期刊图片复现|Python绘制高颜值Mantel检验网络图+相关性热图

# =========================================================================================# ====================================== 1. 环境设置 =======================================# =========================================================================================import matplotlib.pyplot as pltimport numpy as npimport pandas as pdfrom matplotlib.patches import Circle, Rectangle, ConnectionPatchfrom matplotlib.colors import LinearSegmentedColormap, Normalizefrom scipy.spatial.distance import pdist, squareformfrom scipy.stats import pearsonr

# =========================================================================================# ======================================2.颜色库=======================================# =========================================================================================COLOR_SCHEMES = {    1: {'cmap': ["#66C2A5", "white", "#FC8D62"],        'p_colors': {'high': '#D73027', 'med': '#FC8D59', 'low': '#FEE090', 'none': '#E0E0E0'},        'node': 'dimgray',        'text': 'black'},}SCHEME_ID = 18  # 设置当前选用的配色方案config = COLOR_SCHEMES.get(SCHEME_ID, COLOR_SCHEMES[1])  # 获取配色方案cmap = LinearSegmentedColormap.from_list("custom_cmap", config['cmap'])  # 根据配置创建自定义的线性渐变色图norm = Normalize(vmin=-1, vmax=1)  # 创建归一化对象，将数值映射到 [-1, 1] 范围

# =========================================================================================# ======================================3.网络线颜色配置函数=======================================# =========================================================================================def get_mantel_color(p, p_colors):    #根据 Mantel 检验的 p 值返回对应的颜色    if p <= 0.001:        return p_colors['high']    if p <= 0.01:        return p_colors['med']    if p <= 0.05:        return p_colors['low']    return p_colors['none']

# =========================================================================================# ======================================4.网络线粗细配置函数=======================================# =========================================================================================def get_dynamic_width(r, r_min, r_max):    #根据相关系数 r 值动态计算线条宽度    if r_max <= r_min:  # 最大最小值相等        return 2.0  # 返回默认宽度    val = abs(r)  # r的绝对值    val = max(r_min, min(val, r_max))  # 限制在最大值、最小值之间    normalized = (val - r_min) / (r_max - r_min)  # 对数值进行归一化处理    return 0.5 + normalized * 5.0  # 将归一化值映射到0.5-5.5的宽度范围

# =========================================================================================# ======================================5.显著性标记配置函数=======================================# =========================================================================================def get_sig_label(p):    if p <= 0.001:        return '***'    if p <= 0.01:        return '**'    if p <= 0.05:        return '*'    return ''

# =========================================================================================# ======================================6.绘图函数=======================================# =========================================================================================def plot_mantel_heatmap(variables, scales, corr_r, corr_p, mantel_df):    text_color = config['text']  # 文本颜色    node_color = config['node']  #节点颜色    p_colors = config['p_colors']  #线颜色    n_vars = len(variables)  # 右侧热图变量的数量    n_scales = len(scales)  # 左侧节点的数量    # 创建画布    fig, ax = plt.subplots(figsize=(18, 14))    ax.set_aspect('equal')  # 坐标轴比例    ax.axis('off')  # 关闭坐标轴显示    gap_size = 1.5  #、热图和右侧节点之间的间隔    base_radius = 0.42  # 设置热图中圆点的基础半径系数    anchor_coords = {}  # 初始化字典，用于存储左侧变量的连接锚点坐标

    for i in range(n_vars):  # 遍历行变量        for j in range(n_vars):  # 遍历列变量            if j >= i:  # 仅绘制对角线及右上方的三角区域                grid_x = j  # 网格 x 坐标                grid_y = (n_vars - 1) - i  # 网格 y 坐标                # 创建矩形边框                rect = Rectangle((grid_x - 0.5, grid_y - 0.5),  #坐标                                 1,  # 宽度                                 1,  # 高度                                 fill=False,  # 不填充                                 edgecolor='#E0E0E0',  # 边框颜色                                 lw=1,  # 线宽                                 zorder=1)  # 图层顺序                sig_text = get_sig_label(p_val)                if sig_text:  # 如果有显著性标记                    star_color = 'white' if abs(r_val) > 0.4 else text_color  # 根据背景深浅自动调整星号颜色                    #添加标记                    ax.text(grid_x,  #x                            grid_y - 0.1,  #y                            sig_text,  # 文本内容                            ha='center',  # 水平居中                            va='center',  # 垂直居中                            color=star_color,  # 文本颜色                            fontsize=9,  # 字体大小                            fontweight='bold',  # 字体加粗                            zorder=3)  # 图层顺序

