当前位置：首页>python>Python绘制SHAP+蜂巢图(附数据和代码)

Python绘制SHAP+蜂巢图(附数据和代码)

2026-10-08 15:18:17

🙏请尊重劳动成果，守护每一份劳动心血；⚖️未经授权，不得以为任何方式转载、摘编或抄袭。🔄转载合作请后台联系授权，侵权必究。

本期分享的图，内圈的红色玫瑰图代表特征对模型的平均贡献度；外圈蜂群散点则展示了特征值（由蓝至红）对预测结果的具体影响（正向或负向）。

外红内蓝正相关：特征值越高，预测值越高（如：年龄越大，患病风险越高）。

外蓝内红负相关：特征值越高，预测值越低（如：锻炼时间越长，患病风险越低）。

红蓝交织非线性/复杂关系：该特征对结果的影响不单调，可能存在复杂的交互效应。

数据预处理

这一步是绘图的基础。为了让不同量纲的特征能在同一个颜色条下展示，将特征值缩放到 [0,1] 区间。这里使用了 5% 到 95% 的分位数来排除离群点的干扰。

1
2
3
4
5
6
7
8
9
10
def normalize_feature_values(values):    values = np.asarray(values, dtype=float)    if len(values) == 0: return values    # 使用分位数平滑极端值    vmin, vmax = np.percentile(values, [5, 95])    if vmax <= vmin:        vmin, vmax = np.min(values), np.max(values)    if vmax <= vmin:        return np.zeros_like(values)    return np.clip((values - vmin) / (vmax - vmin), 0, 1)

蜂群算法

当多个数据点具有相同的 SHAP 值时，它们会重叠。下面函数计算每个点在极坐标角度方向上的“偏移量”，使得点群像蜂群一样向两侧散开，增加可视化密度感。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
def exact_beeswarm(values, nbins=45, spread=0.25):    # 将数值分配到不同的桶（bins）中    bins = np.linspace(np.min(values), np.max(values), nbins)    inds = np.digitize(values, bins)    offsets = np.zeros_like(values, dtype=float)    for i in range(1, nbins + 1):        mask = inds == i        count = np.sum(mask)        if count > 0:            # 计算对称偏移：从中心向两边排布            t = np.arange(count) - (count - 1) / 2.0            width_factor = spread * (1.0 if count > 12 else count / 12.0)            offsets[mask] = (t / (count if count > 10 else 10)) * width_factor    return offsets

非线性高度缩放

这一步是为了让重要性差异更明显。

1
2
3
4
5
6
def scale_rose_heights(values, gamma=0.75):    x = np.asarray(values, dtype=float)    x_min, x_max = np.min(x), np.max(x)    if x_max <= x_min: return np.ones_like(x) * 0.5    # 归一化后进行幂律转换，提升视觉表现力    return np.power((x - x_min) / (x_max - x_min), gamma)

极坐标系初始化

这一步建立画布，并将坐标轴转换为极坐标。这一步绘制了代表重要性刻度的灰度圆环，并设置了 12 点钟方向为起始点

1
2
3
4
5
6
7
8
9
10
11# 在绘图函数内部的关键片段fig = plt.figure(figsize=(11, 11), facecolor="white")ax = fig.add_subplot(111, polar=True)ax.set_theta_zero_location("N") # 顶部对齐ax.set_theta_direction(-1)      # 顺时针方向# 绘制辅助背景环ticks = [0.0, 0.17, 0.25, 0.34, 0.42]for t in ticks:    r_ring = bar_bottom + scale_rose_heights([t, 0.0, 0.42], gamma=0.7)[0] * bar_max_h    ax.plot(np.linspace(0, 2 * np.pi, 200), np.full(200, r_ring), color="#888888", alpha=0.3)

玫瑰图与蜂群散点

这一步是绘图的核心步骤。也是最复杂的一步。首先在内圈绘制红色条形图（代表平均绝对 SHAP 值），然后在指定半径区域绘制散点。

1
2
3
4
5
6
7
8
9
10
11
12# 循环绘制每个特征for i, name in enumerate(sorted_names):    # 1. 绘制内圈条形图 (Mean SHAP)    ax.bar(angles[i], rose_h[i], width=angle_step * 0.75, bottom=0.45, color="#ff5a52")    # 2. 绘制外圈蜂群散点 (Individual SHAP samples)    s_vals = np.clip(d["shap"].values, -limit, limit)    v_vals = normalize_feature_values(d["feature"].values)    r_pos = base_r + (s_vals / limit) * spread_r # 半径代表SHAP正负影响    t_offs = exact_beeswarm(s_vals, spread=angle_step * 0.48) # 角度偏移    ax.scatter(angles[i] + t_offs, r_pos, c=plt.get_cmap("coolwarm")(v_vals), s=13)

样式设计

最后一步是处理文本旋转和颜色条。为了防止标签重叠，代码根据标签所在的角度动态调整水平对齐方式（ha），并添加图例。

1
2
3
4
5
6
7
8
9
10
11
12
for i, angle in enumerate(angles):    deg = np.rad2deg(angle) % 360    # 根据角度自动决定标签靠左还是靠右，防止文字遮挡图像    ha = "left" if 0 < deg < 180 else "right"    if np.isclose(deg, 0, atol=1) or np.isclose(deg, 180, atol=1):        ha = "center"    ax.text(angle, 5.4, short_feature_name(sorted_names[i]), ha=ha, va="center")# 添加底部的特征值颜色映射条sm = plt.cm.ScalarMappable(cmap="coolwarm", norm=plt.Normalize(vmin=0, vmax=1))cax = fig.add_axes([0.33, 0.15, 0.34, 0.015])fig.colorbar(sm, cax=cax, orientation="horizontal", label="Feature Value")