从 R 基础包到 Python,手把手教你画出能投稿的森林图

当你完成了一项关于某药物辅助治疗急性心肌梗死的随机对照研究（HR = 0.72, 95% CI: 0.58–0.89, p = 0.003），审稿人回复："Please present the subgroup analysis in a forest plot."但你用 forestplot 包画出了图——坐标轴重叠、字体太小、色调整体"灰蒙蒙"。你意识到：能跑出图和能投稿，中间隔着一整条审美鸿沟。那么，该如何绘制符合发表要求且美观的图呢？接下来逐步给你演示。

一、森林图的结构：每一个元素都有意义

森林图本质是一种以点估计和区间估计为核心的可视化。在写代码之前，先确保我们叫得出每个零件的名字。

关键认知：审稿人看森林图，第一眼就是看那条竖线——哪些横线穿过了它，哪些没有。竖线的视觉权重必须足够明显。

图1 森林图结构解析 —— 左侧统计表（亚组、事件数、OR 及 95% CI），右侧图形可视化。箭头标注各元素：置信区间、点估计、无效线、合并菱形

二、R 方案一：forestplot 包（通用快速）

forestplot 包是绘制森林图的老牌工具，特点代码简洁，自动完成大部分排版。适合快速出图、亚组分析展示。

# ==========================================# forestplot 包 —— Meta 分析森林图# 特点：展示多项研究 + 权重 + 合并效应# ==========================================library(forestplot)library(dplyr)# ---------- 模拟 7 项 RCT 数据 ----------df <- data.frame(  study     = c("Smith 2020", "Jones 2021", "Lee 2021",                "Wang 2022", "Patel 2022", "Kim 2023",                "Chen 2023", "总体 (Random)"),  events_t  = c(42, 68, 73, 37, 55, 55, 79, 409),  n_t       = c(180, 220, 250, 150, 200, 200, 260, 1460),  events_c  = c(58, 74, 86, 46, 68, 64, 90, 486),  n_c       = c(170, 230, 240, 160, 190, 210, 250, 1450),  weight    = c(14.2, 16.8, 15.3, 11.9, 13.7, 12.5, 15.6, 100),  or_est    = c(0.65, 0.78, 0.70, 0.75, 0.68, 0.76, 0.71, 0.72),  ci_low    = c(0.45, 0.55, 0.52, 0.53, 0.48, 0.55, 0.53, 0.58),  ci_high   = c(0.85, 1.05, 0.92, 0.98, 0.90, 1.02, 0.92, 0.89),  is_sum    = c(F, F, F, F, F, F, F, T))# ---------- 表格标签（含权重列） ----------table_text <- cbind(  "研究" = c("研究", df$study),  "治疗组" = c("治疗组",    paste0(df$events_t, "/", df$n_t)),  "对照组" = c("对照组",    paste0(df$events_c, "/", df$n_c)),  "权重(%)" = c("权重(%)",    sprintf("%.1f", df$weight)),  "OR (95% CI)" = c("OR (95% CI)",    sprintf("%.2f (%.2f–%.2f)",            df$or_est, df$ci_low, df$ci_high)))# ---------- 绘图 ----------tiff("meta_forestplot.tiff", width=10, height=5.5,     units="in", res=300, compression="lzw")forestplot(  labeltext  = table_text,  mean       = c(NA, df$or_est),  lower      = c(NA, df$ci_low),  upper      = c(NA, df$ci_high),  is.summary = c(F, df$is_sum),  zero       = 1,  clip       = c(0.3, 1.3),  col        = fpColors(box="#2C3E50", line="#2C3E50",                       zero="#B71C1C", summary="#E74C3C"),  boxsize    = df$weight / 100,   # 方块大小与权重成正比  lwd.zero   = 1.8,  graph.pos  = 6,  xlab       = "Odds Ratio (95% CI)",  title      = "Meta 分析森林图",  txt_gp     = fpTxtGp(    label=gpar(fontfamily="sans", cex=0.85),    ticks=gpar(fontfamily="sans", cex=0.8),    xlab=gpar(fontfamily="sans", cex=0.9)))dev.off()

