Python绘制高颜值柱状图展示数据分布

# =========================================================================================# ====================================== 1. 环境设置 =======================================# =========================================================================================import pandas as pdimport numpy as npimport matplotlib.pyplot as pltfrom scipy.stats import f_oneway, shapiro, levene, kruskalfrom statsmodels.stats.multicomp import pairwise_tukeyhsdimport scikit_posthocs as spimport matplotlib

# =========================================================================================# ======================================2.颜色库=======================================# =========================================================================================COLOR_SCHEMES = {    1: {'fill': ['#eef3f8', '#e0eff2', '#c0daf0', '#9dabd0'], 'edge': ['#b9d8f7', '#90b8f1', '#6182cc', '#424d95']},}

# =========================================================================================# ======================================3.绘图函数=======================================# =========================================================================================def draw_custom_bar_scatter(df, stats_results,scheme_id=1, bar_width=0.14):    #创建画布    fig, ax = plt.subplots(figsize=(8, 6), dpi=150)    groups = df['Group'].unique().tolist()  #提取组元素    features = df['Feature'].unique().tolist()  #提取组内每个住的信息    offsets = [(i - (len(features) - 1) / 2) * step for i in range(len(features))]  #柱子的X轴中心偏移量    x_base = np.arange(len(groups))  #分组位置索引    legend_handles = []  #用于保存句柄

    # 遍历所有特征    for i, feat inenumerate(features):        bars = ax.bar(            x_positions,  #x            means,  #y            width=bar_width,  #柱子宽            color=face_color,  #填充色            edgecolor=edge_color,  #边缘色            linewidth=1.5,  #边缘线宽            alpha=0.9,  #透明度            yerr=sems,#误差棒值            capsize=4,  #误差棒横线            error_kw={'elinewidth': 1.5,  #误差棒线宽                      'ecolor': face_color},  #颜色            zorder=1  #层        )            ax.scatter(                scatter_x,#x                vals,  #y                color=face_color,  #填充颜色                edgecolor=edge_color,  #边缘颜色                s=30,#大小                alpha=1.0,  #透明度                linewidth=1.0,  #边缘线宽                zorder=3  #层            )

    #去掉边框线    ax.spines['right'].set_visible(False)    ax.spines['top'].set_visible(False)    #设置边框粗细    ax.spines['left'].set_linewidth(1.5)    ax.legend(legend_handles,  #句柄              features,  #文本              title='Features',  #标题              loc='upper right',  #位置              frameon=False,  #去掉边框              fontsize=12,  #字体大小              title_fontsize=14)  #图例标题字体大小

    max_y_global = df['Value'].max()  #最大值    y_step = max_y_global * 0.08  #控制显著性标注线的位置    group_current_y = {}  #用于保存每个分组区域当前绘制到的Y轴高度        res = stats_results[group]  #分析结果                ax.plot([x1, x2], [y_pos, y_pos], lw=1.2, color='black')  #标注线的基准横线                tick_len = y_step * 0.15  #标注线两侧垂直短线长度                #绘制垂直线                ax.plot([x1, x1], [y_pos - tick_len, y_pos], lw=1.2, color='black')                ax.plot([x2, x2], [y_pos - tick_len, y_pos], lw=1.2, color='black')                #文本标注                ax.text((x1 + x2) * 0.5,  #x                        y_pos,  #y                        sig_text,  #显著性文本                        ha='center',  #水平                        va='bottom',  #垂直                        color='black',  #颜色                        fontsize=12)  #字体大小        ax.text(group_idx,  #x                y_pos_omnibus,  #y                res['omnibus_plot_text'],  # 文本                ha='center',  #水平                va='bottom',  #垂直                fontsize=12,  #字体大小                fontweight='bold',  #加粗                color='black')  #颜色        group_current_y[group] += y_step * 1.2  #更新

# =========================================================================================# ======================================4.主程序执行=======================================# =========================================================================================if __name__ == '__main__':    data_path = r'data.xlsx' #原始数据    df_real_data = pd.read_excel(data_path) #读取    groups = df_real_data['Group'].unique().tolist() #组名    features = df_real_data['Feature'].unique().tolist() #柱子名    print(f"\n{'=' * 50}")    print("描述性统计")    print(f"{'=' * 50}")    #按列进行分组，打印描述性统计量    print(df_real_data.groupby(['Group', 'Feature'])['Value'].describe())

    print(f"\n{'=' * 50}")    print("正态性检验 (Shapiro-Wilk)")    print(f"{'=' * 50}")    group_shapiro_p = {} #记录每个组内最严格的正态性检验P值            vals = df_real_data[(df_real_data['Group'] == group) & (df_real_data['Feature'] == feat)]['Value']            if len(vals) >= 3:                stat, p = shapiro(vals) #正态性检验                min_p = min(min_p, p) #最小P值                print(f"{group} - {feat}: 统计量={stat:.4f}, P值={p:.4f}")        group_shapiro_p[group] = min_p #保存最小P值