    if i == j:  #处理对角线                    anchor_x = grid_x - 0.5 - gap_size  # 连接线锚点的 x 坐标                    anchor_y = grid_y - 0.5  # 连接线锚点的 y 坐标                    # 绘制锚点                    ax.scatter(anchor_x,  #x                               anchor_y,#y                               s=50,  # 点的大小                               c='gray',  # 颜色                               edgecolors='none',  # 无边框                               zorder=5)  # 图层顺序                    anchor_coords[variables[i]] = (anchor_x, anchor_y)  # 存储该变量的锚点坐标                    # 变量标签的 x 坐标                    label_x = (anchor_x + (grid_x - 0.5)) / 2                    # 绘制变量标签文本                    ax.text(label_x, #x                            anchor_y,#y                            variables[i],  # 变量名称                            ha='center',  # 水平居中                            va='center',  # 垂直居中                            fontsize=11,  # 字体大小                            fontweight='bold',  # 字体加粗                            color=text_color,  # 文本颜色                            zorder=6)  # 图层顺序        # 绘制变量标签        ax.text(right_x + tick_len + 0.1,   # x坐标                y,  # y 坐标                var,  # 文本内容                ha='left',  # 水平左对齐                va='center',  # 垂直居中                fontsize=12,  # 字体大小                fontweight='bold',  # 字体加粗                color=text_color)  # 文本颜色

    scale_coords = {}  # 初始化字典，存储左侧节点的坐标    # 在垂直方向上均匀分布尺度节点的位置    scale_y_positions = np.linspace(n_vars -8, 1, n_scales)    # 倒序遍历左侧节点名称    for idx, name in enumerate(reversed(scales)):        sy = scale_y_positions[idx]  # y 坐标        # 绘制文本        ax.text(sx - 0.4, # x 坐标                sy, # y 坐标                name,  # 文本内容                ha='right',  # 水平右对齐                va='center',  # 垂直居中                fontsize=13,  # 字体大小                fontweight='bold',  # 字体加粗                color=text_color)  # 文本颜色

    r_abs_min = mantel_df['r'].abs().min()  # Mantel r 值的绝对值最小值    r_abs_max = mantel_df['r'].abs().max()  # Mantel r 值的绝对值最大值    # 如果最大最小值相等    if r_abs_min == r_abs_max: r_abs_min = 0    # 创建变量名到索引的映射字典    var_to_idx = {v: k for k, v in enumerate(variables)}    for scale_idx in range(n_scales):  # 遍历        # 获取当前的所有 Mantel 结果行        rows = mantel_df[mantel_df['scale_index'] == scale_idx]        rows = rows.copy()  # 创建副本        rows['var_idx'] = rows['var'].map(var_to_idx)  # 映射变量索引        rows = rows.sort_values(by='var_idx')  # 按变量索引排序            # 创建连接线            con = ConnectionPatch(                xyA=scale_coords[scale_idx],  # 起点坐标                xyB=anchor_coords[var_name],  # 终点坐标                coordsA="data",  # 坐标系类型                coordsB="data",                axesA=ax,  # 所属坐标轴                axesB=ax,                arrowstyle="-",  # 箭头样式                connectionstyle=f"arc3,rad={current_rad}",                color=color,  # 线条颜色                linewidth=lw,  # 线条宽度                alpha=0.8,  # 透明度                zorder=4  # 图层顺序            )            ax.add_patch(con)  # 添加连接线到坐标轴

