期刊图片复现|Python绘制SHAP重要性玫瑰图+相关性网络图组合图

# =========================================================================================# ====================================== 1. 环境设置 =======================================# =========================================================================================import pandas as pdimport numpy as npimport xgboostimport shapimport matplotlib.pyplot as pltimport matplotlib.colors as mcolorsimport matplotlib.ticker as tickerfrom matplotlib.cm import ScalarMappablefrom sklearn.model_selection import train_test_splitfrom sklearn.preprocessing import StandardScalerfrom shap.plots import beeswarmfrom sklearn.model_selection import GridSearchCV

# =========================================================================================# ======================================2.shap图颜色库=======================================# =========================================================================================COLOR_SCHEMES = {    1: ["blue", "#4B0082", "red"],}# 设置当前使用的颜色方案SCHEME_ID = 29

# =========================================================================================# ====================================== 3.网络图部分颜色库 ===========================# =========================================================================================NETWORK_COLOR_SCHEMES = {    1: {        'node_path': '#D689C5',        'node_rad': '#92C2DD',        'edge_pos': '#8E44AD',        'edge_neg': '#3498DB'    },}# 设置当前网络图配色SCHEME_ID2  = 29

# =========================================================================================# ======================================4.特征重要性条形图和径向图/玫瑰图绘制函数=======================================# =========================================================================================def draw_bar_and_radial(sorted_features, sorted_shap_values, bar_colors, cmap, color_norm):    fig = plt.figure(figsize=(16, 15))  # 创建画布    # 画布边距    left_margin, right_margin, bottom_margin, top_margin = 0.08, 0.08, 0.12, 0.12    # 颜色条宽度    colorbar_width = 0.02    # 计算绘图区域的底部位置和高度    plot_bottom = bottom_margin    plot_height = 1.0 - bottom_margin - top_margin    # 颜色条的左侧位置    cbar_left = left_margin    # 条形图的左侧位置    main_ax_left = cbar_left + colorbar_width + 0.04    # 条形图的宽度    main_ax_width = 1.0 - main_ax_left - right_margin    # 添加颜色条的坐标轴    ax_cbar = fig.add_axes([cbar_left, plot_bottom, colorbar_width, plot_height])    ax_cbar.text(0.5,                 -0.01,                 'Low'                 '', transform=ax_cbar.transAxes,                 ha='center',                 va='top',                 fontsize=24)    # 去掉颜色条边框    cbar.outline.set_visible(False)    # 颜色条标题    ax_cbar.text(-1.4,                 0.5,                 'Contribution for CEs ($10^4$ t)',                 transform=ax_cbar.transAxes,                 fontsize=24,                 rotation=90,                 va='center')

ax_bar.xaxis.tick_bottom()  # 条形图x轴刻度位置    ax_bar.xaxis.set_label_position("bottom")  # 设置x轴标签位置    # 反转x轴方向    ax_bar.invert_xaxis()    # 绘制水平条形图    ax_bar.barh(y=range(len(sorted_features)),  # Y坐标                width=sorted_shap_values,  # 水平条形宽度                color=bar_colors,  # 条形颜色                height=0.6)  # 条形高度    # 反转y轴方向，使最重要的特征排在顶部    ax_bar.invert_yaxis()    # 设置x轴标签    ax_bar.set_xlabel('Contribution for CEs ($10^4$ t)', size=24, labelpad=20)    # 移除y轴刻度    ax_bar.set_yticks([])    # 去掉左侧和顶部边框    ax_bar.spines[['left', 'top']].set_visible(False)    # 设置右侧边框位置    ax_bar.spines['right'].set_position(('data', 0))    # 显示边框    ax_bar.spines['right'].set_visible(True)    ax_bar.spines['bottom'].set_visible(True)                       direction='in',                       length=4)    # 标签的x轴偏移量    label_x_padding = 0.005    # 遍历特征，在条形图旁边添加特征名称文本    for i, feature in enumerate(sorted_features):        ax_bar.text(label_x_padding,                    i,                    feature,                    ha='right',                    va='center',                    color='black',                    fontsize=24)    # 子图标签    ax_bar.text(0.02,                0.98,                '(a)',                transform=ax_bar.transAxes,                fontsize=30,                weight='bold',                ha='left',                va='top')

