期刊图片复现|Python绘制多面板配对箱线图

# =========================================================================================# ====================================== 1. 环境设置 =======================================# =========================================================================================import numpy as npimport pandas as pdimport matplotlib.pyplot as pltimport seaborn as sns

# =========================================================================================# ======================================2.颜色库=======================================# =========================================================================================COLOR_SCHEMES = {    1: ['#808080', '#1A653B', '#E97D5E', '#CC1C8C'],}

# =========================================================================================# ======================================3.绘图函数======================================# =========================================================================================def plot_advanced_forest_chart(df_plot, scheme_id):    #提取配色方案    selected_colors = COLOR_SCHEMES[scheme_id]    fig, axes = plt.subplots(1,#行    order = list(df_plot['Type'].unique())#获取Type列去重值    aetiologies = df_plot['Aetiology'].unique()#获取Aetiology不重复类别

    #开始变量子图和类别名    for idx, (ax, aetiology) in enumerate(zip(axes, aetiologies)):        color = selected_colors[idx % len(selected_colors)]#子图颜色        #遍历子图箱线图        for patch in ax.patches:            patch.set_edgecolor(color)#边框色            patch.set_facecolor('none')#只留外框线        #遍历线        for line in ax.lines:            line.set_color(color)#颜色

        y_truncal_list = []#存放左侧数值        y_met_list = []#存放右侧数值        #随机数种子，用于后续散点抖动位置设计        np.random.seed(42)        #遍历id号        for patient in sub_df['Patient'].unique():            patient_data = sub_df[sub_df['Patient'] == patient]#提取改id数据            y_truncal = patient_data[patient_data['Type'] == order[0]]['Percentage'].values#左侧数据            y_met = patient_data[patient_data['Type'] == order[1]]['Percentage'].values#右侧数据            #检查是否都有数据            if len(y_truncal) > 0 and len(y_met) > 0:                #保存数据

        #默认p值文本        p_text = "N.S."        #检查数据量        if len(y_truncal_list) > 0 and len(y_met_list) > 0:            diffs = np.array(y_truncal_list) - np.array(y_met_list) #两组数据一一对应的差值                else:                    p_text = f"{p_val:.3g}"        #p值文本        ax.text(0.5,#x                y_text, #y                p_text,#文本                ha='center',#水平                va='bottom',#垂直                color='black',#颜色                fontsize=12)#字体大小

        #子图标题        ax.set_title(aetiology,#文本                     fontweight='bold',#加粗                     fontsize=16,#字体大小                     pad=35)#间隔        ax.set_ylim(-0.05, 1.20)#y轴范围        ax.set_xlabel('')#去掉x轴标注        #去掉上侧和右侧的图框        ax.spines['top'].set_visible(False)    #x轴标题    fig.text(0.5,#x             -0.05,#y             'Subclone type',#文本             ha='center',#水平             fontsize=14#这字体大小             )

# =========================================================================================# ======================================4.执行部分======================================# =========================================================================================if __name__ == '__main__':    excel_path = r"data.xlsx"#原始数据    df_real = pd.read_excel(excel_path)#读取数据    else:        scheme_id = 1        print('正在绘制并保存方案：', scheme_id)        plot_advanced_forest_chart(df_real, scheme_id)

excel_path = r"data.xlsx"#原始数据

2.设置是否进行批量绘图，执行部分：

plot_all = True

order = list(df_plot['Type'].unique())#获取Type列去重值aetiologies = df_plot['Aetiology'].unique()#获取Aetiology不重复类别

4.设置绘图结果的保存地址，绘图函数部分：

plt.savefig(fr"plot_scheme_{scheme_id}.png", dpi=300, bbox_inches='tight')