期刊图片复现|Python绘制相关性热图+特征重要性柱状图组合图

# =========================================================================================# ====================================== 1. 环境设置 =======================================# =========================================================================================import pandas as pdimport matplotlib.pyplot as pltimport numpy as npfrom matplotlib.patches import Ellipse

# =========================================================================================# ====================================== 2. 颜色库 =======================================# =========================================================================================COLOR_SCHEMES = {    1: #00A8A, #9BD89, '#FDFF5', '#FFBB9}

# =========================================================================================# ====================================== 3. 绘图函数 =======================================# =========================================================================================def plot_figure(corr_matrix, sorted_features, sorted_importances, scheme_idx, show_plot=False):    scheme_colors = COLOR_SCHEMES.get(scheme_idx, COLOR_SCHEMES[1])  # 提取配色方案    # 创建画布    fig = plt.figure(figsize=(12, 10))    fig.patch.set_facecolor('white')  # 主图背景色    ax1 = fig.add_axes([0.32, 0.40, 0.55, 0.55])  # 添加第一个子图    # 设置边框显示、粗细    ax1.spines['top'].set_visible(True)    ax1.spines['right'].set_visible(True)    ax1.spines['top'].set_linewidth(1.5)    ax1.spines['right'].set_linewidth(1.5)    ax1.spines['bottom'].set_visible(False)    ax1.spines['left'].set_visible(False)

    # 遍历相关矩阵行    for i in range(n):        # 遍历列                ax1.add_patch(ell)  # 加到子图上                # 极小值                if abs(r) < 0.005:                    text_str = "0"                else:  # 格式化                    text_str = f"{r:.2f}"                    if text_str == "-0.00":                        text_str = "0"                text_color = 'white' if r < -0.7 else 'black'  # 依据背景色的深浅反转字体颜色                # 添加文本                ax1.text(j,  # x                         i,  # y                         text_str,  # 文本                         ha='center',  # 水平                         va='center',  # 垂直                         fontsize=8.5,  # 大小                         color=text_color)  # 颜色

    # 添加第二个子图绘制重要性柱状图    ax2 = fig.add_axes([0.3, 0.37, 0.50, 0.45])    ax2.set_facecolor('none')  # 背景色    bar_colors = custom_cmap(np.linspace(0, 1, len(sorted_importances)))  # 生成一组颜色用作柱子的颜色    # 绘制柱状图    bars = ax2.bar(sorted_features,  # x特征名                   sorted_importances,  # y特征重要性分数                   color=bar_colors,  # 颜色                   edgecolor='black',  # 边框色                   linewidth=0.8,  # 边框线宽                   width=0.6)  # 柱子宽    # 设置轴标注加粗    for label in ax2.get_xticklabels():        label.set_fontweight('bold')    for label in ax2.get_yticklabels():        label.set_fontweight('bold')    # 设置边框    ax2.spines['top'].set_visible(False)    ax2.spines['right'].set_visible(False)    ax2.spines['bottom'].set_linewidth(1.5)    ax2.spines['left'].set_linewidth(1.5)

# =========================================================================================# ====================================== 4. 执行部分 =======================================# =========================================================================================if __name__ == "__main__":    file_path = r"data.xlsx"  # 原始数据    df = pd.read_excel(file_path)  # 读取数据    corr_matrix = df.corr()  # 相关性分析    X = df.drop(columns=['Creep life'])  #特征    y = df['Creep life']  #目标    rf_base = RandomForestRegressor(random_state=42)    grid_search = GridSearchCV(estimator=rf_base, param_grid=param_grid,cv=5, scoring='r2', n_jobs=-1, verbose=2)    grid_search.fit(X_train_scaled, y_train)  #拟合网格搜索    best_rf_model = grid_search.best_estimator_  #获取最佳模型    #预测与评估    y_train_pred = best_rf_model.predict(X_train_scaled)        plot_figure(corr_matrix, sorted_features, sorted_importances, scheme_idx=TARGET_SCHEME, show_plot=True)

file_path = r"data.xlsx"  # 原始数据

2.划分数据集，执行部分：

X = df.drop(columns=['Creep life'])  #特征y = df['Creep life']  #目标

param_grid = {    'n_estimators': range(100, 600, 100),    'max_depth': range(1, 11, 2),}

4.设置是否要进行批量绘图，执行部分：

plot_all = True

plt.savefig(fr"{scheme_idx}.png", dpi=300,bbox_inches='tight', facecolor='white')