科研绘图 | 基于 Python 绘制多模型对比环形热图

一、引言

在多模型对比实验中，常见的矩形热图会随模型与指标数量增加而出现两类问题：

1. 比较关系被坐标稀释：读者需要在行与列之间反复跳转，才能完成一次跨模型的指标对照。
2. Train / Test 难以同位比较：训练集与测试集往往被安排在不同列或不同子图，破坏了同一模型在两种状态下的连续观察。

环形热图（circular heatmap）通过极坐标下的同心环与角度扇区，将"指标—模型—数据集—数值"四级信息压缩到同一图面内。该结构最早见于基因组学与生物信息学领域，后被广泛迁移至机器学习模型对比与多准则决策场景（单图和组图均有）。

本文介绍的实现热力图采用如下编码方式：

设计原则：将比较关系的优先级置于坐标关系之上。

二、数据驱动的绘图逻辑

绘图逻辑的入口是结构化数据表，而非图形参数。数据Data.xlsx 需要 4 个字段：

加载阶段进行列完整性校验，避免下游绘图因缺列而中断：

required = {"Metric", "Model", "Dataset", "Value"}missing = required.difference(df.columns)if missing:raise ValueError(f"Missing required columns in Data.xlsx: {sorted(missing)}")

要点：数据结构的稳定性，是图形可复用性的前提。更换实验时仅需替换 Excel，绘图脚本无需调整。

三、环形结构的层次设计

环形热图的几何布局将信息组织为四个层级，按"指标 → 模型 → 数据集 → 数值"依次推进：

• 指标层——最外圈标题色带，每个指标占据一段角度扇区，作为类别索引；
• 模型层——中间若干同心环，每个模型占据一个径向环带，作为比较主体；
• 数据集层——每个指标扇区被进一步拆分为左右两半，分别承载 Train 与 Test 两种状态；
• 数值层——最小单元格内部呈现具体指标值，色块与数字同时编码。

几何参数

绘制扇区与中心留白的核心代码：

wedge = Wedge((0, 0), title_outer, start, end, width=title_outer - title_inner)ax.add_patch(wedge)ax.add_patch(Circle((0, 0), hole_radius, facecolor="white", edgecolor="none"))

信息密度的分配依据

• 指标作为类别索引，置于最外圈，色相一致、辨识度优先；
• 模型作为比较主体，置于中间环带，径向空间充裕；
• Train / Test 作为同一指标下的两种状态，在角度方向上左右分置；
• 数值作为定量结果，落在最小单元格的中心。

要点：中心留白承担视觉锚点（visual anchor）职能，承载主标题与色标，使主图、标题、图例三者互不干扰。

四、空间约束

在环形布局中，注释信息需要在有限角度空间内保持稳定、清晰且不发生相互遮挡。

4.1 文字方向自适应

upright_rotation() 将任意极角下的文字旋转角度折回 [−90°, 90°] 区间，避免倒置：

defupright_rotation(angle_deg: float, offset: float = 0.0) -> float:    rot = angle_deg + offsetwhile rot <= -90:        rot += 180while rot > 90:        rot -= 180return rot

4.2 标签落点

4.3 文字颜色自适应

text_color_for_rgba() 根据背景亮度切换前景色，采用 Rec. 709 相对亮度公式：