期刊图片复现|Python绘制SHAP交互作用与依赖趋势图

# =========================================================================================# ====================================== 1. 环境设置 =======================================# =========================================================================================import numpy as npimport pandas as pdimport matplotlib.pyplot as pltimport matplotlib.gridspec as gridspecfrom matplotlib.colors import LinearSegmentedColormap

# =========================================================================================# ======================================2.颜色库============================================# =========================================================================================COLOR_SCHEMES = {    1: ['#1075d9', '#8c3cb4', '#f61c5d'],}

# =========================================================================================# ======================================3.绘图函数============================================# =========================================================================================def plot_advanced_forest_chart(df_real, combos, scheme_id):    selected_hex_colors = COLOR_SCHEMES[scheme_id] #提取配色方案    #创建画布    fig = plt.figure(figsize=(16, 10))    #生成渐变色    cmap_custom = LinearSegmentedColormap.from_list(f"shap_cmap_{scheme_id}", selected_hex_colors, N=256)    lowess = sm.nonparametric.lowess #LOWESS局部加权回归函数

    #遍历特征对    for idx, (f1, f2) inenumerate(combos):        row = idx // 2 #当前特征对应该画在第几行        col_offset = (idx % 2) * 2 #列        ax_scatter.set_xlabel(f1) #散点图x轴标题        ax_scatter.set_ylabel("SHAP interaction value") #散点图y轴标题        #添加颜色条        cbar = fig.colorbar(sc,  #基于散点图生成颜色条                            ax=ax_scatter,  #轴                            fraction=0.046,  #颜色条占图空间的比例                            pad=0.04)  #与主图间距        #颜色条标题        cbar.set_label(f2, #文本                       rotation=90, #旋转                       labelpad=10) #间隔

        #折线图0值参考线        ax_line.axhline(0, #y                        color="gray", #颜色                        linestyle="--", #样式                        linewidth=1, #线宽                        alpha=0.6) #透明度        ax_line.plot(high_curve[:, 0], #x                    high_curve[:, 1], #y                    color=selected_hex_colors[2], #颜色                    linewidth=2, #线宽                    label=f"High {f2}") #图例标签        ax_line.set_xlabel(f1) #折线图x轴标题        ax_line.set_ylabel("SHAP interaction value") #折线图y轴标题        ax_line.legend(loc="best", frameon=True, fontsize=10) #图例

        #遍历子图        for ax in [ax_scatter, ax_line]:            #边框设置    #主标题    fig.text(0.02, #x             0.99, #y             "(a) Urban Area - All Feature Interactions", #文本             fontsize=18, #大小             fontweight="bold", #加粗             va="top",#垂直             ha="left")#水平

# =================================================================================================# ======================================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    target_col = 'NPP_Target' #目标变量    y_target = df[target_col] #取出目标变量    df_features = df.drop(columns=[target_col]) #特征数据    print(f"R2: {r2:.2f}")    print(f"RMSE: {rmse:.2f}")    print(f"MAE: {mae:.2f}")    print(f"MSE: {mse:.2f}")

    explainer = shap.TreeExplainer(rf_model) #实例化SHAP树解释器    shap_interaction = explainer.shap_interaction_values(df_features) #SHAP交互值    df_real = df_features.copy() #复制    features = list(df_features.columns) #提取所有特征列名    all_combos = list(itertools.combinations(features, 2)) #生成所有两两特征的排列组合    interaction_metrics.sort(key=lambda x: x['importance'], reverse=True) #重要性强度排序    sorted_combos = [(item['f1'], item['f2']) for item in interaction_metrics] #提取排序后特征组合    top_combos = sorted_combos[:6] #重要性排名前6的特征组合

    #是否批量绘图    plot_all = True    if plot_all:        for scheme_id in COLOR_SCHEMES.keys():            print(f"正在绘制并保存方案： {scheme_id}")            plot_advanced_forest_chart(df_real, top_combos, scheme_id)    else:        scheme_id = 1        print(f"正在绘制并保存方案： {scheme_id}")        plot_advanced_forest_chart(df_real, top_combos, scheme_id)

file_path = r'\data.xlsx' #原始数据

2.定义目标变量，执行部分：

target_col = 'NPP_Target' #目标变量

param_grid = {    'n_estimators': [50, 100, 150],    'max_depth': [4, 6, 8]}

4.设置要绘制前多少组合，执行部分：

top_combos = sorted_combos[:6] #重要性排名前6的特征组合

5.设置是否进行批量绘图，执行部分：

plot_all = True

6.设置绘图结果的保存地址，绘图函数部分：

plt.savefig(fr'shap_interaction_scheme_{scheme_id}.pdf', bbox_inches='tight')