期刊配图复现 | 手把手教你用 Python 绘制 SHAP 全局与局部解释组合图
- 2026-01-29 18:10:55
01
前言
在机器学习辅助材料发现（Materials Discovery）的浪潮中，我们经常面临一个痛点：模型跑分很高，但审稿人总问“Why？”—为什么你的模型认为这个材料好？这时候，单纯的R^2或 RMSE 已经无法满足顶刊对“机理解释”的渴望。
今天要复刻的这张图，来自 Journal of Environmental Chemical Engineering (2025) 的一篇关于 MOF 甲烷吸附的研究 。作者不仅仅预测了吸附量，更使用了 SHAP (Shapley Additive Explanations) 方法，通过一张极其优雅的 “Bar + Beeswarm” 组合图（即文中 Fig. 3），一站式展示了特征的全局重要性（Global Importance）和局部影响方向（Local Interpretation） 。
这张图的精妙之处在于：左边告诉你“谁重要”，右边告诉你“它是怎么影响结果的（正相关还是负相关）”。很多同学直接调用 shap 库的默认绘图函数，往往面临字体无法统一、DPI 不够、无法排版进大图的尴尬。
今天，我们就用 Python (Matplotlib)，把这张图从底层逻辑完整复现。我们要做的不是简单的“调包”，而是像搭积木一样，把左边的条形图和右边的蜂群图精准对齐，并注入符合出版要求的审美灵魂。
02
原图解析
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”。只有看懂了结构，才能写对代码。
🦴 骨架 (Structure)：这是一个典型的 双面板（Two-panel） 布局。
左面板：水平条形图 (Horizontal Bar Chart)。X 轴是 SHAP 绝对值的平均值（Mean Absolute SHAP Value），代表特征的“统治力”；Y 轴是特征名称。
右面板：蜂群图 (Beeswarm/Strip Plot)。X 轴是 SHAP Value（实际贡献值），Y 轴与左图严格对齐。每一个点代表一个样本（MOF 结构）。
布局技巧：这两个图必须共享 Y 轴的刻度位置，但左图只显示标签，右图隐藏 Y 轴标签，中间留出极小的缝隙（Gap），形成视觉上的连贯性。
🍰 核心技巧 (The Trick)：
对齐的艺术：右图的散点必须准确地落在左图对应条形的“中心线”上。这需要极高精度的坐标控制。
颜色映射：右图使用了 “红-蓝”发散色阶（Red-Blue Diverging Colormap）。红色代表特征值高（High Feature Value），蓝色代表特征值低（Low Feature Value）。注意，这里颜色的含义是“特征本身的数值”，而点的位置（X轴）代表“对预测结果的影响”。
🎨 配色 (Palette)：
左边条形图使用了稳重的 深蓝色 (
#1f77b4变体)，带有黑色边框，强调确定性。右边使用了
Coolwarm或类似的渐变色，同时配合半透明度（Alpha），处理大量样本重叠带来的视觉拥堵问题。
论文原图
Sub-section 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：
这张图揭示了在 5.8 bar 低压条件下，哪些 MOF 特征决定了甲烷吸附量 。
左图排序：排第一的
f-lig-S-2（配体共价半径相关特征）柱子最长，说明它对模型预测的影响最大 。右图趋势：看
f-lig-S-2对应的右侧散点。红点（特征值高）主要分布在 0 线右侧（SHAP > 0），蓝点（特征值低）在左侧。这意味着：该特征数值越大，越能提升甲烷吸附量（正相关） 。反直觉现象：看第五个特征
Vf(孔隙率相关)。它的红点（高 Vf）竟然分布在左侧（SHAP < 0）！这说明在低压下，过大的孔隙率反而可能不利于吸附（或者说某种特定范围更优），这与我们通常认为的“孔越大吸附越多”形成了有趣的科学反差 。
看懂了吗？左边看“地位”，右边看“态度”。
03
代码复刻
Step 1 全局配置
“高手画图，都是先立规矩。” 我们先定义好字体、字号和线条粗细，确保出图就是期刊标准，不用后期在 AI 里一个个改字。
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
Step 2 画布构建
这里不能简单用 plt.subplots(1, 2)。因为原文中，左图（Bar）和右图（Beeswarm）的宽度比例不是 1:1，而且中间的间距（wspace）需要精细控制。我们要用 GridSpec 来切蛋糕。
# 2. 构建画布与网格布局fig = plt.figure(figsize=(10, 6), dpi=150)# width_ratios=[1, 1.5]: 让右边的散点图宽一点，展示更多细节# wspace=0.05: 让两张图紧紧挨在一起，看起来像一张图gs = gridspec.GridSpec(1, 3, width_ratios=[0.8, 1.2, 0.05], wspace=0.05)ax_bar = fig.add_subplot(gs[0]) # 左面板ax_bee = fig.add_subplot(gs[1]) # 右面板ax_cbar = fig.add_subplot(gs[2]) # 色条面板 (最右侧细条)# 锁定 Y 轴范围，确保两图每一行严格对齐y_pos = np.arange(n_features)ax_bar.set_ylim(-0.5, n_features - 0.5)ax_bee.set_ylim(-0.5, n_features - 0.5)# 隐藏右图的 Y 轴刻度标签，因为它共享左图的标签ax_bee.set_yticks([])# 但保留 Y 轴的 Tick 线吗？原文中右图中间有一条灰线，我们稍后处理
这一步比较基础，但要注意细节：颜色选择深蓝色，加上黑色边框增加质感。
