当前位置：首页>python>一天一个科研小技巧——Python复刻《Nature》柱状图

一天一个科研小技巧——Python复刻《Nature》柱状图

  • 2026-09-02 15:54:52
一天一个科研小技巧——Python复刻《Nature》柱状图
📊 柱状图是科研论文中最常见的统计图形之一，但很多时候我们画的柱状图要么千篇一律，要么杂乱无章。顶刊里的柱状图却总能把多组对比、多维度信息安排得明明白白，既清晰又有设计感。✨

今天就用一段 Python 代码，复刻一张Nature的多子图柱状图——包含两组对比实验、多个物种，每个柱子又细分为Unique和Both两类，同时左右两个大子图（a 和 b）分别对应不同的基因集。最终效果极具“顶刊味”，让你的数据展示瞬间提升档次！🚀

论文名称：Whole-genome duplication shaped cell-type evolution in the vertebrate brain

🎯 目标图预览

我们要复刻的是一张2×2 布局的柱状图：

左列（图 h）：比较 AST vs Epen，包含 4 个物种，上下分别显示 WGD 和 SSD 的结果。

右列（图 i）：比较 AST vs Oligo，包含 3 个物种，同样分 WGD 和 SSD。

每个柱子的颜色编码：Unique：浅粉紫（#E1B6CE），深色边框Both：浅蓝色（#A9C4E2），深色边框

这种设计能同时展示数量级差异（Unique 远大于 Both）和物种间趋势，信息密度极高。

🧱 第一步：模拟数据

为便于演示，我们用 numpy 生成与目标趋势一致的数据（实际使用时替换为自己的真实数据即可）。

import numpy as npnp.random.seed(42) h_wgd_unique = np.array([680, 370, 350, 430])h_wgd_both   = np.random.randint(15, 75, size=4) h_ssd_unique = np.array([580, 310, 230, 380])h_ssd_both   = np.random.randint(15, 65, size=4)i_wgd_unique = np.array([640, 400, 410])i_wgd_both   = np.array([105, 30, 28])   i_ssd_unique = np.array([520, 330, 210])i_ssd_both   = np.random.randint(15, 65, size=3)species_h = ["Human", "Mouse", "Lizard", "Lamprey"]species_i = ["Human", "Mouse", "Lizard"]

🎨 第二步：全局样式与配色

顶刊图形通常采用无衬线字体、简洁坐标轴（去掉上、右 spine）和柔和的配色方案。我们一次性设置好：

import matplotlib.pyplot as pltplt.rcParams["font.family"] = "sans-serif"plt.rcParams["axes.unicode_minus"] = False# 定义颜色 (浅色填充 + 深色边框)color_unique = "#E1B6CE"edge_unique  = "#B97A9E"color_both   = "#A9C4E2"edge_both    = "#759CC4"bar_width = 0.35   # 每根柱子的宽度

📐 第三步：核心绘图函数

为了避免重复代码，我们把绘制单组柱状图的逻辑封装成函数，它接受坐标轴、两个数组（Unique 和 Both）、物种名称，以及是否显示 x 轴标签。

def draw_sub_plot(ax, unique_data, both_data, species, show_x=False):    x = np.arange(len(species))    # 绘制柱子：left 偏移量 -bar_width/1.5，right 偏移量 +bar_width/1.5    rects1 = ax.bar(x - bar_width/1.5, unique_data, bar_width,                    color=color_unique, edgecolor=edge_unique, linewidth=2)    rects2 = ax.bar(x + bar_width/1.5, both_data, bar_width,                    color=color_both, edgecolor=edge_both, linewidth=2)    # 隐藏上、右 spine，加粗左、下 spine    ax.spines["top"].set_visible(False)    ax.spines["right"].set_visible(False)    ax.spines["left"].set_linewidth(0.8)    ax.spines["bottom"].set_linewidth(0.8)    ax.set_ylim(-20, 720)     if show_x:        ax.set_xticks(x)        ax.set_xticklabels(species, fontsize=11)    else:        ax.set_xticks([]) 

🗺️ 第四步：使用 GridSpec 精细布局

我们需要两列（左、右），每列上下两个子图（WGD 和 SSD）。用 GridSpec 可以精准控制子图间距，尤其是左右两列之间的间距（通过 wspace 参数）。

fig = plt.figure(figsize=(15, 6)) # 主 GridSpec：2 行 2 列，宽度比例 4:3，左右间距 wspace=0.6gs = fig.add_gridspec(2, 2, width_ratios=[4, 3], wspace=0.6, hspace=0.1)

