期刊图片复现|Python绘制环形热图+韦恩图组合图

# =========================================================================================# ====================================== 1. 环境设置 =======================================# =========================================================================================import numpy as npimport matplotlib.pyplot as pltfrom matplotlib.colors import LinearSegmentedColormapimport matplotlib.patches as patches

# =========================================================================================# ======================================2.颜色库=======================================# =========================================================================================COLOR_SCHEMES = {    1: {'white', 'seg_acc': '#D3A4A4', 'seg_div': '#8FAADC',        ['#003366', '#7F99B2', 'white', '#C57F7F', '#8B0000'],        ['#FF7F50', '#FFBFA7', 'white', '#96879E', '#2D103D']},}

# =========================================================================================# ======================================4.绘图函数=======================================# =========================================================================================def plot_advanced_forest_chart(df, scheme_id):    colors = COLOR_SCHEMES[scheme_id]  # 提取配色方案    sections = []  # 初始化图块数据列表    #获取热图结构的列名标签    fixed_columns = ['Section', 'Gene', 'Qval', 'Is_Bold', 'Is_Red']    struct_labels = [col for col in df.columns if col not in fixed_columns]    num_structs = len(struct_labels)  #判定热图层数    total_genes = sum(sec["count"] for sec in sections)  # 计算所有部分y总数    cmap_expr = LinearSegmentedColormap.from_list("expr_cmap", colors['expr_cmap'])  # 热图颜色映射    cmap_qval = LinearSegmentedColormap.from_list("qval_cmap", colors['qval_cmap'])  # q值颜色映射

    # 创建画布    fig = plt.figure(figsize=(12, 12), facecolor='white')    # 主轴    ax = fig.add_axes([0.1,  # x                       0.1,  # y                       0.8,  # 宽度比例                       0.8],  # 高度比例                      polar=True)  # 极坐标    current_angle = np.pi / 2  # 初始角度    all_angles = []  # 保存每个x角度

    # 遍历不同部分    for sec_idx, sec in enumerate(sections):        count = sec["count"]  # 获取此部分x数        sector_angle_span = available_angle * (count / total_genes)  # 弧度        # 生成各点角度        angles = np.linspace(current_angle,  # 起始角度                             current_angle + sector_angle_span,  # 结束角度                             count)  # 数量        all_angles.extend(angles)  # 保存        theta_mid = current_angle + sector_angle_span / 2  # 此部分热图中间角度        theta_mid_deg = np.degrees(theta_mid)  # 转为角度        if sec_idx < len(sections) - 1:            current_angle += sector_angle_span + gap_small  # 累加图块角度及小间隙        else:            current_angle += sector_angle_span + gap_large  # 累加图块角度及大间隙

   # 添加正北方文本    for row in range(num_structs):        ax.text(np.pi / 2 - 0.06,  # 角度                color='black')  # 颜色    # 显著性文本    ax.text(np.pi / 2 - 0.06, r_qval,  # 角度半径            color='black')  # 颜色

    # 韦恩图轴位置    ax_center = fig.add_axes([0.35, 0.35, 0.3, 0.3])    ax_center.axis('off')  # 去掉图框等    ax_center.set_xlim(0, 10)  # x轴范围    ax_center.set_ylim(0, 10)  # y轴范围    ax_center.set_aspect('equal')  # 等比例    # 绘制    ax_center.add_patch(c1_fill)    ax_center.add_patch(c2_fill)    ax_center.add_patch(c3_fill)    # 添加到图上    ax_center.add_patch(c1_edge)    ax_center.add_patch(c2_edge)    ax_center.add_patch(c3_edge)    ax_center.text(5,  # x                   2.0,  # y                   "Morphogenic\ngenes",  # 文本                   ha='center',  # 水平                   va='center',  # 垂直                   fontsize=16,  # 大小                   fontweight='bold')  # 加粗

    # 热图颜色条    cbar_ax_expr = fig.add_axes([0.95,  # x                                 0.65,  # y                                 0.016,  # 宽                                 0.18])  # 高    #获取实际数据的以映射颜色条的极限值    expr_min = df[struct_labels].min().min()#极小    expr_max = df[struct_labels].max().max()#极大    norm_expr = plt.Normalize(vmin=expr_min, vmax=expr_max)#范围    cbar_expr = fig.colorbar(plt.cm.ScalarMappable(norm=norm_expr, cmap=cmap_expr), cax=cbar_ax_expr)  # 生成颜色条    cbar_qval.ax.yaxis.set_major_locator(ticker.MaxNLocator(5))    #刻度线    cbar_qval.ax.tick_params(length=0, width=0, labelsize=12)

# =========================================================================================# ======================================2.颜色库=======================================# =========================================================================================if __name__ == "__main__":    df_real = pd.read_excel(r'data.xlsx')  #读取数据        scheme_id = 1        print('正在绘制并保存方案：', scheme_id)        selected_hex_colors = COLOR_SCHEMES[scheme_id]        plot_advanced_forest_chart(df_real, scheme_id)

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

2.设置是否批量绘图，执行部分：

plot_all = True  # 是否批量绘图

fixed_columns = ['Section', 'Gene', 'Qval', 'Is_Bold', 'Is_Red']

4.定义部分名称，绘图函数部分：

sec_names = df['Section'].unique().tolist()

sections.append({    "name": sec_name,  # 部分名称    "count": len(df_sec),  # 对应数据行数    "color": sec_col,  # 颜色    "edge": "black",  # 边缘颜色    "genes": df_sec['Gene'].tolist(),  #提取并保存x列表    "qvals": df_sec['Qval'].values,  #提取并保存q值数组    "expr_data": [df_sec[struct_labels[i]].values for i in range(num_structs)],  #提取并保存y数据矩阵    "is_bold": df_sec['Is_Bold'].tolist(),  # 是否加粗标志    "is_red": df_sec['Is_Red'].tolist()  # 是否标红标志})

r1, r2, r3 = 1.6, 1.4, 2.0  # 圆半径cx1, cx2, cx3 = 2.8, 5.0, 7.5  # 圆心x坐标

ax_center.text(4.0, 5, '1', ha='center', va='center', fontsize=11)

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