Python 可视化进阶:手撸 SHAP 蜂巢图 + 混合相关性热图组合面板

上图主要由两部分组成，分别用于展示影响因子的重要性和相互关系，绘图思路和核心元素如下：

1. 左侧：SHAP 重要性条形图与蜂巢图结合

• 绘图目的：展示各因子对因变量的重要性及影响方向。

• 核心元素：

• Y 轴：列出所有影响因子（如 temp、sand、pre 等）。

• X 轴：SHAP 值，代表该因子对模型输出的影响程度。

• 条形长度：表示平均 SHAP 值（Mean |SHAP| value），条形越长，因子越重要。

• 颜色渐变：从蓝色（低特征值）到红色（高特征值），展示不同特征水平下的 SHAP 值分布。

• 百分比标注：每个因子后标注了其贡献度（如 36.79%），量化其相对重要性。

2. 右侧：相关性热力图（Correlation Heatmap）

• 绘图目的：展示各影响因子之间的线性相关关系。

• 核心元素：

• 红色：正相关（相关系数 > 0），颜色越深，正相关越强。

• 蓝色：负相关（相关系数 < 0），颜色越深，负相关越强。

• 白色：相关系数接近 0。

• 矩阵结构：行和列均为相同的影响因子，形成对称矩阵。

• 颜色编码：

• 数值标注：每个单元格内标注了相关系数（如 0.99、-0.85），精确量化相关性强度。

• 对角线：均为 1，表示因子与自身完全相关。

在机器学习模型解释性分析中， SHAP (SHapley Additive exPlanations) 无疑是目前的黄金标准。

通常我们在使用 shap.summary_plot 时，面临一个选择困难：

- Dot plot（蜂巢图） ：虽然能展示特征值高低对预测结果的正负影响分布，但很难一眼看出特征重要性的具体数值差异。

- Bar plot（条形图） ：能清晰地按重要性排序并显示数值，但丢掉了样本分布的细节信息。

- 双轴设计 ：底部 X 轴展示具体的 SHAP 值分布（正负影响），顶部 X 轴展示平均绝对 SHAP 值（整体重要性）。

- 图层叠加 ：利用 twiny() 共享 Y 轴。粉色的重要性条形图作为 半透明背景 显示，既不喧宾夺主，又能清晰展示长度差异；蜂巢散点图覆盖在上层，保留交互感。

