用Python做科研级画图——多模型对比(箱线/条形/点图组合)

import osimport numpy as npimport matplotlib as mplimport matplotlib.pyplot as pltfrom matplotlib import font_manager as fmfrom sklearn.metrics import mean_squared_error, r2_score# =========================# 字体设置：英文 Times New Roman + 中文 SimSun# =========================win_fonts = r"C:\Windows\Fonts"for p in [    os.path.join(win_fonts, "times.ttf"),    os.path.join(win_fonts, "timesbd.ttf"),    os.path.join(win_fonts, "timesi.ttf"),    os.path.join(win_fonts, "simsun.ttc"),]:    if os.path.exists(p):        try:            fm.fontManager.addfont(p)        except Exception:            passmpl.rcParams["font.family"] = ["Times New Roman", "SimSun"]mpl.rcParams["axes.unicode_minus"] = False# =========================# 输出路径# =========================OUT_DIR = r"D:\py_figs"os.makedirs(OUT_DIR, exist_ok=True)# =========================# 构造示例数据# =========================np.random.seed(42)model_names = ["Model A / 模型A", "Model B / 模型B", "Model C / 模型C", "Model D / 模型D"]y_true = np.random.uniform(280, 320, 400)preds = {    "ModelA / 模型A": y_true + np.random.normal(0, 1.8, 400),    "ModelB / 模型B": y_true + np.random.normal(0, 2.4, 400),    "ModelC / 模型C": y_true + np.random.normal(0, 1.5, 400) + 0.4,    "ModelD / 模型D": y_true + np.random.normal(0, 2.0, 400) - 0.3,}errors = []rmse_list = []r2_list = []for name in model_names:    err = preds[name] - y_true    errors.append(err)    rmse_list.append(np.sqrt(mean_squared_error(y_true, preds[name])))    r2_list.append(r2_score(y_true, preds[name]))# =========================# 三联图# =========================fig, axes = plt.subplots(1, 3, figsize=(14, 4.8))# ---------- (1) 箱线图：误差分布 ----------axes[0].boxplot(    errors,    patch_artist=True,    widths=0.55,    medianprops=dict(color="black", linewidth=1.5),    whiskerprops=dict(color="black", linewidth=1.2),    capprops=dict(color="black", linewidth=1.2),    boxprops=dict(facecolor="white", edgecolor="black", linewidth=1.2),    flierprops=dict(marker='o', markerfacecolor='white', markeredgecolor='black',                    markersize=4, linestyle='none'))axes[0].axhline(0, color="red", linestyle="--", linewidth=1.2)axes[0].set_xticks(range(1, len(model_names) + 1))axes[0].set_xticklabels(["A", "B", "C", "D"])axes[0].set_title("Error Distribution / 误差分布", fontsize=13)axes[0].set_ylabel("Error (K) / 误差", fontsize=11)# ---------- (2) 条形图：RMSE ----------order_rmse = np.argsort(rmse_list)# 从小到大names_rmse = [model_names[i] for i in order_rmse]vals_rmse = [rmse_list[i] for i in order_rmse]y_rmse = np.arange(len(names_rmse))axes[1].barh(y_rmse, vals_rmse)axes[1].set_yticks(y_rmse)axes[1].set_yticklabels(["A", "B", "C", "D"])axes[1].invert_yaxis()axes[1].set_title("RMSE Ranking / RMSE 排序", fontsize=13)axes[1].set_xlabel("RMSE (K)", fontsize=11)for yi, v in zip(y_rmse, vals_rmse):    axes[1].text(v + 0.03, yi, f"{v:.2f}", va="center", fontsize=10)# ---------- (3) 点图：R² ----------order_r2 = np.argsort(r2_list)[::-1]# 从大到小names_r2 = [model_names[i] for i in order_r2]vals_r2 = [r2_list[i] for i in order_r2]y_r2 = np.arange(len(names_r2))axes[2].scatter(vals_r2, y_r2, s=70)for yi, v in zip(y_r2, vals_r2):    axes[2].plot([0, v], [yi, yi], linewidth=1.0)    axes[2].text(v + 0.002, yi, f"{v:.3f}", va="center", fontsize=10)axes[2].set_yticks(y_r2)axes[2].set_yticklabels(["A", "B", "C", "D"])axes[2].invert_yaxis()axes[2].set_xlim(left=0)axes[2].set_title("R² Ranking / 排序", fontsize=13)axes[2].set_xlabel("R²", fontsize=11)# ---------- 边框优化 ----------for ax in axes:    for spine in ax.spines.values():        spine.set_linewidth(1.2)fig.suptitle("Multi-model Comparison / 多模型对比", fontsize=15, y=1.02)out_path = os.path.join(OUT_DIR, "multi_model_comparison_suite.jpg")fig.savefig(out_path, dpi=300, bbox_inches="tight", pad_inches=0.05)plt.close(fig)print("Saved:", out_path)