Python绘制高颜值相关性气泡图

# =========================================================================================# ====================================== 1. 环境设置 =======================================# =========================================================================================import numpy as npimport pandas as pdimport matplotlib.pyplot as pltimport matplotlib.patches as mpatchesimport matplotlib.lines as mlinesfrom scipy.stats import spearmanrplt.rcParams['font.family'] = 'Times New Roman'plt.rcParams['axes.unicode_minus'] = Falseimport matplotlibmatplotlib.rcParams['pdf.fonttype'] = 42matplotlib.rcParams['ps.fonttype'] = 42

# =========================================================================================# ======================================2.颜色库=======================================# =========================================================================================COLOR_SCHEMES = {    1: 'seismic',}scheme_id = 2 #要使用的配色方案cmap_name = COLOR_SCHEMES.get(scheme_id, 'seismic') #获取配色方案cmap = plt.get_cmap(cmap_name) #获取对应的颜色映射象

# =========================================================================================# ======================================3.相关性计算函数=======================================# =========================================================================================def corr_pvalues(df):    cols = df.columns #列名    n = len(cols) #变量的数量    corr_matrix = np.zeros((n, n)) #用于存储相关系数    pval_matrix = np.zeros((n, n)) #用于存储p值    for i in range(n): # 遍历行索引        for j in range(n): # 遍历列            if i == j: #对角线                corr_matrix[i, j] = 1.0 #相关系数                pval_matrix[i, j] = 0.0 #p值    corr_df = pd.DataFrame(corr_matrix, columns=cols, index=cols) #将相关系数矩阵转化为带行列名的DataFrame数据框    pval_df = pd.DataFrame(pval_matrix, columns=cols, index=cols) #将p值矩阵转化为带行列名的DataFrame数据框    return corr_df, pval_df

# =========================================================================================# ======================================4.显著性设置函数=======================================# =========================================================================================def significance_marker(p):    if p < 0.001:        return '***' #    elif p < 0.01:        return '**'    elif p < 0.05:        return '*'    else:        return 'ns'

# =========================================================================================# ======================================5.绘图函数=======================================# =========================================================================================def plot_correlation_matrix(corr_df, pval_df):    vars_order = corr_df.columns.tolist() #获取相关性矩阵中的变量名列表    n = len(vars_order) #变量的数量    #创建画布    fig, ax = plt.subplots(figsize=(15, 8))    ax.set_frame_on(True) #开启边框    #边框线设置    for spine in ax.spines.values():        spine.set_linewidth(2)    ax.set_xticks([]) #清空x轴的刻度    ax.set_yticks([]) #清空y轴的刻度    ax.set_aspect('equal') #纵横比例

    for i in range(n): #遍历行        for j in range(n): #遍历列            if i == j: #对角线                continue            r = corr_df.iloc[i, j] #获取相关系数            p = pval_df.iloc[i, j] #获取p值            # 获取对应p值的星号            sig_marker = significance_marker(p)            #上半三角            else:                #文本绘制                ax.text(x, #x                        y, #y                        f"{sig_marker}\n{r:.2f}", #文本内容                        ha='center', #水平                        va='center', #垂直                        fontsize=12, #大小                        fontweight='bold', #加粗                        color=cmap((r + 1) / 2)) #字体颜色

    ax.set_xticks(range(n)) #x轴刻度位置    ax.set_yticks(range(n)) #y轴刻度位置    #刻度线的样式    ax.tick_params(axis='both', #应用于x轴和y轴                   which='major', #主刻度线                   length=3, #长度                   width=2) #宽度    ax.set_xlim(-0.5, n - 0.5) #设置x轴的显示范围    ax.set_ylim(-0.5, n - 0.5) #设置y轴的显示范围    plt.tight_layout(rect=[0, 0, 0.75, 1]) #自动调整子图参数    fig.canvas.draw() #渲染

    box = ax.get_position() #获取主图坐标轴在整个图中的相对位置边界框    align_x_fig = box.x1 + 0.005 #计算右侧图例整体对齐的x坐标    align_x_axes = (align_x_fig - box.x0) / box.width #将图相对坐标转换为基于主坐标轴宽度的相对坐标    inv_trans = ax.transData.inverted() #获取数据坐标变换的逆变换对象    align_x_data, _ = inv_trans.transform(fig.transFigure.transform((align_x_fig, 0))) #把图坐标系统转换为实际的Data坐标系统    ax.add_artist(rect_bubble) #添加到主坐标系    # 设置气泡图例标题的x位置，即矩形框宽度的中点    ax.text(align_x_data + box_width / 2, #x            box_top - 0.4, #y            "|r|", #文本内容            ha='center', #水平            va='center', #垂直            fontsize=12, #大小            fontweight='bold', #加粗            clip_on=False, #防止文本超出坐标轴时被截断隐藏            zorder=11)#层级        ax.add_artist(circle) #添加到坐标系中        #绘制刻度数值        ax.text(align_x_data + 0.8, #x                y_pos, #y                f"{r_val}", #数值                ha='left', #水平                va='center', #垂直                fontsize=12, #大小                fontweight='bold', #加粗                clip_on=False, #允许绘制在主坐标系外                zorder=11) #层级

    # 显著性图例    sig_labels = [        '***: p < 0.001',        '**: p < 0.01',        '*: p < 0.05',        'ns: p ≥ 0.05'    ]    # 利用空线条对象作为显著性图例句柄    sig_handles = [mlines.Line2D([], [], color='none', label=lbl) for lbl in sig_labels]    sig_y_axes = (box_bottom - (-0.5)) / n - 0.02 #显著性图例区域左上角位置    #图例标题    legend_sig.set_title("Significance", prop={'size': 12, 'weight': 'bold'})    ax.add_artist(legend_sig) #重新添加    legend_sig.get_frame().set_linewidth(2) #图例外边框线宽    legend_sig.get_frame().set_edgecolor('black') #图例外边框颜色

    norm = plt.Normalize(vmin=-1, vmax=1) #数值区间用于颜色条范围设置    sm = plt.cm.ScalarMappable(cmap=cmap, norm=norm) #创建颜色映射对象    sm.set_array([])    for label in cbar.ax.get_yticklabels():        label.set_fontweight('bold')    cbar_height = box.height * 0.6 # 获取主图坐标轴高度的35%数值，作为待会重置颜色条高度的基准    #左, 下, 宽, 高    cbar.ax.set_position([align_x_fig-0.015, box.y0, 0.025, cbar_height])

# =========================================================================================# ======================================6.执行部分=======================================# =========================================================================================if __name__ == '__main__':    excel_path = r'data.xlsx' #原始数据路径    df = pd.read_excel(excel_path) #读取数据    df = df.iloc[:, :] #读取数据框中所有的行和列    corr_df, pval_df = corr_pvalues(df) #计算相关系数和p值    #执行绘图函数    plot_correlation_matrix(corr_df, pval_df)

scheme_id = 2 #要使用的配色方案

2.设置绘图结果的保存地址：

plt.savefig(fr'correlation{scheme_id}.png', dpi=1080, bbox_inches='tight', bbox_extra_artists=(legend_sig,))

excel_path = r'data.xlsx' #原始数据路径