图2 Meta 分析森林图 —— forestplot 包输出。展示 7 项 RCT 的随机效应模型合并，方块大小与权重成正比，菱形为合并效应量

三、R 方案二：ggplot2 自定义（更灵活）

当你需要更细腻的控制——亚组之间用颜色区分、自由调整主题、或把森林图嵌入更大排版中——ggplot2 是更强大的选择。

# ==========================================# ggplot2 自定义 —— Cox 回归亚组森林图（HR）# ==========================================library(ggplot2)# ---------- 模拟数据（Cox 回归 HR）----------df <- data.frame(  variable = c("年龄", "",               "性别", "",               "BMI", "",               "糖尿病史", "", ""),  subgroup = factor(c("≤ 60岁", "> 60岁",                       "男性", "女性",                       "< 25", "≥ 25",                       "无", "有",                       "总体"),                   levels = rev(c("≤ 60岁", "> 60岁",                                     "男性", "女性",                                     "< 25", "≥ 25",                                     "无", "有",                                     "总体"))),  category = c("年龄", "年龄",               "性别", "性别",               "BMI", "BMI",               "糖尿病史", "糖尿病史", "总体"),  n        = c(350, 450, 490, 310,              390, 410, 510, 290, 800),  hr_est   = c(0.65, 0.78, 0.70, 0.75,               0.68, 0.76, 0.71, 0.74, 0.72),  ci_low   = c(0.45, 0.55, 0.52, 0.53,               0.48, 0.55, 0.53, 0.52, 0.58),  ci_high  = c(0.85, 1.05, 0.92, 0.98,               0.90, 1.02, 0.92, 0.99, 0.89),  p_val    = c(0.003, 0.100, 0.012, 0.038,               0.008, 0.065, 0.011, 0.043, 0.002))# ---------- 配色 ----------var_colors <- c("年龄"  = "#2166AC",               "性别"  = "#D6604D",               "BMI"   = "#4DAF4A",               "糖尿病史" = "#FF7F00",               "总体"  = "#333333")# ---------- 森林图主体 ----------p <- ggplot(df, aes(x = hr_est, y = subgroup)) +  geom_vline(xintercept = 1, linetype = "dashed",             color = "#B71C1C", linewidth = 1.0) +  geom_errorbarh(aes(xmin = ci_low, xmax = ci_high,                     color = category),                 height = 0.15, linewidth = 1.2) +  geom_point(aes(fill = category, size = category),             shape = 21, color = "white", stroke = 0.8) +  scale_fill_manual(values = var_colors, guide = "none") +  scale_color_manual(values = var_colors, guide = "none") +  scale_size_manual(values = c("年龄" = 3.5, "性别" = 3.5,                            "BMI" = 3.5, "糖尿病史" = 3.5,                            "总体" = 6)) +  scale_x_continuous(breaks = seq(0.2, 1.2, 0.2),                     limits = c(0.15, 1.35)) +  labs(title = "亚组分析森林图 — ggplot2",       subtitle = "Cox 回归 HR (95% CI) | 按变量类别分色",       x = "Hazard Ratio (95% CI)", y = NULL) +  theme_minimal(base_size = 12) +  theme(    plot.title    = element_text(face = "bold", size = 14, hjust = 0.5),    plot.subtitle = element_text(size = 10, hjust = 0.5, color = "grey40"),    panel.grid.major.y = element_line(color = "grey90", linewidth = 0.4),    panel.grid.major.x = element_line(color = "grey90", linewidth = 0.3),    panel.grid.minor   = element_blank()  ) +  geom_text(aes(label = paste0("P=", round(p_val, 3))),            x = 1.25, color = "grey40",            size = 3, hjust = 0)ggsave("forestplot_ggplot2.tiff", plot = p,       width = 10, height = 5.5, dpi = 300,       compression = "lzw")# 注意：本例展示的是 Cox 回归的 HR（风险比），# 不同于 Fig2 的 OR（病例对照研究）和 Fig4 的 MD（连续变量）。# 不同分析类型应使用各自的效应量指标，不可混用。

