Python绘制高颜值豆荚图

# =========================================================================================# ====================================== 1. 环境设置 =======================================# =========================================================================================import pandas as pdimport numpy as npimport matplotlib.pyplot as pltimport seaborn as sns

# =========================================================================================# ======================================2.颜色库=======================================# =========================================================================================COLOR_SCHEMES = {    1: {"violin": {"Day": "#F9C4C4", "Night": "#BCE0F4"}, "scatter": {"Day": "#E87C7C", "Night": "#6AB5DE"}},}scheme_id = 25  #使用的配色方案theme = COLOR_SCHEMES.get(scheme_id, COLOR_SCHEMES[1])  # 获取配色方案palette_violin = theme["violin"]  #小提琴图颜色palette_scatter = theme["scatter"]  #散点图颜色

# =========================================================================================# ======================================4.绘图函数=======================================# =========================================================================================def plot_bean_chart():    # 创建画布    fig, ax = plt.subplots(figsize=(8, 6), dpi=150)    #绘制小提琴图    sns.violinplot(        data=df,  #数据        x="Group",  #x轴        y="Value",  #y轴        linewidth=0,  #边框宽度        alpha=0.7,  #透明度        ax=ax  #坐标轴    )

    #绘制散点图    sns.stripplot(        data=df[~df['Is_Outlier']],  #正常值数据        x="Group",  #x轴        alpha=1,  #明度        size=6,  #大小        jitter=0.15,  #水平方向的随机抖动        zorder=1, #层        linewidth=1  #轮廓线宽    )

    # 遍历每个唯一的分组    for i, groupinenumerate(df['Group'].unique()):        #获取当前分组下Left条件的所有统计量        left_stats = stats_df[(stats_df['Group'] == group) & (stats_df['Condition'] == 'Day')].iloc[0]        #均值、Q1、Q3        mean_l, q1_l, q3_l = left_stats['mean'], left_stats['q1'], left_stats['q3']        #获取当前分组下Right条件的所有统计量        right_stats = stats_df[(stats_df['Group'] == group) & (stats_df['Condition'] == 'Night')].iloc[0]        #绘制代表左侧均值的数据点        ax.plot(x_left,  #x                mean_l,  #y                marker='o',  #形状                color='white',  #颜色                markersize=6,  #大小                zorder=4)  #层        #左侧均值文本标注        ax.text(x_left - 0.06,  #x                mean_l,  #y                f'{mean_l:.2f}',  #文本                ha='right',  #水平                va='center',  #垂直                fontsize=11,  # 大小                fontweight='bold',  #加粗                color='black',  #颜色                zorder=5)  #层

        left_data = df[(df['Group'] == group) & (df['Condition'] == 'Day')]['Value']  #获取当前组别条件的所有具体数值数据        right_data = df[(df['Group'] == group) & (df['Condition'] == 'Night')]['Value']  # 取当前组别条件的所有具体数值数据        #绘制显著性标记        ax.text(i,  #x                y_pos,  #y                sig_label,  #文本                ha='center',  #水平                va='bottom',  #垂直                fontsize=14,  #大小                fontweight='bold',  #加粗                color='black')  #颜色

    #标题    ax.set_title("Group Comparison Bean Chart",  #文本                 fontsize=16,  #大小                 fontweight='bold',  #加粗                 pad=15)  #间距    #获取图例中所有的文本对象进行属性修改    plt.setp(legend.get_texts(),fontweight='bold',fontsize=11)    y_global_min = df['Value'].min()  #全局最小值    y_global_max = df['Value'].max()  #全局最大值    ax.set_ylim(y_global_min - 0.2, y_global_max + 0.25)  #Y轴范围    ax.set_ylabel('')  #去掉y轴标题    ax.set_xlabel('')  #去掉x轴标题    #设置边框线    for spine in ax.spines.values():        spine.set_linewidth(2.0)  #粗细        spine.set_color('black')  #颜色    #配置刻度线属性    ax.tick_params(axis='both',  #X轴和Y轴                   which='major',  #主刻度线                   direction='out',  #朝外                   length=4,  #长                   width=2.0,  #粗细                   labelsize=11)  #字体大小

# =========================================================================================# ======================================2.颜色库=======================================# =========================================================================================if __name__ == '__main__':    data_path = r'data.xlsx'  #原始数据路径    df = pd.read_excel(data_path)  #读取数据    df['Is_Outlier'] = False  #新建一列用于存储异常值    # 遍历不同组别    for group in df['Group'].unique():            lower = q1 - 1.5 * iqr  #下边界            upper = q3 + 1.5 * iqr  #上边界            # 基于先前的分类掩码，进一步把数值小于下界或大于上界的异常值提取出新的布尔掩码            outlier_mask = mask & ( (df['Value'] < lower) | (df['Value'] > upper))            # 通过DataFrame的loc方法，把新掩码标记为异常值的数据对应所在行的'Is_Outlier'列赋值为True            df.loc[outlier_mask, 'Is_Outlier'] = True   #绘图    plot_bean_chart()

scheme_id = 25  #使用的配色方案

2.设置绘图结果的保存地址：

plt.savefig(fr'_chart{scheme_id}.png', dpi=300,bbox_inches='tight')

data_path = r'data.xlsx'  #原始数据路径