inset_left = main_ax_left - 0.15  # 径向图/玫瑰图的左侧位置    inset_bottom = plot_bottom - 0.05  # 径向图/玫瑰图的底部位置    inset_size = min(main_ax_width, plot_height) * 0.85  # 径向图/玫瑰图的大小    # 定义径向图/玫瑰图的矩形区域    inset_ax_rect = [inset_left, inset_bottom, inset_size, inset_size]    # 添加坐标轴作为径向图/玫瑰图    ax_radial_inset = fig.add_axes(inset_ax_rect, projection='polar')    # 背景透明    ax_radial_inset.patch.set_alpha(0)ng_width = 3.0, 0.5, 2.0    # 计算每个扇形的总长度/半径    total_lengths = [base_length + i * fixed_increment for i in range(num_vars)]    # 计算内部灰色部分的长度    inner_heights = [max(0, tl - colored_ring_width) for tl in total_lengths]    # 定义内部颜色列表    inner_colors = ['#EAEAEA', '#FFFFFF'] * (num_vars // 2 + 1)    # 截取对应数量的颜色    inner_colors = inner_colors[:num_vars]    # 起始角度偏移量    one_oclock_offset = np.pi / 21    # 每个扇形的起始角度    thetas = np.cumsum([0] + widths[:-1].tolist()) - one_oclock_offset    # 绘制内部灰色扇形    ax_radial_inset.bar(x=thetas,  # 条形的起始角度位置                        height=inner_heights,  # 内部灰色部分的长度                        width=widths,  # 指定每个条形的角宽度                        color=inner_colors,  # 条形的填充颜色                        align='edge',  # 对齐方式为边缘对齐                        edgecolor='white',  # 条形边框的颜色为白色                        linewidth=1.5)  # 条形边框线的宽度                             va='center',                             fontsize=18)    ax_radial_inset.set_yticklabels([])  # 移除径向图的y轴标签    ax_radial_inset.set_xticklabels([])  # 移除径向图的x轴标签    # 隐藏极坐标轴的脊柱    ax_radial_inset.spines['polar'].set_visible(False)    # 关闭网格    ax_radial_inset.grid(False)    ax_radial_inset.set_theta_zero_location('N')  # 正北方向    ax_radial_inset.set_theta_direction(-1)  # 顺时针    ax_radial_inset.set_ylim(0, max(total_lengths) + 2)  # 半径范围

# =========================================================================================# ======================================5.SHAP蜂巢图函数=======================================# =========================================================================================def draw_native_beeswarm(shap_values, X, cmap):    plt.figure(figsize=(16, 15))  # 创建画布    # 绘制蜂巢图    shap.summary_plot(shap_values,  # SHAP值数据                      X,  # 对应的特征矩阵数据                      plot_type="dot",  # 蜂巢图                      show=False,  # 不立即显示                      cmap=cmap)  # 颜色映射    # 获取当前坐标轴    ax = plt.gca()    # 设置x轴标签    ax.set_xlabel("SHAP Value (impact on model output)", fontsize=18)    # y轴刻度标签    ax.tick_params(axis='y', labelsize=16)    # x轴刻度标签    ax.tick_params(axis='x', labelsize=14)    # 如果存在多个坐标轴    if len(plt.gcf().axes) > 1:        cbar_ax = plt.gcf().axes[-1]  # 获取颜色条坐标轴        cbar_ax.set_ylabel('Feature Value', size=16, rotation=-90, labelpad=20)  # 设置颜色条标签        cbar_ax.tick_params(labelsize=14)  # 设置颜色条刻度标签大小    # 调整布局    plt.tight_layout()