图3 亚组分析森林图 —— ggplot2 绘制。Cox 回归 HR (95% CI)，按变量类别分色（蓝/红/绿/橙），左侧彩色竖条标识变量分组，右侧标注 P 值

ggplot2 方案优势：

• 用 fill 和 color 分别控制方块内色和边框，实现"哑光学术风"
• geom_vline
   绘制无效线，可自由设置线型、粗细、颜色
• 用 category 变量将亚组归类上色，读者一眼看出哪些属于同一类
• 直接调用 ggsave 输出 tiff/pdf/png，一站式管理分辨率

四、Python 版：matplotlib 画森林图

如果你是 Python 生态用户，matplotlib 同样能画出高质量的森林图。

# ==========================================# Python matplotlib —— 连续变量森林图（MD）# ==========================================import matplotlib.pyplot as pltimport numpy as np# ---------- 模拟数据（连续变量：收缩压降幅）----------# 结构：(亚组, 治疗组n, 治疗组Mean, 治疗组SD,#        对照组n, 对照组Mean, 对照组SD,#        MD, CI下限, CI上限)data = [    ("年龄 ≤ 60岁", 180, -8.5, 4.2, 170, -5.2, 4.0, -3.3, -5.1, -1.5),    ("年龄 > 60岁", 220, -7.8, 5.1, 230, -4.8, 4.8, -3.0, -4.8, -1.2),    ("男性",        250, -7.2, 4.8, 240, -4.5, 4.6, -2.7, -4.4, -1.0),    ("女性",        150, -9.0, 3.9, 160, -5.5, 3.8, -3.5, -5.4, -1.6),    ("BMI < 25",    200, -8.8, 4.5, 190, -5.0, 4.3, -3.8, -5.6, -2.0),    ("BMI ≥ 25",    200, -7.0, 5.2, 210, -4.2, 5.0, -2.8, -4.6, -1.0),    ("总体",        400, -8.0, 4.8, 400, -4.9, 4.6, -3.1, -4.2, -2.0),]# ---------- 创建画布 ----------fig, ax_tbl = plt.subplots(figsize=(10, 5))ax_tbl.set_facecolor("white")# 隐藏主坐标轴（用于表格）ax_tbl.axis("off")# ---------- 左侧统计量表 ----------col_labels = ["亚组", "治疗组\\nMean±SD", "对照组\\nMean±SD", "MD (95% CI)"]cell_text = []for d in data:    sub, nt, mt, sdt, nc, mc, sdc, md, lo, hi = d    cell_text.append([sub, f"{mt:.1f}±{sdt:.1f}",                     f"{mc:.1f}±{sdc:.1f}",                     f"{md:.1f} ({lo:.1f}–{hi:.1f})"])tbl = ax_tbl.table(    cellText=cell_text, colLabels=col_labels,    cellLoc="left", loc="left",    bbox=[0.0, 0.05, 0.55, 0.90])# 表格样式for (row, col), cell in tbl.get_celld().items():    if row == 0:        cell.set_facecolor("#eef0f5")        cell.get_text().set_weight("bold")        cell.get_text().set_fontsize(9)    elif row <= len(data) and cell_text[row-1][0] == "总体":        cell.set_facecolor("#f0f2f6")        cell.get_text().set_weight("bold")    elif row % 2 == 0:        cell.set_facecolor("#f7f8fa")    cell.get_text().set_fontsize(9)# ---------- 右侧森林图 ----------ax_forest = fig.add_axes([0.58, 0.12, 0.38, 0.80])# 无效线（MD = 0）ax_forest.axvline(x=0, color="#B71C1C", linestyle="--",           linewidth=1.5, alpha=0.7, zorder=1)# 绘制每个亚组for i, d in enumerate(data):    sub, nt, mt, sdt, nc, mc, sdc, md, lo, hi = d    y_pos = len(data) - 1 - i    is_ov = (sub == "总体")    lc = "#E74C3C" if is_ov else "#3498db"    lw = 2.5 if is_ov else 2.0    ax_forest.plot([lo, hi], [y_pos, y_pos], color=lc,            linewidth=lw, solid_capstyle="round", zorder=2)    if is_ov:        ax_forest.scatter(md, y_pos, s=120, marker="D",                   color="#E74C3C", edgecolors="white",                   linewidth=0.8, zorder=3)    else:        ax_forest.scatter(md, y_pos, s=80, marker="o",                   color="#3498db", edgecolors="white",                   linewidth=0.8, zorder=3)ax_forest.set_ylim(-0.5, len(data))ax_forest.set_xlim(-7, 1.5)ax_forest.set_yticks([])ax_forest.set_xlabel("均值差 (MD) — 有利于治疗组 →", fontsize=10)ax_forest.tick_params(axis="x", labelsize=8)for spine in ["top", "right", "left"]:    ax_forest.spines[spine].set_visible(False)fig.suptitle("连续变量森林图 — matplotlib", fontsize=14,           fontweight="bold", y=0.97)plt.tight_layout(rect=[0, 0, 1, 0.93])# ---------- 导出 ----------plt.savefig("forestplot_python.tiff", dpi=300,            bbox_inches="tight",            pil_kwargs={"compression": "tiff_lzw"})plt.savefig("forestplot_python.pdf", dpi=300,            bbox_inches="tight")# 思路：连续变量森林图，效应量为均值差 (MD)。# 圆点代表各亚组点估计（蓝色），菱形表示总体合并效应（红色）。# 无效线为 MD = 0，左侧为有利于治疗组。

