期刊图片复现|Python绘制极坐标shap蜂巢图

# =========================================================================================# ====================================== 1. 环境设置 =======================================# =========================================================================================import matplotlib.pyplot as pltimport numpy as npimport pandas as pdimport xgboost as xgbimport shap

# =========================================================================================# ======================================2.颜色库=======================================# =========================================================================================COLOR_SCHEMES = {    1: ['#FFB3BA', '#FFDFBA', '#FFFFBA', '#BAFFC9', '#BAE1FF', '#D3B5E5', '#FFC4E1'],}

# =========================================================================================# ======================================4.绘图函数=======================================# =========================================================================================def plot_advanced_forest_chart(plot_data, scheme_id):    features = plot_data['features']  # 特征名称    percentages = plot_data['percentages']  # 特征重要性百分占比    ax.spines['polar'].set_visible(False)  # 去掉边框    ax.grid(False)  # 去掉网格线    pie_colors = COLOR_SCHEMES[scheme_id]  # 获取颜色    #生成渐变色    cmap = mcolors.LinearSegmentedColormap.from_list(f'cmap_{scheme_id}', pie_colors)

    bar_bottom = 0.15  # 柱状图起始内径    max_height = 0.4  # 最高柱子高度    min_height = 0.15  # 最低柱子高度    bar_heights = np.linspace(max_height, min_height, num_features)  # 生成柱高数组        ax.text(angle,  # 角度                bar_bottom + bh + 0.05,  # 半径                f"{pct:.1f}%",  # 格式化文本                ha='center',  # 水平                va='center',  # 垂直                fontweight='bold',  # 加粗                fontsize=12)  # 字体大小

    r_zero = 0.8  # shap0值圆圈半径    theta_circle = np.linspace(0, 2 * np.pi, 200)  # 生成圆角度序列    # 绘制参考线    ax.plot(theta_circle,  # 角度            [r_zero] * 200,  # 半径            linestyle='--',  # 虚线            color='gray',  # 灰色        # 散点抖动设置        jitter = simple_beeswarm(sv_scaled, nbins=50, width=0.07)        theta_points = angle + jitter  # 散点角度        # 绘制抖动散点        ax.scatter(theta_points,  # 角度                   r_points,  # 半径                   c=fv,  # 颜色映射依据                   cmap=cmap,  # 配色                   s=12,  # 散点大小                   alpha=0.8,  # 透明度                   zorder=10,  # 层                   edgecolors='none')  # 散点边缘线

    # 颜色条轴添加    cbar_ax = fig.add_axes([0.15,  # 左                            0.05,  # 下                            0.7,  # 长                            0.015])  # 高    norm = Normalize(vmin=0, vmax=1)  # 颜色条范围    sm = ScalarMappable(cmap=cmap, norm=norm)  # 颜色条映射对象    # 绘制颜色条    cbar = plt.colorbar(sm,  # 对象                        cax=cbar_ax,  # 轴                        orientation='horizontal')  # 水平    cbar.set_ticks([0, 1])  # 刻度位置    # 设置刻度标注    cbar.set_ticklabels(['Low', 'High'],  # 刻度文本                        fontsize=16,  # 大小                        fontweight='bold')  # 加粗    # 设置颜色条轴标题    cbar.set_label('Feature value',  # 文本                   fontsize=16,  # 大小                   fontweight='bold')  # 加粗    cbar.outline.set_linewidth(1.5)  # 边框线宽

# =========================================================================================# ======================================5.执行部分=======================================# =========================================================================================if __name__ == '__main__':    df = pd.read_excel( r'data.xlsx')  #读取数据    X = df.drop(columns=['Target'])  #x    y = df['Target']  #y    #划分数据集    X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)    model = xgb.XGBRegressor(random_state=42)  # 实例化模型    feat_vals_norm = (feat_vals_sorted - feat_vals_sorted.min(axis=0)) / (feat_vals_sorted.max(axis=0) - feat_vals_sorted.min(axis=0))    #打包数据    df_real = {        'features': features_sorted,        'percentages': pct_sorted,        'shap_vals': shap_vals_sorted,        'feat_vals': feat_vals_norm    }    #是否批量绘图    plot_all = True    if plot_all:        for scheme_id in COLOR_SCHEMES.keys():            print('正在绘制并保存方案：', scheme_id)            plot_advanced_forest_chart(df_real, scheme_id)    else:        scheme_id = 1        print('正在绘制并保存方案：', scheme_id)        plot_advanced_forest_chart(df_real, scheme_id)

df = pd.read_excel( r'data.xlsx')  #读取数据

2.读取特征数据和目标数据，执行部分：

X = df.drop(columns=['Target'])  #xy = df['Target']  #y

param_grid = {'max_depth': [3, 5],              'learning_rate': [0.05, 0.1],              'n_estimators': [50, 100]}

plot_all = True

plt.savefig(fr'scheme_{scheme_id}.png', dpi=300, bbox_inches='tight')