当前位置：首页>python>Python绘制分组折线+柱状图+蜂群图(附数据和代码)

Python绘制分组折线+柱状图+蜂群图(附数据和代码)

2026-06-27 12:24:27

🙏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。

本期分享复现 Fluhr 等人在 Nature 发表的研究 Gut microbiota modulates weight gain in mice after discontinued smoke exposure。

该研究通过小鼠模型发现，停止烟雾暴露后的体重增加与肠道微生物群有关。抗生素处理会改变这一过程，提示肠道微生物可能参与调控停止烟雾暴露后的体重变化。

图中主折线图展示了四组小鼠在不同时间点的体重变化情况。Day 21 的虚线表示实验阶段转换，右侧灰色区域为停止烟雾暴露阶段。左上角和右上角的小图分别比较了 Exposure 阶段和 Cessation 阶段各组总体体重变化的差异。

论文原图

复现图

数据准备

导入后续绘图需要的 Python 包，并读取数据文件。同时定义时间点、实验分组、颜色和图例名称，后面的所有绘图都会用到这些变量

import numpy as npimport matplotlib.pyplot as pltimport pandas as pddf = pd.read_csv("data.csv")# =========================# 定义横坐标时间点# =========================# 主图中的实验时间点# 对应 Day 0、7、14、21、28、35days = np.array([0, 7, 14, 21, 28, 35])# =========================# 定义四个实验分组# =========================# 这里的名称必须和 CSV 文件中 treat 列的名称一致# 后面会用这些名称筛选不同处理组的数据treatments = ["Non_SMK", "SMK", "Non_SMK+abx", "SMK+abx"]# =========================# 定义每个分组的颜色# =========================# 颜色顺序对应四组：# Non_SMK：深紫色# SMK：红色# Non_SMK+abx：蓝绿色# SMK+abx：橙色colors = {    "Non_SMK": "#1A0841",    "SMK": "#FF5959",    "Non_SMK+abx": "#4F9DA6",    "SMK+abx": "#FFAD5A"}# =========================# 定义图例显示名称# =========================# 图例名称中使用 \n 换行，使其更接近原图的排版方式labels = {    "Non_SMK": "Non-\nSMK",    "SMK": "SMK",    "Non_SMK+abx": "Non-\nSMK\n+abx",    "SMK+abx": "SMK\n+abx"}

数据预处理

从原始数据中按分组和时间点提取数值，然后计算平均值和标准误。计算结果会保存在 data 字典中，后面的主折线图会直接调用它。

# =========================# 计算均值和 SEM# =========================def calc_stats(df, treat, day):    """    计算某一个处理组在某一个时间点的均值和 SEM。    参数说明：    df    ：体重变化数据表    treat ：处理组名称，例如 "Non_SMK"    day   ：时间点，例如 0、7、14、21、28、35    返回：    mean ：该组该时间点的平均值    sem  ：该组该时间点的标准误    """    # 根据处理组名称和时间点筛选对应行    row = df[(df["treat"] == treat) & (df["Day"] == day)]    # 如果没有找到对应数据，则返回 NaN    # 这样可以避免程序因为空数据报错    if row.empty:        return np.nan, np.nan    # 取出该行从第 4 列开始的数值    # 这里假设前几列是分组信息、时间信息等，后面的列是重复样本数据    vals = row.iloc[0, 3:].dropna().values.astype(float)    # 计算均值    mean = np.mean(vals)    # 计算 SEM：标准差 / sqrt(n)    # ddof=1 表示使用样本标准差    sem = np.std(vals, ddof=1) / np.sqrt(len(vals))    # 返回均值和 SEM    return mean, sem# =========================# 对所有分组和所有时间点计算均值、SEM# =========================# 创建空字典，用于保存四个处理组的结果# 每个处理组对应两个数组：means 和 semsdata = {}# 遍历四个实验分组for t in treatments:    # 保存当前分组在不同时间点的均值    means = []    # 保存当前分组在不同时间点的 SEM    sems = []    # 遍历每一个时间点    for d in days:        # 计算当前分组、当前时间点的均值和 SEM        m, s = calc_stats(df, t, d)        # 把均值加入列表        means.append(m)        # 把 SEM 加入列表        sems.append(s)    # 将当前处理组的结果存入 data 字典    # 转换成 numpy 数组，便于后续绘图    data[t] = (np.array(means), np.array(sems))

