期刊复现 | Python绘制“镜像玫瑰”组合图,揭示多维模型性能差异

• 🦴 骨架 (Structure)：

  这张图本质上不是雷达图（Radar Chart），而是径向柱状图（Radial Bar Chart）。

• 双核驱动：它由左右两个子图组成，左边展示 RMSE（误差，越小越好），右边展示 $R^2$（拟合度，越高越好）。

• 镜像布局：最妙的设计在于“赤道线”。每个圆被一条水平线一分为二。上半球代表 5.8 bar 低压环境，下半球代表 65 bar 高压环境。这种“上下对视”的布局，让读者能瞬间对比不同压力下的模型表现。

• 花瓣排列：5 种机器学习模型（MTL, GPR, EoT, KAR, RT）像花瓣一样沿着圆周排列。

• 🍰 核心技巧 (The Trick) —— “三明治图层法”：

  注意看柱子的颜色。每个扇区里其实叠了两层柱子：

• 底层（蓝色）：原始预测模型（Original prediction models）。

• 顶层（黄色）：特征简化后的模型（Feature-simplified models）。

• 玄机：作者巧妙地利用了柱子的宽度和层级。通过叠加，我们可以直观地看到简化后的模型（黄色）是否覆盖了原始模型（蓝色），或者差距有多大。这就是我们常说的“信息分层”。

• 🎨 配色 (Palette)：

• 天青色 (Cyan, #33CCFF)：代表原始模型，冷静、科技感。

• 鹅黄色 (Pale Yellow, #FFFF99)：代表简化模型，明亮、轻快。

• 这种冷暖对比在白色背景下非常醒目，且符合学术出版的灰度打印可读性要求。

论文原图

2. 读懂神图 (Scientific Decoding)

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

这篇文章  是用机器学习筛选金属有机框架（MOFs）来吸附甲烷。作者不仅训练了模型，还发现用 190 个特征太慢了，于是用 SHAP 值挑出了最重要的 10 个特征。

这张图就是“汇报演出”：

• 左图 (RMSE)：你看那些黄色的柱子（简化模型）和蓝色的柱子（原始模型）高度差不差？如果在误差图里，黄色柱子没有比蓝色高太多，说明简化模型虽然特征少，但精度没掉多少。

• 右图 (R^2)：这是看分数的。满圆就是 1.0（完美）。你看 MTL（多任务学习）模型，无论在上半球（低压）还是下半球（高压），它的 $R^2$ 柱子都快顶到头了 ，说明它是“优等生”。

• 结论：作者想大声告诉你——“看！我把特征从 190 个砍到 10 个（黄色），性能几乎没缩水（和蓝色差不多），但我算得更快！” 。

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

# ==========================================# 2. 数据准备 (Data Engineering)# ==========================================# 模拟论文中的真实数据趋势 (参考原文 Table 4 & 6)# Models: [MTL, GPR, EoT, KAR, RT]models = ['MTL', 'GPR', 'EoT', 'KAR', 'RT']num_vars = len(models)# 角度计算：我们将圆分为 5 份？不对！# 观察原图，上下半球各排列了 5 个模型。# 所以我们需要把圆切成 12 份（或者更多），留出水平线的空隙。# 这里的策略是：上半球用 0-180度，下半球用 180-360度。# 每个半球放 5 个扇区。# 计算每个扇区的角度宽度theta_width = np.pi / (num_vars + 1) # 加1是为了留一点边距# 上半球角度 (20度到160度之间分布)angles_top = np.linspace(np.deg2rad(20), np.deg2rad(160), num_vars)# 下半球角度 (200度到340度之间分布)angles_bottom = np.linspace(np.deg2rad(200), np.deg2rad(340), num_vars)# 构造数据 (Data Construction)# 格式: {'Model': [Original_Val, Simplified_Val]}# RMSE 数据 (左图)rmse_data = {    '5.8bar': { # 上半球        'MTL': [0.375, 0.548], 'GPR': [0.406, 0.589], 'EoT': [0.405, 0.528],        'KAR': [0.560, 0.751], 'RT': [0.553, 0.636]    },    '65bar': { # 下半球        'MTL': [0.594, 0.765], 'GPR': [0.537, 0.768], 'EoT': [0.594, 1.321], # EoT simplified 误差较大        'KAR': [0.857, 1.326], 'RT': [0.980, 0.950]    }}# R2 数据 (右图) - 仅作示例结构，逻辑同上r2_data = {    '5.8bar': {        'MTL': [0.930, 0.851], 'GPR': [0.920, 0.830], 'EoT': [0.920, 0.860],        'KAR': [0.840, 0.720], 'RT': [0.850, 0.800]    },    '65bar': {        'MTL': [0.992, 0.987], 'GPR': [0.990, 0.980], 'EoT': [0.980, 0.980],        'KAR': [0.980, 0.960], 'RT': [0.878, 0.980]    }}print("✅ 数据结构已构建：准备映射到极坐标系...")

