Python绘图实战:基于GridSpec构建多面板回归预测与边缘分布组合图

这张图的结构非常有意思，它采用了 2行 × 3列 的大布局，但每个子图内部又是一个 “三合一” 的微型系统。

1. 主图层 (Main Scatter)：位于中心，展示 $y{ML}$ (预测) 与 $y{Experimental}$ (实验) 的关系。这是视觉重心。

2. 对角线 (Identity Line)：那条 $y=x$ 的蓝线。它是“完美预测”的基准线。点越贴近线，模型越准。

3. 边缘图层 (Marginal Plots)：

• 顶部 Ax：展示 X 轴（实验值）的密度分布。

• 右侧 Ax：展示 Y 轴（预测值）的密度分布。

• 细节：原图用的是带填充的 KDE（核密度估计），并且区分了训练集（Train）和测试集（Test）的分布，这非常关键！它能直接反映出模型是否在训练集过拟合（训练集分布完美，测试集分布跑偏）。

4. 指标铭牌 (Metrics Box)：右下角的文字块。这不是随便写的，而是对其了位置，使用了等宽字体或精确排版，让 R2、MAE 等指标一目了然。

🍰 核心技巧 (The Trick)

这里的技术难点在于布局的嵌套。

普通的 plt.subplots(2, 3) 只能给你 6 个格子。但我们需要在每个格子里，再“抠”出顶部和右侧的空间给边缘图。

这就好比装修房子，普通做法是把房间隔成 6 间卧室；而高级做法是，在每间卧室里，还要再隔出一个衣帽间和一个独立卫浴。

解决方案：我们将使用 Matplotlib 的 GridSpec 或者 axes_grid1 工具包来实现这种“房中房”的精细布局。

🎨 配色 (Palette)

• 红色 (Train)：高饱和度，警示、突出。

• 蓝色 (Test)：冷色调，代表验证、客观。

• 背景：纯白，无网格（或极淡），最大程度减少视觉干扰。

• 文字：黑色衬线体或 Times New Roman，符合学术出版规范。

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

def plot_joint_panel(fig, outer_grid, model_name, y_train, pred_train, y_test, pred_test):    """    在指定的 outer_grid 区域内，绘制散点+边缘密度图    """    # 1. 在当前的大格子里，再切分出 3 个小格子：中间主图，上面边缘，右边边缘    # width_ratios 和 height_ratios 决定了边缘图的相对大小 (这里是 4:1)    gs_inner = gridspec.GridSpecFromSubplotSpec(        2, 2, subplot_spec=outer_grid,        width_ratios=[4, 1], height_ratios=[1, 4],        wspace=0.05, hspace=0.05 # 紧凑布局    )    # 2. 创建三个 Axes    ax_main = fig.add_subplot(gs_inner[1, 0]) # 主散点图    ax_top = fig.add_subplot(gs_inner[0, 0], sharex=ax_main) # 顶部 X 分布    ax_right = fig.add_subplot(gs_inner[1, 1], sharey=ax_main) # 右侧 Y 分布    # 3. 绘制主散点图 (Main Scatter)    # 训练集：红色，圆形    ax_main.scatter(y_train, pred_train, c='#d62728', s=15, alpha=0.7, label='train', edgecolor='w', linewidth=0.3)    # 测试集：蓝色，圆形    ax_main.scatter(y_test, pred_test, c='#1f77b4', s=15, alpha=0.7, label='test', edgecolor='w', linewidth=0.3)    # 添加对角线 (Identity Line)    ax_main.plot([0, 1], [0, 1], color='gray', linestyle='--', alpha=0.6, linewidth=1, zorder=0)    # 4. 绘制边缘密度图 (Marginal KDE)    # 顶部 (X轴分布)    sns.kdeplot(x=y_train, ax=ax_top, color='#d62728', fill=True, alpha=0.3, linewidth=1)    sns.kdeplot(x=y_test, ax=ax_top, color='#1f77b4', fill=True, alpha=0.3, linewidth=1)    # 右侧 (Y轴分布) - 注意这里是 y=...，Seaborn 会自动竖着画    sns.kdeplot(y=pred_train, ax=ax_right, color='#d62728', fill=True, alpha=0.3, linewidth=1)    sns.kdeplot(y=pred_test, ax=ax_right, color='#1f77b4', fill=True, alpha=0.3, linewidth=1)    # 5. 美化与清理 (Cosmetics)    # 隐藏边缘图的多余坐标轴    plt.setp(ax_top.get_xticklabels(), visible=False)    plt.setp(ax_top.get_yticklabels(), visible=False)    plt.setp(ax_right.get_xticklabels(), visible=False)    plt.setp(ax_right.get_yticklabels(), visible=False)    # 去除边缘图的边框 (Spines)，让图看起来更轻盈    for spine in ax_top.spines.values(): spine.set_visible(False)    for spine in ax_right.spines.values(): spine.set_visible(False)    # 但保留连接处的底边和左边，如果不喜欢也可以全去    ax_top.spines['bottom'].set_visible(True)    ax_right.spines['left'].set_visible(True)    # 标注模型名称    ax_main.text(0.5, 0.9, model_name, transform=ax_main.transAxes,                  ha='center', va='top', fontsize=14, fontweight='bold')    # 计算并标注指标 (只算 Test 集作为示例)    r2 = r2_score(y_test, pred_test)    mae = mean_absolute_error(y_test, pred_test)    mse = mean_squared_error(y_test, pred_test)    rmse = np.sqrt(mse)    text_str = f"R2: {r2:.5f}\nMAE: {mae:.5f}\nMSE: {mse:.5f}\nRMSE: {rmse:.5f}"    ax_main.text(0.95, 0.05, text_str, transform=ax_main.transAxes,                 ha='right', va='bottom', fontsize=10, fontweight='bold',                 bbox=dict(facecolor='white', alpha=0.8, edgecolor='none'))    # 设置范围    ax_main.set_xlim(-0.05, 1.05)    ax_main.set_ylim(-0.05, 1.05)    return ax_main

# 创建画布fig = plt.figure(figsize=(15, 10)) # 宽15，高10# 定义外部 GridSpec：2行3列outer_gs = gridspec.GridSpec(2, 3, figure=fig, wspace=0.25, hspace=0.3)# 循环绘制axes_list = []for i, name in enumerate(models):    # 获取数据    y_train, pred_train = data_dict[name]['train']    y_test, pred_test = data_dict[name]['test']    # 调用核心函数，传入当前的格子位置 outer_gs[i]    ax = plot_joint_panel(fig, outer_gs[i], name, y_train, pred_train, y_test, pred_test)    axes_list.append(ax)# 添加统一的图例 (只在第一个图加，或者统一放在外面)# 这里我们手动给第一个图加图例axes_list[0].legend(loc='upper left', frameon=False, handletextpad=0.1)# 添加全局坐标轴标签 (如果不想要每个子图都写 label)# 简单的做法是直接在每个 ax 上设，但为了整洁，我们只在边缘的图设for i, ax in enumerate(axes_list):    # 第一列加 Y labelif i % 3 == 0:        ax.set_ylabel('y ML (Predicted)', fontsize=12, fontweight='bold')    # 最后一行加 X labelif i >= 3:        ax.set_xlabel('y Experimental (True)', fontsize=12, fontweight='bold')# 保存图片plt.savefig('Comparison_SOP_Replication.png', dpi=300, bbox_inches='tight')plt.show()print("✅ 复刻完成！图片已保存。")