- 数据可视化增强 ：在每个条形图的起始位置，自动计算并标注了具体的 重要性数值 和 百分比贡献 ，让图表的信息密度直接拉满。

- 对称美学 ：底部 X 轴自动以 0 为中心对称，方便观察正负向影响的平衡性。

-使用小提琴图代替蜂巢图，小提琴图和蜂巢图的区别如下：

import numpy as npfrom matplotlib.ticker import FormatStrFormatter# 创建主图（用来画蜂巢图）fig, ax1 = plt.subplots(figsize=(10.5, 4.8), dpi=1200)max_display = min(20, len(columns))# 先画蜂巢图（底部 x 轴：SHAP value）plt.sca(ax1)shap.summary_plot(    shap_values_test,    X_test,    feature_names=columns,    plot_type="violin",    max_display=max_display,    show=False,    color_bar=True,)ax1 = plt.gca()ax1.set_position([0.24, 0.18, 0.60, 0.72])_xmin, _xmax = ax1.get_xlim()_m_data = max(abs(_xmin), abs(_xmax))if np.isfinite(_m_data) and _m_data > 0:    _m_tick = _m_data    _m_lim = _m_tick * 1.12    ax1.set_xlim(-_m_lim, _m_lim)    ax1.set_xticks([-_m_tick, -_m_tick / 2.0, 0.0, _m_tick / 2.0, _m_tick])    ax1.xaxis.set_major_formatter(FormatStrFormatter("%.2f"))_bee_y_ticks = ax1.get_yticks()_bee_y_labels = [t.get_text() for t in ax1.get_yticklabels()]# 顶部 x 轴：Mean(|SHAP|) 的条形图（与蜂巢图共享 y 轴）ax2 = ax1.twiny()ax2.set_position(ax1.get_position())plt.sca(ax2)shap.summary_plot(    shap_values_test,    X_test,    feature_names=columns,    plot_type="bar",    max_display=max_display,    show=False,    color_bar=False,)# 让条形图作为背景显示，蜂巢图盖在上面ax2.set_ylim(ax1.get_ylim())ax2.set_yticks([])ax2.set_ylabel("")for bar in ax2.patches:    bar.set_facecolor("#f2a7b5")    bar.set_alpha(0.35)    bar.set_edgecolor("none")    bar.set_linewidth(0)ax2.set_zorder(0)ax1.set_zorder(1)ax1.patch.set_visible(False)# 在每个条形起点标注 mean(|SHAP|) 和百分比if hasattr(shap_values_test, "values"):    _sv = np.asarray(shap_values_test.values)else:    _sv = np.asarray(shap_values_test)_mean_abs_all = np.mean(np.abs(_sv), axis=0)_total = float(np.sum(_mean_abs_all)) if np.isfinite(np.sum(_mean_abs_all)) else 0.0_order = np.argsort(_mean_abs_all)[::-1][:max_display]_mean_abs_top = _mean_abs_all[_order]_total_top = float(np.sum(_mean_abs_top)) if np.isfinite(np.sum(_mean_abs_top)) else 0.0if len(_bee_y_labels) > 0:    ax1.set_yticks(_bee_y_ticks)    ax1.set_yticklabels(_bee_y_labels)_x_min, _x_max = ax2.get_xlim()_x0 = 0.0 if (_x_min <= 0.0 <= _x_max) else _x_min_x_text = _x0 + 0.01 * (_x_max - _x_min)_bars_sorted = sorted(    ax2.patches,    key=lambda b: (b.get_y() + b.get_height() / 2.0),    reverse=True,)_n = min(len(_bars_sorted), len(_mean_abs_top))for i in range(_n):    bar = _bars_sorted[i]    _y = bar.get_y() + bar.get_height() / 2.0    _v = float(_mean_abs_top[i])    _pct = (100.0 * _v / _total_top) if _total_top > 0 else 0.0    ax2.text(        _x_text,        _y,        f"{_v:.3f}({_pct:.2f}%)",        va="center",        ha="left",        fontsize=9,        color="black",        zorder=3,    )# 四边框与左侧刻度线（让特征名称更像示例图）for spine in ["top", "right", "bottom", "left"]:    ax1.spines[spine].set_visible(True)    ax1.spines[spine].set_linewidth(1.0)ax1.tick_params(axis="y", which="major", length=6, direction="out")ax1.yaxis.grid(True, linestyle=":", linewidth=0.6, alpha=0.4)ax1.set_axisbelow(True)# 轴标签与刻度位置（尽量贴近示例图）ax1.set_xlabel("SHAP value (impact on model output)", fontsize=12)ax1.set_ylabel("")ax2.set_xlabel("Mean (|SHAP| value)", fontsize=12)ax2.xaxis.set_label_position("top")ax2.xaxis.tick_top()plt.savefig("SHAP蜂巢图加重要性.png", dpi=800, bbox_inches="tight")plt.show()