# ==========================================# 3. 核心绘图逻辑 (The Core Painter)# ==========================================def plot_mirror_radial(ax, data_dict, title_text, max_val, metric_type='RMSE'):    """    ax: 极坐标轴对象    data_dict: 数据字典 {'5.8bar':..., '65bar':...}    max_val: y轴最大刻度    metric_type: 用于调整颜色逻辑或柱子方向    """    # 颜色定义 (提取自原图)    color_orig = '#33CCFF'  # 鲜艳的天青色    color_simp = '#FFFF99'  # 柔和的鹅黄色    bar_width = 0.45        # 柱子宽度    # --- 绘制上半球 (5.8 bar) ---    vals_top = [data_dict['5.8bar'][m] for m in models]    # 解包数据：v[0]是Original, v[1]是Simplified    orig_top = [v[0] for v in vals_top]    simp_top = [v[1] for v in vals_top]    # 1. 画 Original (蓝色底座)    ax.bar(angles_top, orig_top, width=bar_width, color=color_orig,            edgecolor='black', linewidth=0.8, label='Original'if metric_type=='RMSE'else"", zorder=5)    # 2. 画 Simplified (黄色叠加)    # 技巧：为了不完全遮挡，可以将宽度稍微调小，或者依靠数据本身的大小关系    # 观察原图，黄色似乎是覆盖在上面的。    ax.bar(angles_top, simp_top, width=bar_width*0.7, color=color_simp,            edgecolor='black', linewidth=0.8, label='Simplified'if metric_type=='RMSE'else"", zorder=10)    # --- 绘制下半球 (65 bar) ---    vals_bot = [data_dict['65bar'][m] for m in models]    orig_bot = [v[0] for v in vals_bot]    simp_bot = [v[1] for v in vals_bot]    ax.bar(angles_bottom, orig_bot, width=bar_width, color=color_orig,            edgecolor='black', linewidth=0.8, zorder=5)    ax.bar(angles_bottom, simp_bot, width=bar_width*0.7, color=color_simp,            edgecolor='black', linewidth=0.8, zorder=10)    # --- 注入灵魂：装饰与标注 ---    # 1. 标签 (Models Label)    # 我们需要根据角度计算标签的位置和旋转    for angle, label in zip(np.concatenate([angles_top, angles_bottom]), models * 2):        rotation = np.rad2deg(angle)        # 文字对齐调整：下半球的文字如果直接转会倒过来，需要处理        if90 < rotation < 270:            rotation += 180            alignment = 'right'        else:            alignment = 'left'        ax.text(angle, max_val * 1.15, label, rotation=rotation,                 ha='center', va='center', fontweight='bold', fontsize=10)    # 2. 中间的分界线 (The Equator)    # 在极坐标里画直线比较麻烦，我们画两条射线    ax.plot([0, np.pi], [0, 0], color='black', linewidth=1, transform=ax.transData._b) # 极点    # 简单粗暴法：利用 grid    # 3. 刻度圈    ax.set_ylim(0, max_val * 1.3)    ax.set_yticklabels([]) # 隐藏默认刻度标签，我们自己画    ax.set_xticklabels([]) # 隐藏角度标签    ax.grid(True, linestyle='-', alpha=0.3, zorder=0)    # 4. 中心文字    ax.text(0, 0, title_text, ha='center', va='center', fontsize=14, fontweight='bold', zorder=20)    return ax

# ==========================================# 4. 组合画布 (Assembly)# ==========================================fig = plt.figure(figsize=(12, 6))# --- 左图：RMSE ---ax1 = fig.add_subplot(121, projection='polar')# RMSE 最大值约为 1.4plot_mirror_radial(ax1, rmse_data, "RMSE", max_val=1.4, metric_type='RMSE')# 手动添加左侧刻度尺 (Scale Bar)# 这是一个 trick：在极坐标外画一个普通的 axes 用于显示刻度ax_scale = fig.add_axes([0.05, 0.4, 0.02, 0.4]) # [left, bottom, width, height]ax_scale.axis('off')ax_scale.set_ylim(0, 1.4)ax_scale.plot([0, 0], [0, 1.4], 'k-', lw=1)# 画刻度线for y in np.arange(0.2, 1.5, 0.2):    ax_scale.plot([-0.5, 0], [y, y], 'k-', lw=1)    ax_scale.text(-1.0, y, f'{y:.1f}', va='center', ha='right', fontsize=10)# --- 右图：R2 ---ax2 = fig.add_subplot(122, projection='polar')# R2 最大值是 1.0 (或1.2以便美观)plot_mirror_radial(ax2, r2_data, "$R^2$", max_val=1.2, metric_type='R2')# --- 注入灵魂：添加压力指示箭头 ---# 这是一个纯几何装饰，用 fig.text 或 annotatedef add_pressure_arrow(x_pos, y_pos):    # 向上箭头 (5.8 bar)    plt.annotate('5.8 bar', xy=(x_pos, y_pos + 0.15), xytext=(x_pos, y_pos + 0.25),                 arrowprops=dict(facecolor='#00BFFF', shrink=0.05), ha='center', fontsize=12, fontweight='bold')    # 向下箭头 (65 bar)    plt.annotate('65 bar', xy=(x_pos, y_pos - 0.15), xytext=(x_pos, y_pos - 0.25),                 arrowprops=dict(facecolor='#00BFFF', shrink=0.05), ha='center', fontsize=12, fontweight='bold')    # 分割线    plt.plot([x_pos-0.05, x_pos+0.05], [y_pos, y_pos], 'k-', transform=fig.transFigure)# 在两个图中间添加指示# 这里为了简化，我们假设读者能看懂上下半球fig.text(0.5, 0.95, "Original vs Feature-simplified Models", ha='center', fontsize=14, fontweight='bold')# 添加图例import matplotlib.patches as mpatchesblue_patch = mpatches.Patch(color='#33CCFF', label='Original prediction models')yellow_patch = mpatches.Patch(color='#FFFF99', label='Feature-simplified models')fig.legend(handles=[blue_patch, yellow_patch], loc='upper center', bbox_to_anchor=(0.5, 0.92), ncol=2, frameon=False)plt.tight_layout()plt.show()