科研绘图 | 基于 Python 绘制带分组折线的柱状图

一、图形思路

在科研绘图中，柱状图适合比较数值大小，折线图适合呈现变化趋势。将二者结合之后，一张图便可以同时表达“不同模型之间的差异”和“同一样本下的变化关系”。这类图形的价值在于，它不是简单地把两种图拼接在一起，而是把定量比较与趋势观察压缩到同一视觉空间中，不必在多张图之间来回切换，信息获取效率会明显提高。

本文示例以RMSE 为指标，横轴为Sample，分组对象为Model。其中，柱状部分更强调“当前数值的高低”，折线部分则更强调“在不同模型之间的起伏变化”。当数据结构本身具有“分组”和“序列”两种属性时，这种画法尤其合适，例如模型对比、实验批次比较、样本分层分析等场景，都可以采用类似方式进行表达。（四个单图和一个组图）

二、数据与基础设置

示例数据来自Data.xlsx，核心字段只有四列：Sample、Model、Bar_RMSE 和Line_RMSE。其中，前两列用于定义分组关系，后两列分别对应柱状和折线的数值来源。这样的设计看似简单，但它体现了一种非常实用的科研绘图思路：同一份数据可以根据表达目标拆成不同视觉层级，而不是把所有信息堆在一条轴上。

从实现角度看，Sample 决定横轴上每一组的位置，Model 决定组内要放多少个对象，bar_width 则决定柱子之间的间距与疏密。这三个元素共同构成了图形的骨架。只要整体架构固定，后续无论更换颜色、标记方式还是字体风格，图的基本结构都不会乱。

df = pd.read_excel('Data.xlsx')
samples = df['Sample'].unique()
models = df['Model'].unique()
x = np.arange(len(samples))
bar_width = 0.15

三、柱状部分

柱状部分的关键在于“错位排列”。代码通过偏移量让同一Sample 下的多个Model 并排显示，从而避免柱子重叠。这个设计的核心目的，是把“同组比较”变成一眼可见的事情：同一组内谁更高、谁更低、差距是否明显，都可以直接从柱体高度读出，而不需要额外计算。

另外，柱体颜色采用分组内渐变式或分色式处理，也有助于提升辨识度。颜色并不是装饰，而是一种辅助编码：当模型数量较多时，颜色能够帮助大脑更快建立“这个柱子属于哪一组”的对应关系。

offset = (i - n_models / 2 + 0.5) * bar_width
ax.bar(x + offset, values, bar_width,
       color=colors[i], edgecolor='black', linewidth=0.5)

四、折线部分

折线部分用于补充趋势信息，它不是简单叠加在柱顶，而是按每个样本对应的分组位置逐点连接。这样做的好处在于，折线不再只是“装饰性的覆盖层”，而是成为一种明确的第二叙事：它告诉读者，同一个样本在不同模型之间是如何变化的，哪个点出现了上升，哪个点出现了回落。

虚线、圆点或三角标记可以增强区分度，zorder 也能保证折线始终位于视觉前景。这里的标记尤其重要，因为标记点承担着“强调节点”的作用，相当于在趋势路径上打上几个可读性很高的锚点。对于科研图而言，这类处理能够让读者先看到趋势，再回到柱状数值做细读，形成“先概览、后比较”的阅读节奏。

ax.plot(line_x_positions, line_y_values,
        linestyle='--', marker='o', linewidth=2, zorder=10)

五、配色与排版

提供了四套配色，分别是蓝色系、棕橙色系、绿色系和紫灰色系。蓝色系更稳重，适合论文正文；棕橙色系更醒目，适合强调结果；绿色系更柔和，适合展示连续性较强的数据；紫灰色系则更克制，适合统一整篇文章的视觉风格。

最后生成的拼图版本则便于横向比较不同配色在同一数据上的表现。

plt.tight_layout()
plt.savefig('bar_with_grouped_lines_combined.jpeg', dpi=600, bbox_inches='tight')