期刊图片复现|Python绘制顶刊文章高颜值桑基图

# =========================================================================================# ====================================== 1. 环境设置 =======================================# =========================================================================================import matplotlib.pyplot as pltimport matplotlib.patches as patchesimport matplotlib as mplimport pandas as pd

# =========================================================================================# ======================================2.颜色库=======================================# =========================================================================================COLOR_SCHEMES = {    1: ['#B6CBDD', '#5B85A8', '#25557E', '#B5D2E5', '#3E2D53', '#F0DDD1', '#D79691', '#A4545B', '#92323C', '#6E2332', '#8C8C8C'],}

# =========================================================================================# ======================================3.彩色流动带绘制函数=======================================# =========================================================================================def draw_ribbon(ax, x0, y0_mid, x1, y1_mid, color, thickness_data, points_per_y_unit):    #控制点在X轴上的偏移量    dx = (x1 - x0) * 0.45    patch = patches.PathPatch(path, #路径对象                              facecolor='none', #填充色                              edgecolor=color, #边缘颜色                              linewidth=linewidth_points, #宽                              alpha=0.85, #透明度                              capstyle='butt', #线条端点的样式                              zorder=2) #层    ax.add_patch(patch) #添加到轴中

# =========================================================================================# ======================================4.桑基图绘制函数=======================================# =========================================================================================def plot_advanced_forest_chart(df, scheme_id):        #需要展示的具体数值字符串列表        display_vals = [            str(row['Pop_Val']),            str(row['Walk_Val']),            str(row['Ride_Val']),            str(row['Trans_Val']),            str(row['Stop_Val'])        ]    #列名称    col_labels = [        "Change in population in\n10-min walking transit zone\n(persons)",        "Change in walking\ntime (min)",        "Change in riding\ntime (min)",        "Change in transfer\ntime (min)",        "Change in stopping\ntime (min)"    ]

    #创建画布    fig, ax = plt.subplots(figsize=(26, 14))    PILLAR_HEIGHT = 16.0 #柱子总高度    PILLAR_WIDTH = 0.32 #柱子宽度    ROW_SPACING = 20 #柱子间隔常数    COL_SPACING = 8.0 #列间隔常数    #每一层柱子中心Y坐标    Y_CENTERS = [ROW_SPACING * 1.5,                 ROW_SPACING * 0.5,                 -ROW_SPACING * 0.5,                 -ROW_SPACING * 1.5]            ratio = 0.48        c['render_w'] = PILLAR_HEIGHT * ratio #高度值

    #遍历列    for col in range(5):        #遍历行        for row in range(4):            cities_in_node = [c for c in cities if c['nodes'][col] == row] #筛选出数据            raw_total_h = sum(c['render_w'] for c in cities_in_node) #改柱子的所有带的总高度            current_y_top = Y_CENTERS[row] + total_span / 2 #当前色带堆叠最顶端的初始y坐标            # 遍历属于当前节点层级的所有城市            for c in cities_in_node:                allocated_h = c['render_w'] # 高度值                c.setdefault('pos', {})[col] = (current_y_top, current_y_top - allocated_h) #记录当前列该城市色带的上边界与下边界Y坐标                step = allocated_h * scale_factor #利用缩放因子计算下一个城市应当下降的坐标跨度                current_y_top -= step #更新最顶端Y坐标的位置

    #遍历每个城市的数据对象    for city in cities:        for col in range(4): #遍历间隔开始绘制带            x0 = X_COLS[col] + PILLAR_WIDTH #起点x坐标            x1 = X_COLS[col + 1] #终点x坐标            draw_ribbon(ax, #轴对象                        x0, #起点x坐标                        y0_mid, #起点y坐标中心点                        x1, #终点x坐标                        y1_mid, #终点y坐标中心点                        city['color'], #颜色                        thickness, #厚度                        points_per_y_unit) #转换系数

    #遍历列    for col in range(5):        #遍历行        for row in range(4):            y_bottom = Y_CENTERS[row] - PILLAR_HEIGHT / 2 #根据节点中心计算柱子的底边y坐标            ax.text(text_x, #x                    Y_CENTERS[row], #y                    CATEGORY_LEVELS[col][row], #文本                    rotation=-90, #旋转                    ha='center', #水平                    va='center', #垂直                    fontsize=18, #大小                    zorder=6) #层

    #用于收集最左侧用来标注城市名称的初始y坐标集合    left_label_y_raw = []    #遍历城市信息    for city in cities:        y_top, y_bot = city['pos'][0] #提取城市经过第1列时所占的最上和最下位置        ax.text(X_COLS[0] - 0.4, #x                adjusted_left_y[i], #y                label, #文本                ha='right', #水平                va='center', #垂直                fontsize=18) #大小

    #遍历添加数值标注    for col inrange(5):        val_y_raw = [] #用于存放当前所遍历到的这一列下各数值的原始y坐标        #遍历        for city in cities:            y_top, y_bot = city['pos'][col] #边界数据            val_y_raw.append((y_top + y_bot) / 2) #中心位置            #其他列            else:                val_x = X_COLS[col] + 1.2 #x坐标                ax.text(val_x, #x                        adjusted_val_y[i], #y                        city['vals'][col], #数值                        ha='left', #水平                        va='center',#垂直                        fontsize=18,#大小                        zorder=6)#层

    #遍历加列标题    for col inrange(5):        bottom_y = Y_CENTERS[-1] - PILLAR_HEIGHT / 2 - 3.5 #y        ax.text(X_COLS[col] + PILLAR_WIDTH / 2, #x                bottom_y, #y                col_labels[col], #文本                ha='center', #水平

# =========================================================================================# ======================================5.执行部分=======================================# =========================================================================================if __name__ == "__main__":    df = pd.read_excel(r'data.xlsx')#原始数据    print(df.head())    else:        scheme_id = 1        print('正在绘制并保存方案：', scheme_id)        plot_advanced_forest_chart(df, scheme_id)

df = pd.read_excel(r'data.xlsx')#原始数据

2.设置是否要进行批量绘图，执行部分：

plot_all =True#是否批量绘图

CATEGORY_LEVELS = [    ['Highly increase', 'Increase', 'Slight increase', 'Decrease'],['Highly reduced', 'Reduced', 'No change', 'Increase in time'],['Highly reduced', 'Reduced', 'No change', 'Increase in time'],['Highly reduced', 'Reduced', 'No change', 'Increase in time'],['Highly reduced', 'reduced', 'No change', 'Increase in time']]

4.提取数据，绘图函数部分：

for index, row in df.iterrows():    #提取当前城市各项数据在各个节点索引位置    node_indices = [        CATEGORY_LEVELS[0].index(row['Pop_Cat']),        CATEGORY_LEVELS[1].index(row['Walk_Cat']),        CATEGORY_LEVELS[2].index(row['Ride_Cat']),        CATEGORY_LEVELS[3].index(row['Trans_Cat']),        CATEGORY_LEVELS[4].index(row['Stop_Cat'])    ]

col_labels = [    "Change in population in\n10-min walking transit zone\n(persons)",    "Change in walking\ntime (min)",    "Change in riding\ntime (min)",    "Change in transfer\ntime (min)",    "Change in stopping\ntime (min)"]