期刊图片复现|Python实现不同区域驱动因子归因分析棒棒糖图

import matplotlib.pyplot as pltimport numpy as npimport pandas as pdimport statsmodels.api as smfrom matplotlib.lines import Line2Dimport matplotlibplt.rcParams['font.family'] = 'serif'plt.rcParams['font.serif'] = ['Times New Roman']plt.rcParams['axes.unicode_minus'] = Falseplt.rcParams['mathtext.fontset'] = 'stix'

COLOR_SCHEMES = {    1: {'Climate': '#2E8B57', 'Anthro': '#2c3e50', 'Topo': '#E35F62'},}SCHEME_ID = 2  #使用的颜色方案current_colors = COLOR_SCHEMES.get(SCHEME_ID, COLOR_SCHEMES[1])  #提取颜色#不同类型指标的颜色COLOR_CLIMATE = current_colors['Climate']COLOR_ANTHRO = current_colors['Anthro']COLOR_TOPO = current_colors['Topo']

def perform_regression_from_excel(file_path):    excel_file = pd.ExcelFile(file_path)  # 加载 Excel 文件对象    indices = excel_file.sheet_names  # 获取所有工作表的名称    # 定义驱动因子在图表中的排列顺序    drivers_ordered = ['Evaporation', 'CAPE', 'Relative humidity', 'Eastward wind', 'AOD', 'Area trend', 'Elevation'][::-1]      analysis_results = {}  # 初始化用于存储回归分析结果的字典    scaler = StandardScaler()  # 初始化标准化器    # 循环处理每一个不同区域    for idx in indices:        df_raw = pd.read_excel(file_path, sheet_name=idx)  # 读取数据        # 对所有数据进行标准化（Z-score），使不同量纲的系数具有可比性        df_scaled = pd.DataFrame(scaler.fit_transform(df_raw), columns=df_raw.columns)          y = df_scaled['TARGET_VALUE']  #目标        X = df_scaled.drop(columns=['TARGET_VALUE'])  #自变量        # 整理结果        for driver in drivers_ordered:            c = coefs[driver] if driver in coefs else 0  # 如果变量存在则取系数，否则记为0            p = pvalues[driver] if driver in pvalues else 1  # 如果变量存在则取P值，否则记为1            plot_data.append({                'driver': driver,  #名称                'coef': c,  # 回归系数                'p_value': p,  #显著性检验 P 值                'significant': p < 0.05  # 判断并记录该因子是否显著（P < 0.05）            })        analysis_results[idx] = pd.DataFrame(plot_data)  # 将结果转为 DataFrame 并存入总字典    return analysis_results, drivers_ordered  # 返回所有回归分析结果和排序后的标签

def plot_figure_9(analysis_results, driver_labels):    # 创建 2 行 4 列的画布    fig, axes = plt.subplots(2, 4, figsize=(16, 8))    axes = axes.flatten()  # 将多维子图数组展平为一维方便循环处理    # 定义各驱动因子所属的分类及对应的颜色    group_colors = {        'Evaporation': COLOR_CLIMATE,        'CAPE': COLOR_CLIMATE,        'Relative humidity': COLOR_CLIMATE,        'Eastward wind': COLOR_CLIMATE,        'AOD': COLOR_ANTHRO,        'Area trend': COLOR_ANTHRO,        'Elevation': COLOR_TOPO    }    indices = list(analysis_results.keys())  # 获取所有需要绘图的工作表键名

for i, ax in enumerate(axes):  # 遍历每一个子图坐标轴        if i >= len(indices):  # 如果子图位置超出了数据量            ax.axis('off')  # 隐藏多余的子图坐标轴            continue        key = indices[i]  # 获取当前子图对应的指标名称        df = analysis_results[key]  # 获取对应的回归分析结果数据            ax.axhspan(0.55,  #y轴起始                       2.45,  #y轴终止                       xmin=-0.73,  # x 轴方向的起始比例                       xmax=0,   # x 轴方向的结束比例                       color=COLOR_ANTHRO,   # 颜色填充                       alpha=0.35,  # 透明度                       transform=ax.get_yaxis_transform(),  #坐标系                       zorder=0,                       clip_on=False)  # 允许在绘图框外显示色块            ax.axhspan(-0.45,  #y轴起始                       0.45,  #y轴终止                       xmin=-0.73,  # x 轴方向的起始比例                       xmax=0,   # x 轴方向的结束比例                       color=COLOR_TOPO,   # 颜色填充                       alpha=0.35,  # 透明度                       transform=ax.get_yaxis_transform(),  #坐标系                       zorder=0,                       clip_on=False)  # 允许在绘图框外显示色块