图4 连续变量森林图 —— matplotlib 绘制。收缩压降幅的均值差 (MD) 及 95% CI，圆点表示亚组点估计，蓝色简洁风格，菱形表示总体合并效应

五、图片导出核心设置（所有方案通用）

无论是 R 还是 Python，投稿级图片的导出需满足以下参数：

R 统一管理

# TIFF（投稿首选）tiff("输出.tiff", width=10, height=6,     units="in", res=300,     compression="lzw")# ... 绘图代码 ...dev.off()# PDF（矢量图）pdf("输出.pdf", width=10, height=6)# ... 绘图代码 ...dev.off()

Python 统一管理

# TIFF（投稿首选）plt.savefig("输出.tiff", dpi=300,            bbox_inches="tight",            pil_kwargs={"compression": "tiff_lzw"})# PDF（矢量图）plt.savefig("输出.pdf", dpi=300,            bbox_inches="tight")

六、常见问题与避坑指南

Q1：亚组很多，森林图挤成一团怎么办？

增大图片高度。经验公式：每个亚组分配 0.5–0.6 inch 高度。8 个亚组 + 1 个总体 ≈ 5–6 inch。

Q2：有的亚组置信区间特别宽，把坐标轴拉得很长？

用 clip（forestplot）、coord_cartesian()（ggplot2）或 set_xlim()（matplotlib）限制显示范围，并在图中注明 "CI truncated"。

Q3：审稿人说"颜色看不清"？

避免红绿搭配（红绿色盲人群占 8% 男性）。推荐 ColorBrewer 或 Lancet 配色——蓝色 + 橙红色系最稳妥。

Q4：如何让"总体"那一行更突出？

增大方块尺寸，或加粗整行字体，或在左侧加分隔线。详见上方代码中 size / boxsize 的控制。