import osimport numpy as npimport pandas as pdimport matplotlib.pyplot as plt# 1. 基础配置与创建输出文件夹output_dir = "图表"if not os.path.exists(output_dir):    os.makedirs(output_dir)excel_file = "data.xlsx"if not os.path.exists(excel_file):    raise FileNotFoundError(f"未在当前目录下找到 {excel_file} 文件，请检查文件名和路径。")# 定义展示的基因顺序target_genes = ['Atp2a1', 'Ucp3', 'Sln', 'Pln', 'Ppargc1a']# 定义图表展示的标准组名顺序conditions_order = ['WT, vehicle', 'WT, GDF15', 'WT, pair-fed', 'Gfral KO, vehicle', 'Gfral KO, GDF15']# 2. 20种配色方案字典color_schemes = {    1: {'WT, vehicle': 'white', 'WT, GDF15': '#0000ff', 'WT, pair-fed': 'none', 'Gfral KO, vehicle': 'none',        'Gfral KO, GDF15': '#B25900'},  # 方案1: 经典蓝橘高对比科学配色 (Nature/Science 常用)}# 选择第 1 种配色方案selected_scheme = 1bar_colors = color_schemes[selected_scheme]# 3. 动态配置柱子外边框颜色edge_colors = {cond: ('black' if color == 'white' else color) for cond, color in bar_colors.items()}for cond in edge_colors:    if edge_colors[cond] == 'none':        edge_colors[cond] = '#002060' if 'WT' in cond else '#B25900'# 散点风格配置（统一为纯黑色散点）scatter_styles = {    'WT, vehicle': {'marker': 'o', 'color': 'black', 's': 20, 'zorder': 4},    'WT, GDF15': {'marker': 's', 'color': 'black', 's': 18, 'zorder': 4},    'WT, pair-fed': {'marker': '^', 'color': 'black', 's': 22, 'facecolors': 'none', 'linewidths': 1, 'zorder': 4},    'Gfral KO, vehicle': {'marker': 'o', 'color': 'black', 's': 20, 'facecolors': 'none', 'linewidths': 1, 'zorder': 4},    'Gfral KO, GDF15': {'marker': 's', 'color': 'black', 's': 18, 'zorder': 4}}# 4. 初始化数据结构plot_data = {gene: {cond: {'mean': 0, 'sem': 0, 'values': []} for cond in conditions_order} for gene in target_genes}# 打开 Excel 文件，获取所有 Sheet 的名字列表xl = pd.ExcelFile(excel_file)sheet_names = xl.sheet_namesif len(sheet_names) < 5:    raise ValueError(f"Excel 文件中的 Sheet 数量不足 5 个，当前只有 {len(sheet_names)} 个。")# 5. 按照物理顺序依次读取 Sheet 并处理数据for idx, cond in enumerate(conditions_order):    actual_sheet_name = sheet_names[idx]    df_sheet = pd.read_excel(excel_file, sheet_name=actual_sheet_name, header=None)    sheet_first_col = df_sheet.iloc[:, 0].astype(str).str.strip().tolist()    sheet_first_col_lower = [x.lower() for x in sheet_first_col]    for gene in target_genes:        gene_lower = gene.lower()        if gene_lower in sheet_first_col_lower:            row_idx = sheet_first_col_lower.index(gene_lower)            row_values = df_sheet.iloc[row_idx, 1:]            sample_values = pd.to_numeric(row_values, errors='coerce').dropna().values            plot_data[gene][cond]['values'] = sample_values.tolist()        else:            print(f"提示: 在第 {idx + 1} 个 Sheet [{actual_sheet_name}] 中未找到基因: {gene}")# 计算均值和标准误 (SEM)for gene in target_genes:    for cond in conditions_order:        vals = np.array(plot_data[gene][cond]['values'])        if len(vals) > 0:            plot_data[gene][cond]['mean'] = np.mean(vals)            plot_data[gene][cond]['sem'] = np.std(vals, ddof=1) / np.sqrt(len(vals)) if len(vals) > 1 else 0# 6. 