# =========================================================================================# ======================================6.无Y轴标签的SHAP蜂巢图的函数=======================================# =========================================================================================def draw_beeswarm_no_labels(shap_values, X, cmap):    # 创建画布    plt.figure(figsize=(16, 15))    # 绘制蜂巢图    shap.summary_plot(shap_values,                      X,                      plot_type="dot",                      show=False,                      cmap=cmap)    # 获取当前坐标轴    ax_third_plot = plt.gca()    # 移除y轴刻度标签（特征名）    ax_third_plot.set_yticklabels([])    # x轴标题    ax_third_plot.set_xlabel("SHAP Value (impact on model output)", fontsize=18)    # x轴刻度标签    ax_third_plot.tick_params(axis='x', labelsize=14)    # 处理颜色条（如果存在）    if len(plt.gcf().axes) > 1:        cbar_ax_third = plt.gcf().axes[-1]  # 获取当前图形对象列表中的最后一个坐标轴        cbar_ax_third.set_ylabel('Feature Value',  # Y轴名                                 size=16,  # 字体大小                                 rotation=-90,  # 旋转                                 labelpad=20)  # 文本与坐标轴之间的距离        cbar_ax_third.tick_params(labelsize=14)  # 字体大小    # 调整布局    plt.tight_layout()

# =========================================================================================# ======================================7.特征重要性条形图+蜂巢图+玫瑰图组合图绘制函数=======================================# =========================================================================================def draw_combined_plot(sorted_features, sorted_shap_values, shap_values, bar_colors, cmap, color_norm):    # 创建画布    fig_combined = plt.figure(figsize=(34, 25))    # 定义边距和间距参数    left_margin, right_margin, bottom_margin, top_margin = 0.05, 0.05, 0.02, 0.1    space_between = 0.01  # 左右子图之间的间距    plot_bottom = bottom_margin  # 绘图区域的底部    plot_height = 1 - bottom_margin - top_margin  # 绘图区域的高度    total_plot_width = 1 - left_margin - right_margin - space_between  # 宽度    # 分配左侧图和右侧图的宽度比例    left_plot_width = total_plot_width * 0.6    right_plot_width = total_plot_width * 0.4    cbar_left = 0.1  # 颜色条位置    colorbar_width = 0.01  # 颜色条宽度    # 颜色条坐标轴    ax_cbar_new = fig_combined.add_axes([cbar_left, plot_bottom, colorbar_width, plot_height])    # 创建ScalarMappable对象，用于颜色映射    sm = ScalarMappable(cmap=cmap, norm=color_norm)    # 绘制颜色条    cbar = fig_combined.colorbar(sm,                                 cax=ax_cbar_new,                                 orientation='vertical')    # 设置标签    cbar.set_label('', size=18, labelpad=5)    # 移除刻度    cbar.set_ticks([])    # 设置刻度位置    cbar.ax.yaxis.set_ticks_position('left')    # 上文本    ax_cbar_new.text(0.5,                     1.01,  # y坐标位置                     'High',  # 文本内容                     transform=ax_cbar_new.transAxes,  # 使用相对坐标                     ha='center',  # 水平居中                     va='bottom',  # 垂直底部对齐                     fontsize=30)  # 字体大小    # 左侧条形图的位置    main_ax_left = cbar_left + colorbar_width + 0.05    # 添加条形图坐标轴    ax_bar_new = fig_combined.add_axes([main_ax_left,  # 左                                        plot_bottom,  # 下                                        left_plot_width,  # 宽度                                        plot_height])  # 高度    # x轴刻度在底部    ax_bar_new.xaxis.tick_bottom()    # 设置x轴标签    ax_bar_new.xaxis.set_label_position("bottom")    # 反转x轴    ax_bar_new.invert_xaxis()    # 绘制水平条形    ax_bar_new.barh(y=range(len(sorted_features)),  # 数据                    width=sorted_shap_values,  # 条形宽度                    color=bar_colors,  # 颜色                    height=0.6)  # 条形高度    # 反转y轴    ax_bar_new.invert_yaxis()    # 设置x轴标题    ax_bar_new.set_xlabel('Contribution for CEs ($10^4$ t)', size=30, labelpad=20)    # 移除y轴刻度    ax_bar_new.set_yticks([])    # 去掉边框    ax_bar_new.spines[['left', 'top']].set_visible(False)    # 设置右侧边框位置    ax_bar_new.spines['right'].set_position(('data', 0))    # 显示边框    ax_bar_new.spines['right'].set_visible(True)    ax_bar.spines['bottom'].set_visible(True)    # 主刻度样式    ax_bar_new.tick_params(axis='x',  # 轴                           which='major',  # 主刻度                           direction='in',  # 朝内                           labelsize=30,  # 标签大小                           length=6,  # 刻度长度                           pad=8)  # 刻度间距    # 图标签    ax_bar_new.text(-0.02,  # x坐标                    0.98,  # y坐标                    '(a)',  # 文本内容                    transform=ax_bar_new.transAxes,  # 使用相对坐标                    fontsize=80,  # 字体大小                    weight='bold',  # 字体加粗                    ha='left',  # 水平左对齐                    va='top')  # 垂直顶部对齐