当然也可以换成蜂巢图或者更换颜色分布，分别通过

plot_type和cmap两个参数进行设置。

import numpy as npfrom matplotlib.ticker import FormatStrFormatter# 创建主图（用来画蜂巢图）fig, ax1 = plt.subplots(figsize=(10.5, 4.8), dpi=1200)max_display = min(20, len(columns))# 先画蜂巢图（底部 x 轴：SHAP value）plt.sca(ax1)shap.summary_plot(    shap_values_test,    X_test,    feature_names=columns,    plot_type="dot",    max_display=max_display,    show=False,    color_bar=True,)ax1 = plt.gca()ax1.set_position([0.24, 0.18, 0.60, 0.72])_xmin, _xmax = ax1.get_xlim()_m_data = max(abs(_xmin), abs(_xmax))if np.isfinite(_m_data) and _m_data > 0:    _m_tick = _m_data    _m_lim = _m_tick * 1.12    ax1.set_xlim(-_m_lim, _m_lim)    ax1.set_xticks([-_m_tick, -_m_tick / 2.0, 0.0, _m_tick / 2.0, _m_tick])    ax1.xaxis.set_major_formatter(FormatStrFormatter("%.2f"))_bee_y_ticks = ax1.get_yticks()_bee_y_labels = [t.get_text() for t in ax1.get_yticklabels()]# 顶部 x 轴：Mean(|SHAP|) 的条形图（与蜂巢图共享 y 轴）ax2 = ax1.twiny()ax2.set_position(ax1.get_position())plt.sca(ax2)shap.summary_plot(    shap_values_test,    X_test,    feature_names=columns,    plot_type="bar",    max_display=max_display,    show=False,    color_bar=False,)# 让条形图作为背景显示，蜂巢图盖在上面ax2.set_ylim(ax1.get_ylim())ax2.set_yticks([])ax2.set_ylabel("")for bar in ax2.patches:    bar.set_facecolor("#f2a7b5")    bar.set_alpha(0.35)    bar.set_edgecolor("none")    bar.set_linewidth(0)ax2.set_zorder(0)ax1.set_zorder(1)ax1.patch.set_visible(False)# 在每个条形起点标注 mean(|SHAP|) 和百分比if hasattr(shap_values_test, "values"):    _sv = np.asarray(shap_values_test.values)else:    _sv = np.asarray(shap_values_test)_mean_abs_all = np.mean(np.abs(_sv), axis=0)_total = float(np.sum(_mean_abs_all)) if np.isfinite(np.sum(_mean_abs_all)) else 0.0_order = np.argsort(_mean_abs_all)[::-1][:max_display]_mean_abs_top = _mean_abs_all[_order]_total_top = float(np.sum(_mean_abs_top)) if np.isfinite(np.sum(_mean_abs_top)) else 0.0if len(_bee_y_labels) > 0:    ax1.set_yticks(_bee_y_ticks)    ax1.set_yticklabels(_bee_y_labels)_x_min, _x_max = ax2.get_xlim()_x0 = 0.0 if (_x_min <= 0.0 <= _x_max) else _x_min_x_text = _x0 + 0.01 * (_x_max - _x_min)_bars_sorted = sorted(    ax2.patches,    key=lambda b: (b.get_y() + b.get_height() / 2.0),    reverse=True,)_n = min(len(_bars_sorted), len(_mean_abs_top))for i in range(_n):    bar = _bars_sorted[i]    _y = bar.get_y() + bar.get_height() / 2.0    _v = float(_mean_abs_top[i])    _pct = (100.0 * _v / _total_top) if _total_top > 0 else 0.0    ax2.text(        _x_text,        _y,        f"{_v:.3f}({_pct:.2f}%)",        va="center",        ha="left",        fontsize=9,        color="black",        zorder=3,    )# 四边框与左侧刻度线（让特征名称更像示例图）for spine in ["top", "right", "bottom", "left"]:    ax1.spines[spine].set_visible(True)    ax1.spines[spine].set_linewidth(1.0)ax1.tick_params(axis="y", which="major", length=6, direction="out")ax1.yaxis.grid(True, linestyle=":", linewidth=0.6, alpha=0.4)ax1.set_axisbelow(True)# 轴标签与刻度位置（尽量贴近示例图）ax1.set_xlabel("SHAP value (impact on model output)", fontsize=12)ax1.set_ylabel("")ax2.set_xlabel("Mean (|SHAP| value)", fontsize=12)ax2.xaxis.set_label_position("top")ax2.xaxis.tick_top()plt.savefig("SHAP蜂巢图加重要性1.png", dpi=800, bbox_inches="tight")plt.show()