    legend_left = n_vars + 3  # 设置图例左边缘的 x 坐标    # 添加颜色条的子坐标轴    cax = fig.add_axes([0.82,   # 左                        0.60,# 下                        0.011,# 宽                        0.15])# 高    # 创建颜色条    cb = plt.colorbar(plt.cm.ScalarMappable(norm=norm, cmap=cmap),cax=cax)    # 颜色条标题    cb.set_label("Pearson's r",fontsize=12,labelpad=10,color=text_color)    # 设置颜色条刻度参数    cb.ax.yaxis.set_tick_params(color=text_color, labelcolor=text_color)    cb.outline.set_edgecolor(text_color)  # 颜色条边框颜色    # 遍历 p 值图例项    for label, color in [('p <= 0.001', p_colors['high']),                         ('0.001 < p <= 0.01', p_colors['med']),                         ('0.01 < p <= 0.05', p_colors['low']),                         ('p > 0.05', p_colors['none'])]:        # 网络线颜色图例圆点        ax.scatter(legend_left-1.5,  #x                   p_legend_y,#y                   s=120,#大小                   c=color,#颜色                   edgecolors='none')#不要边缘线        # 绘制图例文字        ax.text(legend_left -1, #x                p_legend_y,#y                label.replace('<=', r'$\leq$').replace('<', '$<$'),  #文本                va='center',  # 垂直居中                fontsize=11,#大小                color=text_color)#颜色        # 绘制文本        ax.text(legend_left +0.15,  #x                r_legend_y,#y                "{:.2f}".format(r_val),  # 文本                va='center',  # 垂直居中                fontsize=11,#大小                color=text_color)#颜色        r_legend_y -= 0.8  # 向下移动坐标

# =========================================================================================# ======================================2.颜色库=======================================# =========================================================================================if __name__ == "__main__":    target_file = r'data.xlsx'  #输入数据    var_slice_obj = slice(0, 18)    # 变量数据    scale_slice_obj = slice(18, 22)  # 目标数据    df = pd.read_excel(target_file, sheet_name=0)  # 读取    df_vars = df.iloc[:, var_slice_obj]  # 获取变量数据    df_scales = df.iloc[:, scale_slice_obj]  # 获取目标数据    variables = df_vars.columns.tolist()  # 获取变量名称    scales = df_scales.columns.tolist()  # 获取目标名称    # 实例化标准化器    scaler = StandardScaler()    # 对变量数据标准化，并转回 DataFrame (保持列名和索引，方便后续 corr 计算)    df_vars_std = pd.DataFrame(scaler.fit_transform(df_vars),                               columns=df_vars.columns,                               index=df_vars.index)    # 对尺度数据标准化，并转回 DataFrame    df_scales_std = pd.DataFrame(scaler.fit_transform(df_scales),                                 columns=df_scales.columns,                                 index=df_scales.index)    left_data = df_vars_std.values  # 获取变量数据的 numpy 数组    right_data = df_scales_std.values  # 获取目标数据的 numpy 数组    n_left = left_data.shape[1]  # 获取右侧变量数量    n_right = right_data.shape[1]  # 获取左侧目标数量    mantel_r = np.zeros((n_left, n_right))  # 初始化存储 Mantel r 值的零矩阵    mantel_p = np.zeros((n_left, n_right))  # 初始化存储 Mantel p 值的零矩阵    mantel_df = pd.DataFrame(mantel_results_list)  # 将结果列表转换为 DataFrame    corr_matrix = df_vars.corr(method='pearson')  # 计算右侧变量间的皮尔逊相关系数矩阵    corr_r = corr_matrix.values  # 获取相关系数数值矩阵    corr_p_matrix = np.zeros((n_left, n_left))  # 初始化相关系数 p 值矩阵    df_corr_p = pd.DataFrame(corr_p_matrix, index=variables, columns=variables)    with pd.ExcelWriter(output_excel_path, engine='openpyxl') as writer:        # Mantel Test        mantel_df.to_excel(writer, sheet_name='Mantel_Results', index=False)        # 变量间相关系数        corr_matrix.to_excel(writer, sheet_name='Pearson_R_Matrix')        #变量间相关性显著性        df_corr_p.to_excel(writer, sheet_name='Pearson_P_Matrix')

SCHEME_ID = 18 

2.设置绘图结果的保存路径：

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

target_file = r'data.xlsx'  #输入数据

4.提取数据：

var_slice_obj = slice(0, 18)    # 变量数据scale_slice_obj = slice(18, 22)  # 目标数据

5.设置要计算的距离矩阵，注意原文并非使用这种矩阵，我这是因为数据原因，需要根据实际情况进行修改：

dist_matrix_right = squareform(pdist(var_right_col, metric='euclidean'))

6.执行mantel检验：

r, p, _ = mantel(dist_matrix_left, dist_matrix_right, method='spearman', permutations=9999)  # 执行 Mantel 检验

output_excel_path = r'results.xlsx'