用Python做科研级画图——一张“评估图套件”模板

import osimport numpy as npimport pandas as pdimport seaborn as snsimport matplotlib as mplimport matplotlib.pyplot as pltfrom matplotlib import font_manager as fmfrom matplotlib.ticker import MaxNLocator, FormatStrFormatterfrom sklearn.metrics import r2_score, mean_squared_error, mean_absolute_error# =========================================================# 0) 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"] = Falsempl.rcParams["text.usetex"] = FalseOUT_DIR = r"D:\py_figs"os.makedirs(OUT_DIR, exist_ok=True)# =========================================================# 1) 构造示例数据# =========================================================np.random.seed(42)y_true = np.random.uniform(280, 320, 600)preds = {    "Model A / 模型A": y_true + np.random.normal(0, 1.8, 600),    "Model B / 模型B": y_true + np.random.normal(0, 2.4, 600),    "Model C / 模型C": y_true + np.random.normal(0, 1.5, 600) + 0.35,    "Model D / 模型D": y_true + np.random.normal(0, 2.0, 600) - 0.25,}# 默认选一个主模型演示单模型评估图main_model_name = "Model C / 模型C"y_pred = preds[main_model_name]errors = y_pred - y_true# =========================================================# 2) 图1：True vs Predicted# =========================================================r2 = r2_score(y_true, y_pred)rmse = np.sqrt(mean_squared_error(y_true, y_pred))mae = mean_absolute_error(y_true, y_pred)bias = np.mean(errors)xy_min = min(y_true.min(), y_pred.min()) - 1.5xy_max = max(y_true.max(), y_pred.max()) + 1.5fig, ax = plt.subplots(figsize=(5.8, 5.2))ax.scatter(y_true, y_pred, s=18, alpha=0.40, color="#4C78A8")ax.plot([xy_min, xy_max], [xy_min, xy_max], linestyle="--", linewidth=1.6, color="red")ax.set_xlim(xy_min, xy_max)ax.set_ylim(xy_min, xy_max)ax.set_xlabel("True Value (K) / 真值", fontsize=12)ax.set_ylabel("Predicted Value (K) / 预测值", fontsize=12)ax.set_title("True vs Predicted / 真值与预测值", fontsize=14)ax.xaxis.set_major_locator(MaxNLocator(nbins=6))ax.yaxis.set_major_locator(MaxNLocator(nbins=6))metrics_text = (    f"R² = {r2:.4f}\n"    f"RMSE = {rmse:.3f}\n"    f"MAE = {mae:.3f}\n"    f"Bias = {bias:.3f}")ax.text(    0.05, 0.95,    metrics_text,    transform=ax.transAxes,    va="top",    ha="left",    fontsize=11,    bbox=dict(boxstyle="round,pad=0.3", facecolor="white", edgecolor="black", alpha=0.9))for spine in ax.spines.values():    spine.set_linewidth(1.2) fig.savefig(os.path.join(OUT_DIR, "suite_01_true_vs_predicted.jpg"),            dpi=300, bbox_inches="tight", pad_inches=0.05)plt.close(fig)# =========================================================# 3) 图2：Error Distribution# =========================================================bias = np.mean(errors)sd = np.std(errors, ddof=1)fig, ax = plt.subplots(figsize=(6.2, 4.8))sns.histplot(errors, bins="fd", stat="density", alpha=0.35, ax=ax)sns.kdeplot(errors, linewidth=2.0, ax=ax)ax.axvline(0, color="black", linestyle="--", linewidth=1.4)ax.axvline(bias, color="red", linestyle="--", linewidth=1.6)ax.set_title("Error Distribution / 误差分布", fontsize=14)ax.set_xlabel("Error = Predicted - True (K) / 误差", fontsize=12)ax.set_ylabel("Density / 密度", fontsize=12)ax.xaxis.set_major_locator(MaxNLocator(nbins=6))ax.yaxis.set_major_locator(MaxNLocator(nbins=6))metrics_text = (    f"Bias = {bias:.3f}\n"    f"SD = {sd:.3f}\n"    f"RMSE = {rmse:.3f}")ax.text(    0.97, 0.95,    metrics_text,    transform=ax.transAxes,    va="top",    ha="right",    fontsize=11,    bbox=dict(boxstyle="round,pad=0.3", facecolor="white", edgecolor="black", alpha=0.9))for spine in ax.spines.values():    spine.set_linewidth(1.2)fig.savefig(os.path.join(OUT_DIR, "suite_02_error_distribution.jpg"),            dpi=300, bbox_inches="tight", pad_inches=0.05)plt.close(fig)# =========================================================# 4) 图3：Grouped Error（按真值区间）# =========================================================bins = [280, 290, 300, 310, 320]labels = ["280–290", "290–300", "300–310", "310–320"]df = pd.DataFrame({    "True": y_true,    "Pred": y_pred,    "Error": errors})df["True_bin"] = pd.cut(df["True"], bins=bins, labels=labels, include_lowest=True)grouped_errors = [df.loc[df["True_bin"] == lab, "Error"].values for lab in labels]fig, ax = plt.subplots(figsize=(7.0, 4.6))ax.boxplot(    grouped_errors,    patch_artist=True,    widths=0.6,    showfliers=True,    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'))ax.axhline(0, color="red", linestyle="--", linewidth=1.3)ax.set_xticks(range(1, len(labels) + 1))ax.set_xticklabels(labels, fontsize=11)ax.set_title("Grouped Error by True Bins / 按真值区间分组的误差", fontsize=14)ax.set_xlabel("True Value Bin (K) / 真值区间", fontsize=12)ax.set_ylabel("Error (K) / 误差", fontsize=12)for spine in ax.spines.values():    spine.set_linewidth(1.2)fig.savefig(os.path.join(OUT_DIR, "suite_03_grouped_error.jpg"),            dpi=300, bbox_inches="tight", pad_inches=0.05)plt.close(fig)# =========================================================# 5) 图4：Multi-model Comparison（三联图）# =========================================================model_names = list(preds.keys())errors_all = []rmse_list = []r2_list = []for name in model_names:    err = preds[name] - y_true    errors_all.append(err)    rmse_list.append(np.sqrt(mean_squared_error(y_true, preds[name])))    r2_list.append(r2_score(y_true, preds[name]))fig, axes = plt.subplots(1, 3, figsize=(14, 4.8))# ---- (1) 箱线图：误差分布 ----axes[0].boxplot(    errors_all,    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)vals_rmse = [rmse_list[i] for i in order_rmse]y_rmse = np.arange(len(vals_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]vals_r2 = [r2_list[i] for i in order_r2]y_r2 = np.arange(len(vals_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)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)fig.savefig(os.path.join(OUT_DIR, "suite_04_multi_model_comparison.jpg"),            dpi=300, bbox_inches="tight", pad_inches=0.05)plt.close(fig)print("Saved 4 figures to:", OUT_DIR)