开始绘制高精仿科研图表fig, ax = plt.subplots(figsize=(11, 6), dpi=300)n_genes = len(target_genes)n_conds = len(conditions_order)bar_width = 0.13gap = 0.02group_width = n_conds * (bar_width + gap) + 0.15pos_base = np.arange(n_genes) * group_widthlegend_handles = []for idx, cond in enumerate(conditions_order):    x_positions = pos_base + idx * (bar_width + gap)    means = [plot_data[gene][cond]['mean'] for gene in target_genes]    sems = [plot_data[gene][cond]['sem'] for gene in target_genes]    bars = ax.bar(x_positions, means, width=bar_width,                  color=bar_colors[cond], edgecolor=edge_colors[cond], linewidth=1.5,                  yerr=sems, capsize=2.5, error_kw={'ecolor': 'black', 'elinewidth': 1.2},                  zorder=2)    legend_handles.append(bars[0])    for g_idx, gene in enumerate(target_genes):        vals = plot_data[gene][cond]['values']        if len(vals) > 0:            np.random.seed(42 + idx)            jitter = np.random.uniform(-0.02, 0.02, len(vals))            ax.scatter([x_positions[g_idx]] * len(vals) + jitter, vals, **scatter_styles[cond])# 7. 图表细节美化与坐标轴规范ax.set_ylabel('Relative mRNA expression\nin TA muscle (a.u.)', fontsize=13, labelpad=10)ax.set_xticks(pos_base + (n_conds * (bar_width + gap) - gap) / 2)ax.set_xticklabels(target_genes, rotation=30, ha='right', fontsize=12, fontweight='normal', style='italic')ax.set_ylim(0, 3.2)ax.set_yticks([0, 1, 2, 3])ax.tick_params(axis='both', which='major', labelsize=11, direction='out', length=5, width=1.2)ax.tick_params(axis='x', length=0)ax.spines['top'].set_visible(False)ax.spines['right'].set_visible(False)ax.spines['left'].set_linewidth(1.2)ax.spines['bottom'].set_linewidth(1.2)ax.grid(False)ax.legend(legend_handles, conditions_order, loc='upper left', frameon=False, ncol=2, fontsize=10.5)# 在图表左上角添加加粗的序号 "d"ax.text(-0.06, 1.05, 'd', transform=ax.transAxes, fontsize=18, fontweight='bold', va='top', ha='left')# 8. 标注原图中的显著性 P 值连线def add_p_value(gene_name, c1_idx, c2_idx, p_str, y_base, tick_h=0.04):    g_idx = target_genes.index(gene_name)    x1 = pos_base[g_idx] + c1_idx * (bar_width + gap)    x2 = pos_base[g_idx] + c2_idx * (bar_width + gap)    ax.plot([x1, x1, x2, x2], [y_base - tick_h, y_base, y_base, y_base - tick_h], color='black', lw=1)    ax.text((x1 + x2) / 2, y_base + 0.02, p_str, ha='center', va='bottom', fontsize=10, style='italic')add_p_value('Atp2a1', 0, 2, 'P = 0.016', 1.35)add_p_value('Ucp3', 0, 2, 'P = 0.042', 1.35)add_p_value('Sln', 0, 2, 'P = 0.027', 1.35)add_p_value('Sln', 0, 1, 'P = 0.041', 2.00)add_p_value('Pln', 1, 2, 'P = 0.026', 1.80)add_p_value('Pln', 0, 2, 'P = 0.027', 2.45)add_p_value('Ppargc1a', 1, 2, 'P = 0.048', 1.95)add_p_value('Ppargc1a', 0, 2, 'P = 0.031', 2.60)# 9. 保存高清图片output_path = os.path.join(output_dir, "TA_muscle_mRNA_expression_exact.png")plt.tight_layout()plt.savefig(output_path, dpi=300)plt.close()print(f"图表已成功处理完毕并保存至: {output_path}")