- 左下角 ：直接展示 相关系数数值 。不再只是冷冰冰的数字，数字颜色会随着相关性的强弱和正负发生渐变（红正蓝负），与右侧图例完美呼应。

- 右上角 ：这是最精彩的部分—— 动态扇形（Pie Chart）可视化 。

1. 填充面积 = 相关性强度

   - ∣ r ∣ ≈ 1 ：强相关。扇形几乎填满整个圆，视觉冲击力最强。

   - ∣ r ∣ ≈ 0 ：无相关。扇形面积极小甚至消失，留白更多。

   - 一眼看去 ：圆越满，关系越铁；圆越空，关系越淡。

2. 填充方向 = 相关性正负

   - 所有的扇形都以 12点钟方向 （正上方）为同一起跑线。

   - 正相关 (  r > 0 ) ：扇形向 右 （顺时针）展开，寓意“正向增长”。

   - 负相关 (  r < 0 ) ：扇形向 左 （逆时针）展开，寓意“反向背离”。

这种设计利用了人类对几何图形的直觉敏感度，比单纯比对颜色深浅要快得多，也能瞬间分清正负关系。

3. 显著性标记

   - 图表中还贴心地叠加了星号（***），直接标出 p 值显著性水平，做学术汇报必备！

这张图采用了 横向双面板布局 ，信息量极大但逻辑清晰：

左侧面板：SHAP 蜂巢图 + 重要性条形图

这是对模型预测逻辑的深度解剖：

- 特征排序 ：自上而下，特征重要性递减，一眼锁定关键因子。

- 红蓝蜂巢 ：展示特征值（红高蓝低）对模型输出的正负影响。

- 粉色背景条 ：量化展示平均绝对 SHAP 值 (Mean |SHAP|)，并直接标注了 具体的贡献数值和百分比 ，让定性分析瞬间变成定量分析。 

右侧面板：混合型 Pearson 相关性热图

这是对特征内部关系的全面体检：

- 数值+几何双显 ：左下角直接看相关系数数值（颜色渐变），右上角看扇形面积（大小代表强度，方向代表正负）。

- 特征映射 ：为了保持图表整洁，右图使用 X 1 , X 2... 代号，并在底部贴心地附上了与原始特征名的对照表。

import numpy as npimport pandas as pdimport shapimport matplotlib.pyplot as pltfrom matplotlib.cm import ScalarMappablefrom matplotlib.colors import Normalize, LinearSegmentedColormapfrom matplotlib.patches import Circle, Wedgefrom matplotlib.ticker import FormatStrFormattertry:    from scipy.stats import pearsonrexcept Exception:    pearsonr = Nonecolumns=['Pregnancies', 'Glucose', 'Blood', 'Skin',       'Insulin', 'BMI', 'Diab', 'Age']def pearson_corr_heatmap_mixed(ax, fig, x, feature_names, cmap, norm, cbar_pos, start_angle=-90.0):    df = pd.DataFrame(x, columns=feature_names)    corr = df.corr(method="pearson").to_numpy()    n = corr.shape[0]    pvals = None    if pearsonr is not None:        pvals = np.ones((n, n), dtype=float)        for i in range(n):            xi = df.iloc[:, i].to_numpy()            for j in range(n):                if i == j:                    pvals[i, j] = 0.0                else:                    _, pvals[i, j] = pearsonr(xi, df.iloc[:, j].to_numpy())    ax.set_xlim(-0.5, n - 0.5)    ax.set_ylim(n - 0.5, -0.5)    ax.set_aspect("equal")    for k in range(n + 1):        ax.plot([-0.5, n - 0.5], [k - 0.5, k - 0.5], color="#cfcfcf", lw=1)        ax.plot([k - 0.5, k - 0.5], [-0.5, n - 0.5], color="#cfcfcf", lw=1)    r_cell = 0.42    for i in range(n):        for j in range(n):            r = float(corr[i, j])            x0, y0 = j, i            if i == j:                ax.text(x0, y0, feature_names[i], ha="center", va="center", fontsize=14, color="#333333")                continue            if i > j:                ax.text(x0, y0, f"{r:.2f}", ha="center", va="center", fontsize=12, color=cmap(norm(r)), fontweight="bold")                continue            ax.add_patch(Circle((x0, y0), r_cell, facecolor="white", edgecolor="black", lw=1))            theta = 360.0 * abs(r)            