当前位置：首页>python>Python绘图:双Y轴多子图复现材料配合比区间统计图

Python绘图:双Y轴多子图复现材料配合比区间统计图

2026-07-06 21:52:19

欢迎关注【嗡嗡的Python日常】

今日复现内容介绍

本节介绍：一种论文中常见的数据集变量区间分布图。该图以 4 行 2 列的多面板形式，同时展示水灰比、橡胶含量、最大橡胶粒径、水泥含量、细骨料含量、粗骨料含量、硅灰掺量比和减水剂含量等变量的样本数与概率密度。本文根据原图结构和用户提供的 Python 复刻代码，对绘图流程、核心参数和图形解读进行整理说明。

需要说明的是，当前代码主要根据论文原图进行视觉复刻，图中区间、样本数和百分比来自代码中整理好的复刻数据。正式用于自己的论文时，应替换为真实数据统计结果，并结合数据来源、实验设计和建模任务进行解释。

相关信息

这类图主要用于论文中的数据描述或数据集分析部分。相比只给出一张统计表，它能够把每个输入变量的分布范围、样本集中区间和长尾区间同时展示出来，读者不需要逐行读取表格，就能快速判断数据集是否存在明显偏态、样本稀疏区间或变量取值不均衡。

原图采用 8 个子图分别展示不同变量。每个子图中，左侧 y 轴表示样本数量 Number，蓝色柱形表示该区间内的样本个数；右侧 y 轴表示 Probability density，绿色折线和散点表示该区间样本占总样本的百分比。子图下方的横轴为变量区间，例如水灰比（w/c）、橡胶含量（C_R）、最大橡胶粒径（S_R）、水泥含量（C_C）等。

论文原图

从图形表达上看，它不是模型解释图，而是建模前的数据集结构说明图。对于材料、土木、环境或工程类机器学习论文，这类图适合放在“Dataset description”“Data preprocessing”或“Descriptive statistics”附近，用于说明样本覆盖范围和变量分布特征。

基础代码

下面代码使用整理后的区间统计数据进行流程演示，主要用于说明图形结构和绘图逻辑。若要迁移到自己的数据中，可以先用 pd.cut 或自定义分箱规则统计每个变量在不同区间内的样本数，再计算对应百分比。

import matplotlib.pyplot as pltimport numpy as npimport osimport warningswarnings.filterwarnings("ignore")plt.rcParams["font.family"] = ["Times New Roman", "SimHei", "DejaVu Sans"]plt.rcParams["mathtext.fontset"] = "stix"plt.rcParams["axes.unicode_minus"] = Falseplt.rcParams["savefig.bbox"] = "tight"plt.rcParams["savefig.dpi"] = 600

这部分代码主要完成全局绘图设置，包括字体、数学公式字体、负号显示和保存分辨率。复刻论文图时，字体和线宽很容易影响最终观感，因此建议先统一设置全局参数，再进入具体绘图步骤。

CUSTOM_FONT_SIZE = 14CUSTOM_BAR_WIDTH = 0.35CUSTOM_LINE_WIDTH = 3.5CUSTOM_SCATTER_SIZE = 70CUSTOM_BAR_COLOR = "#8FB2D9"CUSTOM_LINE_COLOR = "#A2D289"Y1_MAX = 1200Y2_MAX = 100

这组参数用于控制图形风格。蓝色柱形用于表示样本数量，浅绿色折线用于表示概率密度。左侧 y 轴固定到 1200，右侧 y 轴固定到 100%，这样 8 个子图可以保持统一尺度，便于横向比较。

plots_data = [    {        "x": ["[0.3,0.4]", "(0.4,0.5]", "(0.5,0.6]", "(0.6,0.7]"],        "y": [327, 555, 179, 148],        "xlabel": "Water-to-cement ratio, $\\mathbf{w/c}$ (/)"    },    {        "x": ["[0,123]", "(123,245]", "(245,368]", "(368,490]"],        "y": [1028, 152, 18, 11],        "xlabel": "Rubber content, $\\mathbf{C_R}$ (kg/m$^3$)"    }]

