期刊图片复现|Python绘制高颜值皮尔逊相关性分析+Mantel test检验热图

import numpy as npimport pandas as pdimport matplotlib.pyplot as pltfrom matplotlib.patches import FancyBboxPatchfrom matplotlib.colors import LinearSegmentedColormap, Normalizefrom scipy.stats import pearsonr, spearmanrfrom scipy.spatial.distance import pdist, squareform

COLOR_SCHEMES = {    1: {        'pearson': ["#35978f", "#f5f5f5", "#bf812d"],        'mantel': ["#c7eae5", "#80cdc1", "#35978f"]    }}SCHEME_ID = 60  # 选择使用的配色方案colors = COLOR_SCHEMES.get(SCHEME_ID, COLOR_SCHEMES[1])  #获取颜色方案cmap_pearson = LinearSegmentedColormap.from_list("p", colors.get('pearson'), N=100)  #相关性颜色cmap_mantel = LinearSegmentedColormap.from_list("m", colors.get('mantel'), N=100)  #Mantel检验颜色

def perform_pearson_analysis(env_df, bio_df):    common_index = env_df.index.intersection(bio_df.index)  # 获取索引，样本匹配    #筛选数据    env = env_df.loc[common_index]    bio = bio_df.loc[common_index]    r_matrix = pd.DataFrame(index=bio.columns, columns=env.columns, dtype=float)  # 初始化相关系数值矩阵    p_matrix = pd.DataFrame(index=bio.columns, columns=env.columns, dtype=float)  # 初始化p值矩阵    for row_var in bio.columns:  # 遍历x的每一列        for col_var in env.columns:  # 遍历y的每一列            r, p = pearsonr(bio[row_var], env[col_var])  #相关性性分析            r_matrix.loc[row_var, col_var] = r  #r值            p_matrix.loc[row_var, col_var] = p  #p值    return r_matrix, p_matrix

def perform_mantel_analysis(env_df, bio_df):    env_vars = env_df.columns  # x轴标签    bio_vars = bio_df.columns  # y轴标签    # 初始化结果矩阵    mantel_r = pd.DataFrame(index=bio_vars, columns=env_vars, dtype=float)    mantel_p = pd.DataFrame(index=bio_vars, columns=env_vars, dtype=float)    # 遍历x，y    for bio_name in bio_vars:        for env_name in env_vars:            # 提取数据            var_bio_col = bio_df[[bio_name]].values            var_env_col = env_df[[env_name]].values            # 计算距离矩阵            dist_matrix_bio = squareform(pdist(var_bio_col, metric='euclidean'))            dist_matrix_env = squareform(pdist(var_env_col, metric='euclidean'))            #分析            r, p, _ = mantel(dist_matrix_bio, dist_matrix_env, method='pearson', permutations=999)            #保存结果            mantel_r.loc[bio_name, env_name] = r            mantel_p.loc[bio_name, env_name] = p    return mantel_r, mantel_p

def plot_heatmap_square(ax, r_data, p_data, cmap, vmin, vmax, title):    rows, cols = r_data.shape  # 获取数据的行数和列数    ax.set_xlim(0, cols)  #X轴范围    ax.set_ylim(0, rows)  #Y轴范围    ax.invert_yaxis()  #反转Y轴    norm = Normalize(vmin=vmin, vmax=vmax)  # 创建颜色归一化对象    for i in range(rows):  #遍历行        for j in range(cols):  #遍历列            val = r_data.iloc[i, j]  #获取对应的r值            p_val = p_data.iloc[i, j]  #获取对应的p值            color = cmap(norm(val))  #根据r值获取颜色            if p_val < 0.01:  # 如果p值小于0.01                #添加文本                ax.text(j + 0.5,  #x                        i + 0.5,#y                        "**",  #文本内容                        ha='center',  #水平居中                        va='center',  #垂直居中                        color='black')  #字体颜色            elif p_val < 0.05:                ax.text(j + 0.5,#x                        i + 0.5,#y                        "*",  # 文本内容                        ha='center',#水平居中                        va='center',#垂直居中                        color='black')#字体颜色    ax.set_xticks(np.arange(cols) + 0.5)  #X轴刻度位置    #Y轴标签    ax.set_yticklabels(r_data.index, rotation=0)    ax.tick_params(length=0)  #设置刻度线    for spine in ax.spines.values():  # 遍历所有边框        spine.set_visible(False)  #隐藏边框    # 设置标题    ax.set_title(title,  # 内容                 loc='left',  #靠左                 fontsize=14,  #字体大小                 fontweight='bold',  #加粗                 pad=10)  #边距

def main_plot(results_dict, output_prefix):    # 创建画布    fig, axes = plt.subplots(2, 2, figsize=(16, 10))    plt.subplots_adjust(wspace=0.05, hspace=-0.3, right=0.9)  #调整子图间距    plot_heatmap_square(axes[0, 1], results_dict['B_r'],results_dict['B_p'],cmap_pearson,-1,1,"B  Nujiang River (Pearson)")    plot_heatmap_square(axes[1, 0], results_dict['C_r'], results_dict['C_p'],cmap_mantel,0,0.5,"C  Yellow River (Mantel)")    plot_heatmap_square(axes[1, 1], results_dict['D_r'],results_dict['D_p'],cmap_mantel, 0,0.5,"D  Nujiang River (Mantel)")    # 隐藏Y轴刻度，标签    axes[0, 1].set_yticks([])    axes[0, 1].set_yticklabels([])    axes[1, 1].set_yticks([])    axes[1, 1].set_yticklabels([])    # 隐藏x轴刻度，标签    axes[0, 0].set_xticks([])    axes[0, 0].set_xticklabels([])    axes[0, 1].set_xticks([])    axes[0, 1].set_xticklabels([])    # 第一个颜色条的轴位置    cbar_ax1 = fig.add_axes([0.92,#左                             0.55,#下                             0.012,#宽                             0.21])#高    cb1 = plt.colorbar(plt.cm.ScalarMappable(norm=Normalize(-1, 1), cmap=cmap_pearson), cax=cbar_ax1)  # 绘制颜色条    cb1.set_label("Pearson's r", rotation=270, labelpad=15)  #颜色条标题    cb1.outline.set_visible(False)  # 隐藏边    cbar_ax2 = fig.add_axes([0.92, 0.23, 0.012, 0.21])  #第二个颜色条的轴位置    cb2 = plt.colorbar(plt.cm.ScalarMappable(norm=Normalize(0, 0.5), cmap=cmap_mantel), cax=cbar_ax2)  #绘制颜色条    cb2.set_label("Mantel's r", rotation=270, labelpad=15)  #颜色条标题

if __name__ == "__main__":    file_path = r"data.xlsx"  #数据路径    # 读取数据    yr_env = pd.read_excel(file_path, sheet_name="YR_Env", index_col=0)# 执行皮尔逊分析    r_a, p_a = perform_pearson_analysis(yr_env, yr_bio)    r_b, p_b = perform_pearson_analysis(nj_env, nj_bio)    # 执行Mantel分析    r_c, p_c = perform_mantel_analysis(yr_env, yr_bio)    r_d, p_d = perform_mantel_analysis(nj_env, nj_bio)    main_plot(results, draw_path)  # 调用主绘图函数

SCHEME_ID = 1

2.设置绘图结果的保存路径：

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

file_path = r"data.xlsx"  #数据路径

yr_env = pd.read_excel(file_path, sheet_name="YR_Env", index_col=0)