期刊图片复现|Python绘制配对箱线散点图

# =========================================================================================# ====================================== 1. 环境设置 =======================================# =========================================================================================import numpy as npimport pandas as pdimport matplotlib.pyplot as pltimport matplotlib.colors as mcolorsfrom matplotlib.collections import LineCollection

# =========================================================================================# ======================================2.颜色库============================================# =========================================================================================COLOR_SCHEMES = {    1: ['#2c5d87', '#00593b', '#21a257', '#0da7b3'],}

# =========================================================================================# ======================================3.绘图函数============================================# =========================================================================================def plot_advanced_forest_chart(df, scheme_id, mode='classic'):    colors = COLOR_SCHEMES[scheme_id] #提取配色方案    df_numeric = df.select_dtypes(include=['number']) #筛选出数值列    labels = df_numeric.columns.tolist() #列名，用作X轴标签    data = [df_numeric[col].values for col in labels] #遍历提取每列的数值    data_for_boxplot = [d[~np.isnan(d)] for d in data] #剔除空值    n_cols = len(labels) #计算列数，要比较和展示的组数    n_patients = len(df_numeric) #计算行数，样本总数量

    #创建画布    fig, ax = plt.subplots(figsize=(6, 8), dpi=300)    #设置边框    ax.spines['left'].set_linewidth(2)    ax.spines['bottom'].set_linewidth(2)    ax.tick_params(axis='y',  #轴                   which='major',  #主刻度                   length=5,#长度                   width=2,#粗细                   direction='out',#朝外                   labelsize=14)  #大小

    #箱线图    bp = ax.boxplot(data_for_boxplot, #数据                    positions=list(range(n_cols)), #x                    widths=0.6, #宽度                    patch_artist=True, #允许颜色填充或样式修改                    showfliers=False) #异常值    #遍历每一个箱体对象配置样式    for i in range(n_cols):        c = '#b0b0b0' if mode == 'classic' else colors[i] #颜色        bp['caps'][i * 2 + 1].set(color=c, linewidth=2.5) #顶部横线

    np.random.seed(42) #随机种子    x_jitter = np.random.uniform(-0.12, 0.12, (n_patients, n_cols)) #点偏移量    #遍历样本    for i in range(n_patients):        #判断绘图样式        if mode == 'classic':            ax.plot(x_coords, #x                    y_coords, #y                    color='gray', #颜色                    linestyle='--', #样式                    alpha=0.5, #配对连线透明度                    zorder=1, #层                    linewidth=1.2) #粗细                lc = LineCollection(segments, #线段集合                                    colors=c_seg[:-1], #颜色                                    linewidths=1.2, #线宽                                    zorder=1) #层                ax.add_collection(lc) #添加道图上

        #遍历样本点        for j in range(n_cols):            ax.scatter(x_coords[j], #x                       y_coords[j], #y                       color=colors[j], #颜色                       s=80, #大小                       edgecolor='black', #边缘线颜色                       linewidth=1.5, #边缘线粗细                       zorder=3) #层

    #显著性辅助函数    def add_stat_annotation(ax, x1, x2, y, p_val):        gap = 0.05 #差异标识横线两端留白        ax.plot([x1 + gap, x2 - gap], #x                [y, y], #y                color='black', #颜色                lw=1.2) #粗细        #两端垂线长度        tick_len = (y_max - y_min) * 0.02        #p值格式化        if p_val < 0.001:            text = "$p < 0.001$"        else:            text = f"{p_val:.3f}"        #标注        ax.text((x1 + x2) / 2, #x                y + (y_max - y_min) * 0.01, #y                text, #文本                ha='center', #水平                va='bottom', #垂直                fontsize=14, #字体大小                )

    #极值    y_max = np.max([np.max(d[~np.isnan(d)]) for d in data])    y_min = np.min([np.min(d[~np.isnan(d)]) for d in data])    h_step = (y_max - y_min) * 0.12 #统计线递增阶梯        #提取数据        clean_data_i = data[i]        clean_data_j = data[j]        stat, p_val = wilcoxon(clean_data_i, clean_data_j) #Wilcoxon秩检验        y_annot = y_max + h_step * mult #横线y坐标        add_stat_annotation(ax, i, j, y_annot, p_val) #调用函数绘制

# =========================================================================================# ======================================4.执行部分============================================# =========================================================================================if __name__ == '__main__':    excel_filename = r"data.xlsx"#原始数据    df_real = pd.read_excel(excel_filename)#读取    #是否批量绘图        selected_hex_colors = COLOR_SCHEMES[scheme_id]        print('正在绘制并保存方案：', scheme_id)        plot_advanced_forest_chart(df_real, scheme_id, mode='colored')        plot_advanced_forest_chart(df_real, scheme_id, mode='classic')

df_real = pd.read_excel(r"data.xlsx")

2.设置是否要进行批量绘图，执行部分：

plot_all = True

plt.savefig(fr"plot_scheme_{scheme_id}_{suffix}.png", format='png', bbox_inches='tight')