    print(f"\n{'=' * 50}")    print("方差齐性检验 (Levene)")    print(f"{'=' * 50}")    group_levene_p = {} #用于保存方差齐性检验P值        feat_vals = [group_df[group_df['Feature'] == f]['Value'].values for f in features if len(group_df[group_df['Feature'] == f]) > 0]        if len(feat_vals) >= 2:            stat, p = levene(*feat_vals) #进行方差齐性检验，            group_levene_p[group] = p #保存            print(f"{group}: 统计量={stat:.4f}, P值={p:.4f}")        else:            group_levene_p[group] = 1.0 #无法检验，默认P值为1

    print(f"\n{'=' * 50}")    print("整体与事后差异检验 (动态选择)")    print(f"{'=' * 50}")        if len(feature_data) < 2:            continue            #设置显著性标记            if p_omnibus < 0.001:                omnibus_sig = "***"                omnibus_plot_text = "ANOVA $P$ < 0.001"            elif p_omnibus < 0.01:                omnibus_sig = "**"                omnibus_plot_text = f"ANOVA $P$ = {p_omnibus:.3f}"            elif p_omnibus < 0.05:                omnibus_sig = "*"                omnibus_plot_text = f"ANOVA $P$ = {p_omnibus:.3f}"            else:                omnibus_sig = "ns"                omnibus_plot_text = f"ANOVA $P$ = {p_omnibus:.3f} (ns)"            print(f"\n【{group}】 (满足参数检验前提)")            print(f" {test_name}: F={stat:.4f} | P值={p_omnibus:.4e} | 显著性={omnibus_sig}")            posthoc_pairs = [] #用于存放事后多重比较检验结果                    if p_adj < 0.001:                        sig_text = "***"                    elif p_adj < 0.01:                        sig_text = "**"                    elif p_adj < 0.05:                        sig_text = "*"                    else:                        sig_text = "ns"                    print(f" Tukey事后检验: {feat1} vs {feat2} : P-adj = {p_adj:.4e} | 显著性 = {sig_text}")                    posthoc_pairs.append((feat1, feat2, reject, sig_text))            else:                print(" P >= 0.05, 跳过Tukey HSD事后检验。")        #不满足正态分布或方差齐性        else:            stat, p_omnibus = kruskal(*feature_data) #执行非参数的Kruskal-Wallis H检验            test_name = "Kruskal" #检验方法            # 显著性标记            if p_omnibus < 0.001:                omnibus_sig = "***"                omnibus_plot_text = "Kruskal $P$ < 0.001"            elif p_omnibus < 0.01:                omnibus_sig = "**"                omnibus_plot_text = f"Kruskal $P$ = {p_omnibus:.3f}"            elif p_omnibus < 0.05:                omnibus_sig = "*"                omnibus_plot_text = f"Kruskal $P$ = {p_omnibus:.3f}"            else:                omnibus_sig = "ns"                omnibus_plot_text = f"Kruskal $P$ = {p_omnibus:.3f} (ns)"                        if p_adj < 0.001:                            sig_text = "***"                        elif p_adj < 0.01:                            sig_text = "**"                        elif p_adj < 0.05:                            sig_text = "*"                        else:                            sig_text = "ns"                        print(f" Dunn's事后检验: {feat1} vs {feat2} : P-adj = {p_adj:.4e} | 显著性 = {sig_text}")                        posthoc_pairs.append((feat1, feat2, reject, sig_text)) #保存结果            else:                print(" P >= 0.05, 跳过Dunn's事后检验。")        #汇总结果        stats_results[group] = {            'omnibus_plot_text': omnibus_plot_text,            'posthoc_pairs': posthoc_pairs        }

    target_bar_width = 0.14 #柱子宽    plot_all = True #是否批量绘图    if plot_all:        for i in COLOR_SCHEMES.keys():            draw_custom_bar_scatter(df_real_data, #原始数据                                    stats_results, #统计结果                                    scheme_id=i, #配色方案                                    bar_width=target_bar_width) #柱子宽    else:        TARGET_SCHEME = 1        draw_custom_bar_scatter(df_real_data, stats_results,scheme_id=TARGET_SCHEME,bar_width=target_bar_width)

data_path = r'\data.xlsx' #原始数据

2.读取数据，执行部分：

groups = df_real_data['Group'].unique().tolist() #组名features = df_real_data['Feature'].unique().tolist() #柱子名

plot_all = True #是否批量绘图

4.设置绘图结果的保存地址，执行部分：

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