论文原图复现结果

多配色参考

fig, axes = plt.subplots(4, 2, figsize=(14, 18))plt.subplots_adjust(wspace=0.35, hspace=0.45)for idx, ax1 in enumerate(axes.flatten()):    data = plots_data[idx]    x_labels = data["x"]    y_vals = data["y"]    x_idx = np.arange(len(x_labels))    total_count = sum(y_vals)    y_pcts = [(v / total_count) * 100for v in y_vals]    bars = ax1.bar(        x_idx,        y_vals,        width=CUSTOM_BAR_WIDTH,        color=CUSTOM_BAR_COLOR,        edgecolor="white",        linewidth=1.5,        hatch="....",        zorder=2    )    ax1.set_ylim(0, Y1_MAX)    ax1.set_ylabel("Number", fontsize=CUSTOM_FONT_SIZE, fontweight="bold")    ax1.set_xticks(x_idx)    ax1.set_xticklabels(x_labels, fontsize=CUSTOM_FONT_SIZE - 2)    ax1.set_xlabel(data["xlabel"], fontsize=CUSTOM_FONT_SIZE, fontweight="bold")    ax1.yaxis.grid(True, linestyle="--", alpha=0.4)    for i, val in enumerate(y_vals):        y_pos = val / 2if val > 150else val + 40        ax1.text(i, y_pos, str(val), ha="center", va="center",                 fontsize=CUSTOM_FONT_SIZE - 2, color="black")    ax2 = ax1.twinx()    ax2.plot(x_idx, y_pcts, color=CUSTOM_LINE_COLOR,             linewidth=CUSTOM_LINE_WIDTH, zorder=3, alpha=0.9)    ax2.scatter(x_idx, y_pcts, color=CUSTOM_LINE_COLOR,                s=CUSTOM_SCATTER_SIZE, edgecolor="white", zorder=4)    ax2.set_ylim(0, Y2_MAX)    ax2.set_ylabel("Probability density", fontsize=CUSTOM_FONT_SIZE, fontweight="bold")    ax2.set_yticklabels([f"{int(y)}%"for y in np.arange(0, Y2_MAX + 1, 20)])    for i, pct in enumerate(y_pcts):        y_offset = pct + 5if pct < 85else pct - 8        ax2.text(i, y_offset, f"{pct:.2f}%", ha="center",                 va="bottom"if pct < 85else"top",                 fontsize=CUSTOM_FONT_SIZE - 2, color="black")

这段代码是整张图的核心。plt.subplots(4, 2) 先创建 8 个子图，随后对每个变量进行循环绘制。每个子图中先绘制柱形图，用于表示不同区间的样本数；再通过 twinx() 创建右侧 y 轴，叠加概率密度折线。

需要注意的是，柱形图和折线图使用的是同一组横轴区间，但对应不同的 y 轴含义。柱形高度是样本数量，折线位置是百分比。如果自己的数据中不同变量的总样本量不一致，百分比计算应分别基于每个变量的有效样本数。

save_dir = os.path.join(os.getcwd(), "figure")os.makedirs(save_dir, exist_ok=True)save_path = os.path.join(save_dir, "橡胶混凝土配合比变量区间分布多面板图.png")# plt.savefig(save_path, dpi=600, format="png")plt.show()

对应复刻图的多配色参考

注意事项

第一，这张图展示的是变量分布，不是变量重要性，也不是因果分析。它只能说明样本在不同取值区间内的数量和占比，不能直接说明某个变量对抗压强度或其他性能指标的影响方向。
第二，分箱方式会影响图形结论。若区间划分过粗，细节可能被遮盖；若划分过细，图形会显得零散。正式论文中应结合变量物理意义、实验设计范围和样本量选择合适的分箱规则。
第三，双 y 轴图需要避免误读。左侧 y 轴是数量，右侧 y 轴是百分比，二者虽然共享横轴，但不应直接比较数值大小。绘图时建议保留清晰的轴标题和百分比标注。
第四，如果将该图用于自己的项目，建议先检查缺失值、异常值和单位是否统一。尤其是材料配合比变量，不同论文或数据来源可能存在 kg/m3、百分比、质量比等不同表达方式。