if theta > 0:                start = float(start_angle)                if r >= 0:                    theta1, theta2 = start - theta, start                else:                    theta1, theta2 = start, start + theta                ax.add_patch(Wedge((x0, y0), r_cell, theta1=theta1, theta2=theta2, facecolor=cmap(norm(r)), edgecolor="none"))            if pvals is not None:                p = float(pvals[i, j])                stars = "***" if p < 0.001 else "**" if p < 0.01 else "*" if p < 0.05 else ""                if stars:                    ax.text(x0, y0, stars, ha="center", va="center", fontsize=12, color="#222222")    ax.set_xticks([])    ax.set_yticks([])    for spine in ["top", "right", "bottom", "left"]:        ax.spines[spine].set_visible(False)    cax = fig.add_axes(cbar_pos)    sm = ScalarMappable(norm=norm, cmap=cmap)    sm.set_array([])    cbar = fig.colorbar(sm, cax=cax)    cbar.set_ticks([-1, -0.5, 0, 0.5, 1])fig = plt.figure(figsize=(18, 5), dpi=1200)max_display = min(20, len(columns))_left_bee = [0.06, 0.18, 0.36, 0.72]_left_cb = [0.43, 0.18, 0.012, 0.72]_right_corr = [0.52, 0.18, 0.4, 0.72]_right_cb = [0.95, 0.18, 0.015, 0.72]ax1 = fig.add_axes(_left_bee)# 先画蜂巢图（底部 x 轴：SHAP value）plt.sca(ax1)shap.summary_plot(    shap_values_test,    X_test,    feature_names=columns,    plot_type="violin",    max_display=max_display,    show=False,    color_bar=True,)ax1 = plt.gca()ax1.set_position(_left_bee)fig.canvas.draw()_cb_ax = Nonefor _a in fig.axes:    if _a is not ax1 and _a.get_ylabel() == "Feature value":        _cb_ax = _a        breakif _cb_ax is not None:    _cb_ax.set_position(_left_cb)_xmin, _xmax = ax1.get_xlim()_m_data = max(abs(_xmin), abs(_xmax))if np.isfinite(_m_data) and _m_data > 0:    _m_tick = _m_data    _m_lim = _m_tick * 1.12    ax1.set_xlim(-_m_lim, _m_lim)    ax1.set_xticks([-_m_tick, -_m_tick / 2.0, 0.0, _m_tick / 2.0, _m_tick])    ax1.xaxis.set_major_formatter(FormatStrFormatter("%.2f"))_bee_y_ticks = ax1.get_yticks()_bee_y_labels = [t.get_text() for t in ax1.get_yticklabels()]if not any(_bee_y_labels):    fig.canvas.draw()    _bee_y_ticks = ax1.get_yticks()    _bee_y_labels = [t.get_text() for t in ax1.get_yticklabels()]# 顶部 x 轴：Mean(|SHAP|) 的条形图（与蜂巢图共享 y 轴）ax2 = ax1.twiny()ax2.set_position(ax1.get_position())plt.sca(ax2)shap.summary_plot(    shap_values_test,    X_test,    feature_names=columns,    plot_type="bar",    max_display=max_display,    show=False,    color_bar=False,)# 让条形图作为背景显示，蜂巢图盖在上面ax2.set_ylim(ax1.get_ylim())ax2.set_yticks([])ax2.set_ylabel("")for bar in ax2.patches:    bar.set_facecolor("#f2a7b5")    bar.set_alpha(0.35)    bar.set_edgecolor("none")    