, 0.2] # 假设这是该行的所有数据max_abs = max([abs(x) for x in station_vals])limit = np.ceil(max_abs)  # 向上取整，留点余地# 关键：对称归一化norm = mcolors.Normalize(vmin=-limit, vmax=limit)# 使用 Seaborn 绘图时传入这个 norm# sns.heatmap(..., vmin=-limit, vmax=limit, cmap="RdBu_r")

# 核心绘图函数片段def plot_heatmap_panel(ax, data, vmin, vmax, cmap):    sns.heatmap(data, ax=ax,                 cmap=cmap,                 vmin=vmin, vmax=vmax,                annot=True,          # 显示数值                fmt=".3f",           # 保留3位小数                cbar=False,          # 先关掉自带色条，我们要用独立的                linewidths=1.5,      # 关键：格子间的白线                linecolor='white',   # 线的颜色                annot_kws={"size": 10, "weight": "bold", "family": "Times New Roman"})    # 移除多余的轴标签，保持清爽    ax.set_ylabel("")    ax.set_xlabel("")    # 增加黑色边框 (Spine) 增强对比度    for spine in ax.spines.values():        spine.set_visible(True)        spine.set_linewidth(1.0)

# 处理 X 轴的特殊字符labels_raw = ['NSE', 'KGE', 'r', 'alpha', 'beta']labels_formatted = [    r'$\alpha$' if 'alpha' in t else (r'$\beta$' if 'beta' in t else t)     for t in labels_raw]ax.set_xticklabels(labels_formatted, fontweight='bold', fontstyle='italic')# 手动挂载色条# sm 是 ScalarMappable，存储了颜色映射关系sm = plt.cm.ScalarMappable(cmap=cmap, norm=norm)sm.set_array([]) cbar = fig.colorbar(sm, cax=ax_cbar, orientation='vertical')# 根据数值大小动态调整色条刻度显示（整数或小数）if limit > 10:    cbar.ax.yaxis.set_major_formatter(plt.FormatStrFormatter('%.0f'))else:    cbar.ax.yaxis.set_major_formatter(plt.FormatStrFormatter('%.1f'))