期刊图片复现|Python绘制概率密度分布对比图

import matplotlib.pyplot as pltimport numpy as npimport pandas as pdfrom scipy.stats import gaussian_kdeimport osfrom matplotlib.lines import Line2Dimport matplotlib

COLOR_SCHEMES = {    1: {'rural': '#003f5c', 'urban': '#d45087'},}# 设置配色方案SCHEME_ID  = 40#获取颜色方案colors = COLOR_SCHEMES.get(SCHEME_ID, COLOR_SCHEMES[1])

def plot_single_ax(ax, key, r_vals, u_vals, colors, title, is_log=False):    # 数据的核密度估计    density_r = gaussian_kde(r_vals)    density_u = gaussian_kde(u_vals)    # 生成X轴的数据点，范围覆盖两组数据的最小值到最大值    xs = np.linspace(min(min(r_vals), min(u_vals)), max(max(r_vals), max(u_vals)), 200)    # 需要对数坐标    if is_log:        xs = np.logspace(np.log10(max(0.1, min(r_vals))), np.log10(max(r_vals)), 200)

         # 绘制乡村/城市数据的密度曲线        ax.plot(xs, density_r(xs), color=colors['rural'], linewidth=3)        ax.plot(xs, density_u(xs), color=colors['urban'], linewidth=3)        # 填充曲线下的区域 (带透明度)        ax.fill_between(xs, density_r(xs), color=colors['rural'], alpha=0.2)        ax.fill_between(xs, density_u(xs), color=colors['urban'], alpha=0.2)

    # 绘制均值虚线    ax.axvline(np.mean(r_vals), color=colors['rural'], linestyle='--', linewidth=3)    ax.axvline(np.mean(u_vals), color=colors['urban'], linestyle='--', linewidth=3)    # 设置子图标题、边框线宽和刻度样式    ax.set_title(title, loc='left', fontweight='bold', fontsize=16)    # 刻度标签设为粗体并开启网格    for label in ax.get_xticklabels() + ax.get_yticklabels():        label.set_fontweight('bold')    ax.grid(True, linestyle=':', alpha=0.6)

def draw_figures(data):    # 创建 3x3 的组合画布    fig_main, axes_main = plt.subplots(3, 3, figsize=(22, 10))    axes_main = axes_main.flatten()    for i, (key, ax_main) in enumerate(zip(data.keys(), axes_main)):        r_vals = data[key]['rural']        u_vals = data[key]['urban']        is_log = (key == 'Daily Pr')        current_title = f"{chr(97 + i)}. {key}" # 生成 a. b. c. 编号标题

        # 同时为每一个变量创建一个单独的画布并保存        fig_single, ax_single = plt.subplots(figsize=(8, 5))        plot_single_ax(ax_single, key, r_vals, u_vals, colors, current_title, is_log=is_log)        ax_single.set_ylabel('Probability density', fontsize=12, fontweight='bold')        # 保存并关闭，释放内存        fig_single.savefig(fr'{key}_Scheme{SCHEME_ID}.png', dpi=300, bbox_inches='tight')        plt.close(fig_single)

        # 同时为每一个变量创建一个单独的画布并保存        fig_single, ax_single = plt.subplots(figsize=(8, 5))        plot_single_ax(ax_single, key, r_vals, u_vals, colors, current_title, is_log=is_log)        ax_single.set_ylabel('Probability density', fontsize=12, fontweight='bold')        # 保存并关闭，释放内存        fig_single.savefig(fr'{key}_Scheme{SCHEME_ID}.png', dpi=300, bbox_inches='tight')        plt.close(fig_single)

if __name__ == "__main__":    # 读取数据    df = pd.read_excel(r'Data.xlsx')    data = {}    processed_vars = set()    # 遍历列名，寻找成对的 Rural 和 Urban 数据    for col in df.columns:        if col.endswith('_Rural'):            base_name = col[:-6] # 获取变量名前缀            if base_name not in processed_vars and f"{base_name}_Urban" in df.columns:                r_data = df[f"{base_name}_Rural"].dropna().values                u_data = df[f"{base_name}_Urban"].dropna().values                data[base_name] = {'rural': r_data, 'urban': u_data}                processed_vars.add(base_name)    # 调用绘图函数    draw_figures(data)

SCHEME_ID  = 40

2.设置要提取的数据：

r_vals = data[key]['rural']u_vals = data[key]['urban']

fig_single.savefig(fr'{key}_Scheme{SCHEME_ID}.png', dpi=300, bbox_inches='tight')# 关闭

4.设置组合图保存地址：

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

df = pd.read_excel(r'Data.xlsx')