        # 遍历当前子图数据中的每一行驱动因子        for idx, row in df.iterrows():            driver = row['driver']  # 获取驱动因子名称            val = row['coef']  # 获取系数大小            is_sig = row['significant']  # 获取显著性状态            color = group_colors[driver]  # 获取该因子对应的颜色            y_pos = driver_labels.index(driver)  # 确定在 Y 轴上的显示位置            # 如果显著则填充白色，不显著则填充实心颜色            face_c = 'white' if is_sig else color            # 绘制回归系数的数值点            ax.plot(val,  # 在x                    y_pos,  #y                    marker='o',  # 点的形状                    markersize=8,  # 大小                    markerfacecolor=face_c,  # 内部填充颜色                    markeredgecolor=color,  #外边框颜色                    markeredgewidth=2,  # 边框的粗细                    zorder=3)

        # 设置 Y 轴刻度位置        ax.set_yticks(range(len(driver_labels)))        # 如果是第一列子图        if i % 4 == 0:            #y轴名称标签            ax.set_yticklabels(driver_labels,fontweight='bold',fontsize=15)            #Y轴标签与轴线的间距            ax.tick_params(axis='y',pad=15)        # 隐藏所有的坐标轴刻度线        ax.tick_params(axis='both',which='both',length=0,labelsize=16)        [label.set_fontweight('bold') for label in ax.get_xticklabels()]  # 遍历并设置 x 轴数值标注为加粗        [label.set_fontweight('bold') for label in ax.get_yticklabels()]  # 遍历并设置 y 轴数值标注为加粗        #子图的标题        ax.set_title(key,  #内容                     loc='left',  #位置                     fontweight='bold',  #加粗                     fontsize=16,  #大小                     pad=10)  #间距        #X轴固定范围        ax.set_xlim(-1, 1)        ax.xaxis.set_major_locator(ticker.MultipleLocator(0.5))  # 设置主刻度间隔        # X轴的垂直网格参考线        ax.grid(axis='x',  #x 轴                linestyle=':',  #网格线的样式                alpha=0.3)  # 透明度

    #x轴标题    fig.text(0.5,  #x             0.16,  #y             'Standardized Coefficient',  #文本             ha='center',  #水平对齐             va='center',  #垂直对齐             fontweight='bold',  #粗细             fontsize=16)  #字体大小    #创建图例    legend_elements = [        Line2D([0],  #x               [0],  #y               marker='o',  #标记形状               color='w',  #颜色               label='Topography',  #文本               markerfacecolor=COLOR_TOPO,  #点的填充颜色               markersize=10),  #圆点的大小        Line2D([0], [0], marker='o', color='w', label='Anthropogenic', markerfacecolor=COLOR_ANTHRO, markersize=10),        Line2D([0], [0], marker='o', color='w', label='Climate', markerfacecolor=COLOR_CLIMATE, markersize=10),    plt.subplots_adjust(wspace=0.15,  #子图之间的横向间距                        hspace=0.3,  #纵向间距                        bottom=0.22,  #底部                        left=0.18)  #左侧边缘

# =========================================================================================# ======================================2.颜色库=======================================# =========================================================================================if __name__ == "__main__":    input_excel = r'data.xlsx'  #输入数据    # 执行回归计算并获取结果    results, labels = perform_regression_from_excel(input_excel)    # 调用绘图函数    plot_figure_9(results, labels)

SCHEME_ID = 2  #使用的颜色方案

2.提取驱动因子：

drivers_ordered = ['Evaporation', 'CAPE', 'Relative humidity', 'Eastward wind', 'AOD', 'Area trend', 'Elevation'][::-1] 

y = df_scaled['TARGET_VALUE']  #目标

group_colors = {    'Evaporation': COLOR_CLIMATE,    'CAPE': COLOR_CLIMATE,    'Relative humidity': COLOR_CLIMATE,    'Eastward wind': COLOR_CLIMATE,    'AOD': COLOR_ANTHRO,    'Area trend': COLOR_ANTHRO,    'Elevation': COLOR_TOPO}

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

6.设置原始数据的路径：

input_excel = r'data.xlsx'  #输入数据

output_excel_path = r'regression_summary.xlsx'