    num_vars = len(sorted_features)  # 特征数量    # 百分比    percentages = (sorted_shap_values / sorted_shap_values.sum()) * 100    # 每个扇形的宽度    widths = (sorted_shap_values / sorted_shap_values.sum()) * 2 * np.pi    # 设置基础长度、增量和彩色环宽度    base_length, fixed_increment, colored_ring_width = 3.0, 0.5, 2.0    # 每个扇形的总长度    total_lengths = [base_length + i * fixed_increment for i in range(num_vars)]    # 累积角度    thetas = np.cumsum([0] + widths[:-1].tolist()) - one_oclock_offset    inset_size = min(left_plot_width, plot_height) * 1.3  # 计算大小    # 左边距    inset_left = main_ax_left - 0.2    # 底边距    inset_bottom = plot_bottom - 0.1    # 定义插图矩形区域    inset_ax_rect = [inset_left, inset_bottom, inset_size, inset_size]    # 添加径向极坐标轴    ax_radial_inset_new = fig_combined.add_axes(inset_ax_rect, projection='polar')    # 背景透明    ax_radial_inset_new.patch.set_alpha(0)    # 绘制内部背景条    ax_radial_inset_new.bar(x=thetas,  # 角度                            height=inner_heights,  # 高度                            width=widths,  # 宽度                            color=inner_colors,  # 颜色                            align='edge',  # 对齐方式                            edgecolor='white',  # 边缘颜色                            linewidth=1.5)  # 线宽    # 绘制外部彩色条    ax_radial_inset_new.bar(x=thetas,  # 角度                            height=[colored_ring_width] * num_vars,  # 高度                            width=widths,  # 宽度                            bottom=inner_heights,  # 底部起始位置                            color=bar_colors,  # 颜色                            align='edge',  # 对齐方式                            edgecolor='white',  # 边缘颜色                            linewidth=1.5)  # 线宽    # 移除y轴标签    ax_radial_inset_new.set_yticklabels([])    # 移除x轴标签    ax_radial_inset_new.set_xticklabels([])    # 隐藏极坐标脊柱    ax_radial_inset_new.spines['polar'].set_visible(False)    # 隐藏网格    ax_radial_inset_new.grid(False)    ax_radial_inset_new.set_theta_zero_location('N')  # 正北    ax_radial_inset_new.set_theta_direction(-1)  # 顺时针    ax_radial_inset_new.set_ylim(0, max(total_lengths) + 2)  # 半径范围