# 3. 绘制左图：Global Interpretation(Bar Chart)# 使用 barh 绘制水平条形图bars = ax_bar.barh(y_pos, importance, height=0.6,color='#1f77b4', edgecolor='black', linewidth=0.8, zorder=3)# 设置标签ax_bar.set_yticks(y_pos)ax_bar.set_yticklabels(feature_names, fontsize=11, fontweight='bold')ax_bar.set_xlabel('mean absolute SHAP value', fontsize=11)# 美化左图：去顶线和右线ax_bar.spines['top'].set_visible(False)ax_bar.spines['right'].set_visible(False)ax_bar.xaxis.set_ticks_position('bottom')ax_bar.yaxis.set_ticks_position('left')# 添加网格线，放在底层 (zorder=0)ax_bar.grid(axis='x', linestyle='--', alpha=0.5, zorder=0)# 反转 X 轴？不，原文是正常的。但为了好看，我们可以留点余量ax_bar.set_xlim(0, max(importance) * 1.1)# 标题ax_bar.set_title("Global interpretation", fontsize=12, pad=10)
Step 4 右面板：蜂群散点图 (Beeswarm Plot)
这是整张图的灵魂。我们需要模拟 shap 库的抖动效果。这里我用了一个简单的随机抖动（Jitter）技巧来实现蜂群效果，配合颜色映射。
# 4. 绘制右图：Local Interpretation(Beeswarm Style)# 定义颜色映射：从蓝(低)到红(高)cmap = plt.get_cmap('coolwarm')norm = mcolors.Normalize(vmin=0, vmax=1) # 归一化特征值# 循环绘制每一行特征的散点for i in range(n_features):# 提取当前特征的数据s_vals = shap_vals[i] # SHAP 值 (X坐标)f_vals = feature_vals[i] # 特征值 (颜色)# 核心技巧：计算 Jitter (Y坐标抖动)# 这里用简单的随机抖动模拟蜂群效果# 实际项目中可以使用核密度估计来做更完美的 beeswarmy_jitter = np.random.normal(loc=i, scale=0.08, size=n_samples)# 限制抖动范围，防止点溢出到别的行y_jitter = np.clip(y_jitter, i - 0.3, i + 0.3)# 绘制散点sc = ax_bee.scatter(s_vals, y_jitter,c=f_vals, cmap=cmap, norm=norm,s=15, alpha=0.7, edgecolors='none', zorder=3)# 添加基准线 x=0ax_bee.axvline(x=0, color='gray', linestyle='-', linewidth=1, zorder=1)# 添加行分割虚线for y in y_pos:ax_bee.axhline(y=y, color='gray', linestyle=':', alpha=0.3, zorder=0)ax_bee.set_xlabel('SHAP value', fontsize=11)ax_bee.set_title("Local interpretation", fontsize=12, pad=10)# 美化右图：只保留底轴ax_bee.spines['top'].set_visible(False)ax_bee.spines['left'].set_visible(False) # 这一步很关键，隐藏左轴线ax_bee.spines['right'].set_visible(False)
Step 5 注入灵魂
最后，我们要把色条（Legend）加上去。原文的色条不是在下面，而是在右侧，并且标注了 "Low" 和 "High"。
# 5. 添加色条 (Colorbar)# 在我们预留的 ax_cbar 上画色条cb = plt.colorbar(sc, cax=ax_cbar, orientation='vertical')# 设置色条标签：只显示 Low 和 Highax_cbar.set_ylabel('Feature value', fontsize=11, labelpad=10)# 隐藏中间刻度，只保留两端文本cb.set_ticks([])# 手动添加文本ax_cbar.text(1.5, 0.02, 'Low', transform=ax_cbar.transAxes, ha='left', va='center', color='black')ax_cbar.text(1.5, 0.98, 'High', transform=ax_cbar.transAxes, ha='left', va='center', color='black')# 调整色条样式cb.outline.set_visible(False) # 去掉色条边框，更有现代感# 最终布局调整plt.tight_layout() # 虽然用了GridSpec，有时候微调还是需要的plt.show()
对比我们生成的图（复刻图）和原图 ：
结构：左右面板的比例和对齐方式完全复刻了原图的逻辑。
细节：左图的 Bar 带有黑色边框，增加了硬朗感；右图的散点通过
alpha参数处理了重叠，这在原图处理几万个数据点时尤为重要。改进：原图中右侧散点图的 y 轴其实有一条灰色的轴线（spine），我们在代码中通过
ax_bee.spines['left'].set_visible(False)去掉了，这在现代审美中更显干净，当然如果你想 100% 还原，可以设为True并把颜色设淡。
复刻图
04
多配色参考
多配色参考
05
代码获取
👇 关注公众号【嗡嗡的Python日常】
🚫 关于源码： 本文核心代码为原创定制，暂不免费公开。
✅ 如果你需要：
购买本项目完整源码 + 数据
定制类似的科研绘图
请直接添加号主微信沟通（有偿分享☕️）： Wjtaiztt0406
微信号丨Wjtaiztt0406