绘制主折线图

设置整张图的字体、坐标轴线宽、刻度样式等基础格式。然后创建主图，画出灰色 Cessation 区域、虚线分隔线、四组折线和图例。

# =========================# 设置全局风格并绘制主图# =========================plt.rcParams.update({    # 设置字体为 Arial，使图形更接近论文图风格    "font.family": "Arial",    # 设置默认字号    "font.size": 8,    # 设置坐标轴线宽    "axes.linewidth": 1,    # 设置 x 轴主刻度线宽    "xtick.major.width": 1,    # 设置 y 轴主刻度线宽    "ytick.major.width": 1,    # 设置 x 轴主刻度长度    "xtick.major.size": 3,    # 设置 y 轴主刻度长度    "ytick.major.size": 3,})# =========================# 创建画布和主坐标轴# =========================# figsize 控制图的物理尺寸# dpi 控制图像分辨率fig, ax = plt.subplots(figsize=(3.4, 4.1), dpi=300)# 调整图在画布中的位置# top=0.80 是为了给上方 legend 和 inset 留空间fig.subplots_adjust(    left=0.18,    right=0.96,    bottom=0.13,    top=0.80)# =========================# 添加 Cessation 阶段背景# =========================# 从 Day 21 到 Day 40 添加灰色背景# 这个区域对应原图右侧的 cessation 阶段ax.axvspan(21, 40, facecolor="#E6E6E6", zorder=0)# 在 Day 21 位置添加黑色虚线# 用于区分 Exposure 和 Cessation 两个阶段ax.axvline(21, color="black", linestyle="--", linewidth=1)# =========================# 绘制四组折线图# =========================# 遍历四个处理组for t in treatments:    # 从 data 字典中取出当前处理组的均值和 SEM    m, s = data[t]    # 绘制带误差棒的折线图    ax.errorbar(        days, m, yerr=s,        # 当前组的颜色        color=colors[t],        # 数据点使用圆形 marker        marker="o",        # marker 大小        markersize=4.8,        # 折线宽度        linewidth=2.2,        # 误差棒线宽        elinewidth=0.9,        # 误差棒端帽长度        capsize=2,        # marker 边框颜色        markeredgecolor="black",        # marker 边框宽度        markeredgewidth=0.8,        # 图例名称        label=labels[t],        # 设置图层顺序，保证折线在背景上方        zorder=3    )# =========================# 设置主图坐标轴# =========================# 设置 x 轴范围ax.set_xlim(0, 40)# 设置 y 轴范围ax.set_ylim(0, 60)# 设置 x 轴刻度ax.set_xticks([0, 10, 20, 30, 40])# 设置 y 轴刻度ax.set_yticks([0, 20, 40, 60])# 设置 x 轴标题ax.set_xlabel("Day", fontsize=10)# 设置 y 轴标题ax.set_ylabel("Weight change (%)", fontsize=10)# 设置刻度文字大小和刻度方向ax.tick_params(labelsize=8, direction="out")# =========================# 去除上边框和右边框# =========================# 原图只有左轴和下轴，没有上边框ax.spines["top"].set_visible(False)# 原图没有右边框ax.spines["right"].set_visible(False)# =========================# 添加图例# =========================ax.legend(    # 图例放在主图上方中间    loc="upper center",    # 控制图例相对于坐标轴的位置    bbox_to_anchor=(0.5, 1.20),    # 图例分成 4 列    ncol=4,    # 不显示图例边框    frameon=False,    # 图例文字大小    fontsize=7,    # 图例中线段的长度    handlelength=2.0,    # 不同图例项之间的距离    columnspacing=1.8,    # 图例符号和文字之间的距离    handletextpad=0.8,    # 图例和坐标轴之间的额外边距    borderaxespad=0)