💡 小技巧：若觉得左右图靠得太近，加大 wspace 即可（如 0.6→0.8）。若整体被压缩，可同步增大 figsize 宽度。

🖼️ 第五步：绘制左列（图 a）

我们为左列（索引 0）创建一个2 行 1 列的子 GridSpec，并添加两个子图。

 # 左列的子网格gs_h = gs[:, 0].subgridspec(2, 1, hspace=0.1)ax_h_top = fig.add_subplot(gs_h[0, 0])ax_h_bottom = fig.add_subplot(gs_h[1, 0], sharex=ax_h_top)# 顶部 (WGD)draw_sub_plot(ax_h_top, h_wgd_unique, h_wgd_both, species_h, show_x=False)ax_h_top.text(1.03, 0.5, "WGD", transform=ax_h_top.transAxes,              rotation=-90, va="center", fontsize=12)# 底部 (SSD)draw_sub_plot(ax_h_bottom, h_ssd_unique, h_ssd_both, species_h, show_x=True)ax_h_bottom.text(1.03, 0.5, "SSD", transform=ax_h_bottom.transAxes,                 rotation=-90, va="center", fontsize=12)# 左列图例 (放在顶部子图的上方)ax_h_top.legend(    [plt.Rectangle((0,0),1,1, facecolor=color_unique, edgecolor=edge_unique, lw=2),     plt.Rectangle((0,0),1,1, facecolor=color_both, edgecolor=edge_both, lw=2)],    ["Unique", "Both"],    title="AST vs Epen",    ncol=2,    bbox_to_anchor=(0.85, 1.15),    frameon=False,    title_fontsize=11,    fontsize=11)# 公共 Y 轴标签（左列）fig.text(0.07, 0.5, "Number of marker gene orthogroups",         va="center", rotation="vertical", fontsize=12)# 子图编号 afig.text(0.05, 0.92, "a", fontsize=18, fontweight="bold", va="top", ha="left")

🖼️ 第六步：绘制右列（图 b）

同理绘制右列，注意物种列表只有 3 个。

gs_i = gs[:, 1].subgridspec(2, 1, hspace=0.1)ax_i_top = fig.add_subplot(gs_i[0, 0])ax_i_bottom = fig.add_subplot(gs_i[1, 0], sharex=ax_i_top)# 顶部 (WGD)draw_sub_plot(ax_i_top, i_wgd_unique, i_wgd_both, species_i, show_x=False)ax_i_top.text(1.04, 0.5, "WGD", transform=ax_i_top.transAxes,              rotation=-90, va="center", fontsize=12)# 底部 (SSD)draw_sub_plot(ax_i_bottom, i_ssd_unique, i_ssd_both, species_i, show_x=True)ax_i_bottom.text(1.04, 0.5, "SSD", transform=ax_i_bottom.transAxes,                 rotation=-90, va="center", fontsize=12)# 右列图例ax_i_top.legend(    [plt.Rectangle((0,0),1,1, facecolor=color_unique, edgecolor=edge_unique, lw=2),     plt.Rectangle((0,0),1,1, facecolor=color_both, edgecolor=edge_both, lw=2)],    ["Unique", "Both"],    title="AST vs Oligo",    ncol=2,    bbox_to_anchor=(0.85, 1.15),    frameon=False,    title_fontsize=11,    fontsize=11)# 公共 Y 轴标签（右列）fig.text(0.53, 0.5, "Number of marker gene orthogroups",         va="center", rotation="vertical", fontsize=12)# 子图编号 bfig.text(0.51, 0.92, "b", fontsize=18, fontweight="bold", va="top", ha="left")plt.tight_layout() plt.show()