   # 右侧蜂巢图位置    right_plot_left = main_ax_left + left_plot_width + space_between    # 添加蜂巢图坐标轴    ax_beeswarm = fig_combined.add_axes([right_plot_left, plot_bottom, right_plot_width, plot_height])    # 绘制蜂巢图    beeswarm(shap_values,  # 数据             max_display=len(sorted_features),  # 最大显示特征数             ax=ax_beeswarm,  # 指定坐标轴             show=False,  # 不立即显示             color=cmap,  # 颜色映射             plot_size=None)  # 不自动调整大小    # 遍历坐标轴上的所有散点    for collection in ax_beeswarm.collections:    # 蜂巢图颜色条    if len(fig_combined.axes) > 3:        # 获取颜色条坐标轴        cbar_ax_right = fig_combined.axes[-1]        # 设置右侧颜色条标签        cbar_ax_right.set_ylabel('Feature Value',  # 内容                                 size=30,  # 字体大小                                 rotation=270,  # 旋转                                 labelpad=5)  # 标签间距        # 刻度标签大小        cbar_ax_right.tick_params(labelsize=30)

# =========================================================================================# ====================================== 8.网络相关性图绘制函数 ===========================# =========================================================================================def draw_right_part_network(data_df, sorted_features, corr_method='spearman'):    # 创建画布和坐标轴    fig, ax = plt.subplots(figsize=(15, 15))    # 获取配色方案    net_colors = NETWORK_COLOR_SCHEMES[SCHEME_ID2]    # 筛选出特征数据    selected_data = data_df[sorted_features]    # 计算筛选数据的相关性    corr_matrix = selected_data.corr(method=corr_method)    # 获取矩阵上三角部分的索引（k=1表示不包含对角线本身）    upper_tri_indices = np.triu_indices_from(corr_matrix, k=1)    # 根据索引提取所有上三角的相关系数值    all_corrs = corr_matrix.values[upper_tri_indices]    # 计算这些相关系数的绝对值    all_abs_corrs = np.abs(all_corrs)    # 最大值    max_abs = np.max(all_abs_corrs)    # 最小值    min_abs = np.min(all_abs_corrs)    # 如果最大值等于最小值    if max_abs == min_abs:        max_abs += 1e-9# 给最大值加上一个微小的数值    print(f"相关性绝对值范围: Min={min_abs:.4f}, Max={max_abs:.4f}")    # 设置连线宽度的最小值和最大值    LW_MIN, LW_MAX = 0.5, 7    # 设置绘制连线的相关性阈值    threshold = 0.0    # 获取特征变量的数量    num_vars = len(sorted_features)    x_coords = radius * np.cos(angles)    # 计算节点的Y坐标    y_coords = radius * np.sin(angles)    # 初始化节点颜色列表    node_colors = []    # 遍历每一个特征，设置分组特征    for feat in sorted_features:        if str(feat).startswith('P') or 'Texture' in str(feat):            node_colors.append(net_colors['node_path'])        else:            node_colors.append(net_colors['node_rad'])orr > 0 else net_colors['edge_neg']                # 如果相关系数大于0使用实线，否则使用虚线                style = '-' if corr > 0 else '--'                # 对相关系数绝对值进行归一化处理                norm_score = (abs_corr - min_abs) / (max_abs - min_abs)                # 根据归一化分数计算线宽                width = LW_MIN + norm_score * (LW_MAX - LW_MIN)                # 根据归一化分数计算透明度                alpha = 0.2 + norm_score * 0.7                # 绘制连接两个节点的线条                ax.plot([x_coords[i],  # 起始节点和终止节点的X坐标                         x_coords[j]],                        [y_coords[i],  # 起始节点和终止节点的Y坐标                         y_coords[j]],                        color=color,  # 线条颜色                        linestyle=style,  # 线型                        linewidth=width,  # 线条宽度                        alpha=alpha,  # 透明度    # 遍历特征以添加标签    # 定义图例列表    legs = [        # 节点图例        Line2D([0],  # X坐标               [0],  # Y坐标               marker='o',  # 图例的形状               color='w',  # 设置线条边缘颜色               markerfacecolor=net_colors['node_path'],  # 设置标记内部的填充颜色（取自配置中的病理组学颜色）               label='Pathomics',  # 图例中显示的文本标签               ms=15),  # 标记的大小        # 影像组学节点图例        Line2D([0], [0], marker='o', color='w', markerfacecolor=net_colors['node_rad'], label='Radiomics', ms=15),        # 正相关图例        Line2D([0], [0], color=net_colors['edge_pos'], lw=2, label='Pos Correlation'),        # 负相关图例        Line2D([0], [0], color=net_colors['edge_neg'], lw=2, ls='--', label='Neg Correlation')    ]    # 添加图例    ax.legend(handles=legs,  # 图例中显示的句柄列表              loc='upper left',  # 位置              bbox_to_anchor=(-0.1, 1.05),  # 绝对位置坐标              frameon=False,  # 是否显示图例的边框              fontsize=16)  # 字体大小