bar.set_linewidth(0)ax2.set_zorder(0)ax1.set_zorder(1)ax1.patch.set_visible(False)# 在每个条形起点标注 mean(|SHAP|) 和百分比if hasattr(shap_values_test, "values"):    _sv = np.asarray(shap_values_test.values)else:    _sv = np.asarray(shap_values_test)_mean_abs_all = np.mean(np.abs(_sv), axis=0)_total = float(np.sum(_mean_abs_all)) if np.isfinite(np.sum(_mean_abs_all)) else 0.0_order = np.argsort(_mean_abs_all)[::-1][:max_display]_mean_abs_top = _mean_abs_all[_order]_total_top = float(np.sum(_mean_abs_top)) if np.isfinite(np.sum(_mean_abs_top)) else 0.0if len(_bee_y_labels) > 0:    ax1.set_yticks(_bee_y_ticks)    ax1.set_yticklabels(_bee_y_labels)_x_min, _x_max = ax2.get_xlim()_x0 = 0.0 if (_x_min <= 0.0 <= _x_max) else _x_min_x_text = _x0 + 0.01 * (_x_max - _x_min)_bars_sorted = sorted(    ax2.patches,    key=lambda b: (b.get_y() + b.get_height() / 2.0),    reverse=True,)_n = min(len(_bars_sorted), len(_mean_abs_top))for i in range(_n):    bar = _bars_sorted[i]    _y = bar.get_y() + bar.get_height() / 2.0    _v = float(_mean_abs_top[i])    _pct = (100.0 * _v / _total_top) if _total_top > 0 else 0.0    ax2.text(        _x_text,        _y,        f"{_v:.3f}({_pct:.2f}%)",        va="center",        ha="left",        fontsize=9,        color="black",        zorder=3,    )# 四边框与左侧刻度线（让特征名称更像示例图）for spine in ["top", "right", "bottom", "left"]:    ax1.spines[spine].set_visible(True)    ax1.spines[spine].set_linewidth(1.0)ax1.tick_params(    axis="y",    which="major",    left=True,    labelleft=True,    length=8,    width=1.0,    direction="out",    pad=4,)ax1.yaxis.grid(True, linestyle=":", linewidth=0.6, alpha=0.4)ax1.set_axisbelow(True)# 轴标签与刻度位置（尽量贴近示例图）ax1.set_xlabel("SHAP value (impact on model output)", fontsize=12)ax1.set_ylabel("")ax2.set_xlabel("Mean (|SHAP| value)", fontsize=12)ax2.xaxis.set_label_position("top")ax2.xaxis.tick_top()ax_corr = fig.add_axes(_right_corr)try:    _X_corr = Xexcept NameError:    _X_corr = X_test_feature_names = [f"X{i + 1}" for i in range(_X_corr.shape[1])]_norm = Normalize(vmin=-1, vmax=1)_cmap = LinearSegmentedColormap.from_list(    "red_purple_blue",    ["#1e88e5", "#8e24aa", "#ff1744"],    N=256,)pearson_corr_heatmap_mixed(ax_corr, fig, _X_corr, _feature_names, _cmap, _norm, _right_cb, start_angle=-90.0)_x_map = "  ".join([f"X{i + 1}:{columns[i]}" for i in range(min(len(columns), len(_feature_names)))])fig.text(0.5, 0.02, _x_map, ha="center", va="bottom", fontsize=12)plt.savefig("SHAP_与_Pearson_组合.png", dpi=800, bbox_inches="tight")plt.show()

这张组合图通过横向双面板布局，将 SHAP 可视化与混合型相关性热力图有机结合：左侧以 “重要性条形图 + 蜂巢 / 小提琴图” 的双轴设计，同时量化特征重要性并展示其对模型输出的正负影响分布；右侧则用 “数值 + 动态扇形” 的混合型热力图，直观呈现因子间相关性的强度、方向与显著性，既深度解析了模型预测逻辑，又清晰揭示了驱动因子的内部关联，实现了信息密度与可读性的平衡，为机器学习模型解释提供了高效可视化方案。