✨ 最终效果

📦 完整代码一键运行

把以上所有片段按顺序拼接，即可直接运行。你也可以替换数据为自己的 Excel/CSV 文件，只需调整数组内容即可。

import matplotlib.pyplot as pltimport numpy as np# 设置随机种子np.random.seed(42)# ==========================================# 1. 模拟生成与原图趋势相近的数据# ==========================================# 格式: [Human, Mouse, Lizard, Lamprey]h_wgd_unique = np.array([680, 370, 350, 430])h_wgd_both = np.random.randint(15, 75, size=4)h_ssd_unique = np.array([580, 310, 230, 380])h_ssd_both = np.random.randint(15, 65, size=4)i_wgd_unique = np.array([640, 400, 410])i_wgd_both = np.array([105, 30, 28])  i_ssd_unique = np.array([520, 330, 210])i_ssd_both = np.random.randint(15, 65, size=3)species_h = ["Human", "Mouse", "Lizard", "Lamprey"]species_i = ["Human", "Mouse", "Lizard"]# ==========================================# 2. 画图设置# ==========================================# 设置全局字体为无衬线，更接近 Nature/Science 风格plt.rcParams["font.family"] = "sans-serif"plt.rcParams["axes.unicode_minus"] = False# 创建画布，包含左右两个大区域 (h 和 i)fig = plt.figure(figsize=(14, 6))# 使用 Subplots 布局：左边 2x4 (图h)，右边 2x3 (图i)gs = fig.add_gridspec(2, 2, width_ratios=[4, 3], wspace=0.6, hspace=0.1)# 配色方案 (原图的浅粉紫和浅蓝，带有深色边框)color_unique = "#E1B6CE"edge_unique = "#B97A9E"color_both = "#A9C4E2"edge_both = "#759CC4"bar_width = 0.35# 绘图核心函数def draw_sub_plot(ax, unique_data, both_data, species, show_x=False):    x = np.arange(len(species))    # 画柱状图    rects1 = ax.bar(        x - bar_width / 1.5,        unique_data,        bar_width,        color=color_unique,        edgecolor=edge_unique,        linewidth=2,    )    rects2 = ax.bar(        x + bar_width / 1.5,        both_data,        bar_width,        color=color_both,        edgecolor=edge_both,        linewidth=2,    )    # 样式微调    ax.spines["top"].set_visible(False)    ax.spines["right"].set_visible(False)    ax.spines["left"].set_linewidth(0.8)    ax.spines["bottom"].set_linewidth(0.8)    ax.set_ylim(-20, 720)    if show_x:        ax.set_xticks(x)        ax.set_xticklabels(species, fontsize=11)    else:        ax.set_xticks([])# ==========================================# 3. 图 a (左侧)# ==========================================gs_h = gs[:, 0].subgridspec(2, 1, hspace=0.1)ax_h_top = fig.add_subplot(gs_h[0, 0])ax_h_bottom = fig.add_subplot(gs_h[1, 0], sharex=ax_h_top)# 顶部 WGDdraw_sub_plot(ax_h_top, h_wgd_unique, h_wgd_both, species_h, show_x=False)ax_h_top.text(    1.03,    0.5,    "WGD",    transform=ax_h_top.transAxes,    rotation=-90,    va="center",    fontsize=12,)# 顶部的图例ax_h_top.legend(    [        plt.Rectangle((0, 0), 1, 1, facecolor=color_unique, edgecolor=edge_unique, lw=2),        plt.Rectangle((0, 0), 1, 1, facecolor=color_both, edgecolor=edge_both, lw=2),    ],    ["Unique", "Both"],    title="AST vs Epen",    ncol=2,    bbox_to_anchor=(0.85, 1.15),    frameon=False,    title_fontsize=11,    fontsize=11,)# 底部 SSDdraw_sub_plot(ax_h_bottom, h_ssd_unique, h_ssd_both, species_h, show_x=True)ax_h_bottom.text(    1.03,    0.5,    "SSD",    transform=ax_h_bottom.transAxes,    rotation=-90,    va="center",    fontsize=12,)# 公共 Y 轴标签 (图a)fig.text(    0.07,    0.5,    "Number of marker gene orthogroups",    va="center",    rotation="vertical",    fontsize=12,)fig.text(    0.05, 0.92, "a", fontsize=18, fontweight="bold", va="top", ha="left")# ==========================================# 4.图 b (右侧)# ==========================================gs_i = gs[:, 1].subgridspec(2, 1, hspace=0.1)ax_i_top = fig.add_subplot(gs_i[0, 0])ax_i_bottom = fig.add_subplot(gs_i[1, 0], sharex=ax_i_top)# 顶部 WGDdraw_sub_plot(ax_i_top, i_wgd_unique, i_wgd_both, species_i, show_x=False)ax_i_top.text(    1.04,    0.5,    "WGD",    transform=ax_i_top.transAxes,    rotation=-90,    va="center",    fontsize=12,)# 顶部的图例ax_i_top.legend(    [        plt.Rectangle((0, 0), 1, 1, facecolor=color_unique, edgecolor=edge_unique, lw=2),        plt.Rectangle((0, 0), 1, 1, facecolor=color_both, edgecolor=edge_both, lw=2),    ],    ["Unique", "Both"],    title="AST vs Oligo",    ncol=2,    bbox_to_anchor=(0.85, 1.15),    frameon=False,    title_fontsize=11,    fontsize=11,)# 底部 SSDdraw_sub_plot(ax_i_bottom, i_ssd_unique, i_ssd_both, species_i, show_x=True)ax_i_bottom.text(    1.04,    0.5,    "SSD",    transform=ax_i_bottom.transAxes,    rotation=-90,    va="center",    fontsize=12,)# 公共 Y 轴标签 (图b)fig.text(    0.53,    0.5,    "Number of marker gene orthogroups",    va="center",    rotation="vertical",    fontsize=12,)fig.text(    0.51, 0.92, "b", fontsize=18, fontweight="bold", va="top", ha="left")# 展示图像plt.show()

💬 思考：如果需要添加显著性标记（星号或线段），可以在 draw_sub_plot 内额外用 ax.plot() 和 ax.text() 添加，原理与云雨图类似。

🔮 写在最后

柱状图虽基础，但细节决定格局。通过精细控制子图间距、颜色、边框和图例位置，就能让数据开口说话，让审稿人眼前一亮。👀

如果你觉得有用，点个「在看」或转发给实验室的小伙伴，一起卷出顶刊范儿！我们下一个小技巧见～ 🚀

本文来自网友投稿或网络内容，如有侵犯您的权益请联系我们删除，联系邮箱：596563534@qq.com 。

Python学习【12】:虚拟机IP老是变?一次搞定静态IP,顺便理清Nginx在物理机与Docker下的配置差异

Rocky Linux 9 从入门到精通009 -- Samba 共享(理论篇)

最新文章

随机文章