# =========================================================================================# ====================================== 9.图片拼接函数 ===========================# =========================================================================================def stitch_images(path_left, path_right, scale_right=1.0):    # 打开图片，加载为图像对象    img_left = Image.open(path_left)    img_right = Image.open(path_right)    # 基于左图高度乘以缩放比例，计算右图的新高度    target_height_right = int(img_left.height * scale_right)    # 计算右侧图片的宽高比    aspect_ratio_right = img_right.width / img_right.height    # 根据新的目标高度计算右侧图片的新宽度    new_width_right = int(target_height_right * aspect_ratio_right)    y_left = (canvas_height - img_left.height) // 2    # 粘贴左侧图片    new_img.paste(img_left, (0, y_left))    # 计算右图的垂直居中Y坐标    y_right = (canvas_height - target_height_right) // 2    # 粘贴右侧图片    new_img.paste(img_right_resized, (img_left.width + gap, y_right))

# =========================================================================================# ======================================10.执行部分=======================================# =========================================================================================if __name__ == '__main__':    # 读取数据    data_df = pd.read_excel(r'data.xlsx')    # 定义目标变量    target_column_name = 'Target_y'    # 提取目标变量数据    y = data_df[target_column_name]    # 提取特征变量数据（删除目标列）    X = data_df.drop(columns=[target_column_name])    # 获取所有特征名称并转换为列表    feature_names = X.columns.tolist()    # 划分训练集和测试集    X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)    # 标准化处理    scaler = StandardScaler()    X_train_scaled = scaler.fit_transform(X_train)    X_test_scaled = scaler.transform(X_test)    model = best_model    # 创建SHAP树解释器对象，用于解释模型    explainer = shap.TreeExplainer(model)    # 计算测试集数据的SHAP值    shap_values = explainer(X_test_df)    # 计算所有样本SHAP绝对值的平均值，衡量特征整体重要性    mean_abs_shap = np.abs(shap_values.values).mean(axis=0)    # 创建包含特征重要性数值的Series，索引为特征名    shap_series = pd.Series(mean_abs_shap, index=feature_names)    # 对特征重要性进行降序排序    shap_series.sort_values(ascending=False, inplace=True)    # 获取排序后的特征名称列表    sorted_features = shap_series.index.tolist()    # 获取排序后的特征重要性数值数组    sorted_shap_values = shap_series.values    print(pd.DataFrame(shap_values.values[:5, :3], columns=feature_names[:3]).round(4))    print("\n测试集特征平均重要性 (Mean |SHAP|):")    print(np.round(sorted_shap_values, 4))    # 调用函数绘图    draw_bar_and_radial(sorted_features, sorted_shap_values, bar_colors, cmap, color_norm)    draw_native_beeswarm(shap_values, X_test_df, cmap)    draw_beeswarm_no_labels(shap_values, X_test_df, cmap)    draw_combined_plot(sorted_features, sorted_shap_values, shap_values, bar_colors, cmap, color_norm)    draw_right_part_network(X_test_df, sorted_features, corr_method='spearman')

SCHEME_ID = 30

2.设置网络图图颜色方案：

SCHEME_ID2  = 30

plt.savefig(fr'shap_bar_radial{SCHEME_ID}.png',  dpi=208, bbox_inches='tight')

data_df = pd.read_excel(r'simulated_data.xlsx')

target_column_name = 'Target_y'

param_grid = {'n_estimators': [100, 200],}