添加显著性标注

定义一个函数，用来画右侧竖向显著性括号。然后调用这个函数，在主图右边添加 *** 和 **** 等显著性标记。

# 添加主图右侧显著性标注# =========================def add_v_sig(ax, x, y1, y2, text, cap=0.55):    """    在主图右侧添加竖向显著性括号。    参数说明：    ax   ：要添加显著性标注的坐标轴    x    ：显著性括号的 x 坐标位置    y1   ：括号下端的 y 坐标    y2   ：括号上端的 y 坐标    text ：显著性文字，例如 "***" 或 "****"    cap  ：括号两端横线的长度    """    # 画竖线，即显著性括号的主体    ax.plot(        [x, x],        [y1, y2],        color="black",        lw=1,        clip_on=False    )    # 画下端横线    ax.plot(        [x - cap, x],        [y1, y1],        color="black",        lw=1,        clip_on=False    )    # 画上端横线    ax.plot(        [x - cap, x],        [y2, y2],        color="black",        lw=1,        clip_on=False    )    # 在括号右侧添加显著性星号    ax.text(        x + 0.45,        (y1 + y2) / 2,        text,        # 旋转 90 度，使星号竖向排列        rotation=90,        # 垂直居中        va="center",        # 水平靠左        ha="left",        # 字号        fontsize=7,        # 允许文字超出坐标轴边界显示        clip_on=False    )# =========================# 在主图右侧添加三组显著性标注# =========================# 第一组显著性标注# 对应较短的比较范围add_v_sig(ax, 36.2, 18, 30, "***")# 第二组显著性标注# 对应较长的比较范围add_v_sig(ax, 38.0, 18, 39, "****")# 第三组显著性标注# 对应右上方的比较范围add_v_sig(ax, 39.5, 28, 39, "***")

绘制两个小图

定义 inset 小图需要的辅助函数，包括自动匹配列名、绘制横向 bar、散点和 SEM。最后在主图上方添加 Exposure 和 Cessation 两个 inset，并保存最终图片。

# =========================# 绘制 iAUC inset 小图并保存# =========================# 设置随机种子# 用于控制散点 jitter 的随机位置，使每次运行结果一致rng = np.random.default_rng(1)def find_col(df, treat):    """    在 iAUC 数据表中自动寻找对应处理组的列名。    这个函数的作用是兼容不同格式的列名：    例如 Non_SMK+abx、Non_SMK.abx、Non-SMK+abx 等。    """    # 构造几个可能的列名形式    candidates = [        treat,        treat.replace("+", "."),        treat.replace("_", "-"),        treat.replace("_", "."),        treat.replace("_", "-").replace("+", "."),    ]    # 逐一检查这些候选列名是否存在于数据表中    for c in candidates:        if c in df.columns:            return c    # 如果所有候选列名都不存在，则报错并提示已有列名    raise KeyError(f"在 iAUC 表中找不到 {treat} 对应的列，已有列名为：{list(df.columns)}")def draw_iauc_inset(inax, iauc_df, title, xlim, xticks):    """    绘制 iAUC inset 小图。    参数说明：    inax    ：inset 小图的坐标轴    iauc_df ：iAUC 数据表    title   ：小图标题    xlim    ：小图 x 轴范围    xticks  ：小图 x 轴刻度    """    # 设置小图中四组的上下排列顺序    # 这里是从上到下排列    y_order = ["SMK+abx", "Non_SMK+abx", "SMK", "Non_SMK"]    # 为四组指定 y 轴位置    # 3 在最上面，0 在最下面    y_pos = np.array([3, 2, 1, 0])    # 逐组绘制 bar、误差棒和散点    for i, t in enumerate(y_order):        # 自动寻找当前处理组在 iAUC 表格中的列名        col = find_col(iauc_df, t)        # 将该列转换为数值，并删除缺失值        vals = pd.to_numeric(iauc_df[col], errors="coerce").dropna().values        # 计算当前组 iAUC 的均值        mean = np.mean(vals)        # 计算当前组 iAUC 的 SEM        sem = np.std(vals, ddof=1) / np.sqrt(len(vals))        # 当前组在 y 轴上的位置        y = y_pos[i]        # 绘制白色横向柱形        # 柱子的长度表示均值        inax.barh(            y,            mean,            height=0.55,            color="white",            edgecolor="black",            linewidth=0.8,            zorder=1        )        # 绘制横向 SEM 误差棒        inax.errorbar(            mean,            y,            xerr=sem,            fmt="none",            ecolor="black",            elinewidth=0.8,            capsize=1.5,            zorder=4        )        # 生成 y 方向的小随机扰动        # 这样散点不会完全重叠在一条线上        jitter = rng.normal(0, 0.06, size=len(vals))        # 绘制每个样本的散点        inax.scatter(            vals,            np.full_like(vals, y, dtype=float) + jitter,            s=3.5,            color=colors[t],            edgecolor="none",            alpha=0.95,            zorder=3        )    # 设置 inset 小图标题    inax.set_title(title, fontsize=5.8, pad=1.5)    # 设置 x 轴范围    inax.set_xlim(*xlim)    # 设置 x 轴刻度    inax.set_xticks(xticks)    # 不显示 y 轴刻度    inax.set_yticks([])    # 设置 y 轴范围，给上下留一点空间    inax.set_ylim(-0.6, 3.6)    # 设置 x 轴刻度文字大小    inax.tick_params(axis="x", labelsize=7, length=2, pad=1)    # 去掉 y 轴刻度线    inax.tick_params(axis="y", length=0)    # 去掉上边框    inax.spines["top"].set_visible(False)    # 去掉右边框    inax.spines["right"].set_visible(False)    # 去掉左边框    inax.spines["left"].set_visible(False)    # 设置底部坐标轴线宽    inax.spines["bottom"].set_linewidth(0.8)    # 设置 inset 背景为白色    inax.set_facecolor("white")def add_inset_sig(inax, x, y1, y2, text, cap=12):    """    给 inset 小图添加竖向显著性括号。    参数说明：    inax ：inset 坐标轴    x    ：括号所在的 x 坐标    y1   ：括号下端 y 坐标    y2   ：括号上端 y 坐标    text ：显著性文字    cap  ：括号两端横线长度    """    # 画竖线    inax.plot([x, x], [y1, y2], color="black", lw=0.8, clip_on=False)    # 画下端横线    inax.plot([x - cap, x], [y1, y1], color="black", lw=0.8, clip_on=False)    # 画上端横线    inax.plot([x - cap, x], [y2, y2], color="black", lw=0.8, clip_on=False)    # 添加竖向显著性星号    inax.text(        x + cap * 0.35,        (y1 + y2) / 2,        text,        rotation=90,        va="center",        ha="left",        fontsize=5.5,        clip_on=False    )# =========================# 在主图中添加两个 inset 坐标轴# =========================# 左侧 inset：Exposure 阶段# 使用 ax.inset_axes，坐标是相对于主图 ax 的比例坐标left_ax = ax.inset_axes([0.08, 0.74, 0.38, 0.21])# 右侧 inset：Cessation 阶段right_ax = ax.inset_axes([0.56, 0.74, 0.38, 0.21])# =========================# 绘制 Exposure inset# =========================draw_iauc_inset(    left_ax,    iauc_exp,    "iAUC: Exposure",    # 这里用 -230 到 820，避免左侧负值区域的数据被裁掉    xlim=(-230, 820),    # Exposure inset 的 x 轴刻度    xticks=[-200, 300, 800])# =========================# 绘制 Cessation inset# =========================draw_iauc_inset(    right_ax,    iauc_ces,    "iAUC: Cessation",    # Cessation inset 的 x 轴范围    xlim=(0, 400),    # Cessation inset 的 x 轴刻度    xticks=[0, 200, 400])# =========================# 添加 inset 显著性标注# =========================# Exposure inset 中的显著性标注add_inset_sig(left_ax, 750, 0, 1, "****", cap=18)add_inset_sig(left_ax, 680, 2, 3, "***", cap=18)# Cessation inset 中的显著性标注add_inset_sig(right_ax, 355, 1, 3, "****", cap=10)add_inset_sig(right_ax, 330, 0, 1, "****", cap=10)# =========================# 可选：添加 panel 字母# =========================# 如果需要在左上角添加 panel 字母 b，可以取消下面两行注释# ax.text(-0.18, 1.12, "b", transform=ax.transAxes,#         fontsize=12, fontweight="bold")# =========================# 保存并显示图片# =========================# 保存为高分辨率图片plt.savefig("line_bar_errorbar_significant_revised.png", dpi=600)# 显示图片plt.show()