Python绘制相关性网络图+雷达图组合图

# =========================================================================================# ====================================== 1. 环境设置 =======================================# =========================================================================================import matplotlib.pyplot as pltimport matplotlib.patches as patchesimport numpy as npimport pandas as pdimport matplotlib.colors as mcolorsimport matplotlib.cm as cmimport matplotlibimport osfrom scipy.stats import pearsonrfrom statsmodels.stats.outliers_influence import variance_inflation_factorfrom statsmodels.tools.tools import add_constantmatplotlib.rcParams['pdf.fonttype'] = 42matplotlib.rcParams['ps.fonttype'] = 42plt.rcParams['font.family'] = 'serif'plt.rcParams['font.serif'] = ['Times New Roman']plt.rcParams['axes.unicode_minus'] = False

# =========================================================================================# ====================================== 2. 颜色库设置 ==========================# =========================================================================================COLOR_LIBRARY = {    1: {        'heatmap_cmap': 'RdBu', 'network_cmap': 'PRGn', 'radar_cmap': 'viridis',        'node_color': '#333333', 'ring_fill': '#f0f0f0', 'ring_edge': '#bfbfbf', 'grid_color': 'gray',        'net_pos': '#d62728', 'net_neg': '#1f77b4'  # 默认红/蓝    },}SCHEME_INDEX = 20# 获取配色方案scheme = COLOR_LIBRARY[SCHEME_INDEX]

# =========================================================================================# ====================================== 3. 绘图函数==========================# =========================================================================================def draw_network_heatmap_combo(features, feature_corr, target_name,target_corr, target_p, vif_vals, output_filename, width_ratios=[2, 1],w_space=0.1):    #创建画布    fig = plt.figure(figsize=(22, 9), facecolor='white')    #创建网格布局，1行2列    gs = fig.add_gridspec(1, 2, width_ratios=width_ratios, wspace=w_space)    #网络热图，左侧    #在网格的第1个位置创建子图 ax1    ax1 = fig.add_subplot(gs[0])    # 设置纵横比相等，保证热图格子是正方形    # ax1.set_aspect('equal')

    #特征数量    n = len(features)    # 从配色方案中获取热图的colormap    cmap_heat = plt.get_cmap(scheme['heatmap_cmap'])    # 设置颜色映射的归一化范围，从-1到1    norm = mcolors.Normalize(vmin=-1, vmax=1)    # 定义网络连线颜色    color_pos = scheme['net_pos']  #正相关    color_neg = scheme['net_neg']  #负相关    #绘制热图    for i in range(n):        for j in range(n):            #仅绘制对角线及下三角区域            if i >= j:                # 获取特征 i 和特征 j 的相关系数                val = feature_corr[i, j]                #根据相关系数获取对应颜色                color = cmap_heat(norm(val))                #计算矩形格子的 Y 坐标                rect_y = n - 1 - i                #计算矩形格子的 X 坐标                rect_x = j                # 创建矩形对象位置, 宽, 高, 填充色, 边框色, 线宽                rect = patches.Rectangle((rect_x, rect_y), 1, 1,facecolor=color, edgecolor='white', linewidth=0.8)                #添加到子图中                ax1.add_patch(rect)                #格式化相关系数值文本                text_val = f"{val:.2f}"                #获取当前颜色的RGB值                rgb = cmap_heat(norm(val))[:3]                # 计算亮度，用于决定字体颜色是黑还是白                brightness = sum(rgb) / 3                # 如果是对角线                if i == j:                    font_weight = 'bold'                    text_color = 'white' # 字体白色                else:                    font_weight = 'bold'                    text_color = 'black' if 0.4 < brightness else 'white'                    if abs(val) < 0.4: text_color = 'black'                #添加文本                ax1.text(rect_x + 0.5,                         rect_y + 0.5,                         text_val,                         ha='center',                         va='center',                         color=text_color,                         fontsize=9,                         fontweight=font_weight)

#绘制网络图部分    #目标变量节点的X坐标    target_x = n * 0.85    #Y坐标    target_y = n - 2.0    #绘制目标变量的节点    ax1.scatter(target_x, target_y, s=250, c=scheme['node_color'], zorder=10, edgecolors='white')    # 添加目标变量的名称文本    ax1.text(target_x + 0.6,             target_y,             target_name,             ha='left',             va='center',             fontsize=18,             fontweight='bold',             color='black')    #遍历所有特征，绘制连接线    for i in range(n):        #获取特征与目标变量的相关系数        corr_val = target_corr[i]        #获取特征与目标变量的P值        p_val = target_p[i]        #根据相关系数设置颜色        if corr_val > 0:            line_color = color_pos        else:            line_color = color_neg        # 根据相关系数绝对值设置线宽        line_width = 0.5 + abs(corr_val) ** 1.5 * 5.0        # 根据P值决定线型        line_style = '-' if p_val < 0.05 else '--'        #网络线起点的X坐标        start_x = i + 0.5        #网络线起点的Y坐标        start_y = n - 1 - i + 1.0        #网络线终点的X坐标        end_x = target_x        #网络线终点的Y坐标        end_y = target_y        #计算弧度        if i < n / 2:            rad = -0.15 - (n / 2 - i) * 0.02        else:            rad = 0.1 + (i - n / 2) * 0.02        #绘制网络线        con = patches.ConnectionPatch(            xyA=(start_x, start_y), xyB=(end_x, end_y), #坐标            coordsA="data", coordsB="data", # 坐标系类型            axesA=ax1, axesB=ax1, #关联的坐标轴            arrowstyle="-", # 箭头样式            connectionstyle=f"arc3,rad={rad}", # 连接样式            color=line_color, linewidth=line_width, linestyle=line_style,            alpha=1, zorder=5        )        #添加到 ax1        ax1.add_patch(con)

#X轴范围    ax1.set_xlim(0, n)    #Y轴范围    ax1.set_ylim(0, n + 3)    # X轴刻度    ax1.set_xticks(np.arange(n) + 0.5)    #X轴刻度标签    ax1.set_xticklabels(features, rotation=45, ha='right', fontsize=12)    #Y轴刻度    ax1.set_yticks(np.arange(n) + 0.5)    #Y轴刻度标签    ax1.set_yticklabels(features[::-1], fontsize=12)    #开启坐标轴    ax1.axis('on')    # 去掉图框    for spine in ax1.spines.values():        spine.set_visible(False)    #设置刻度线长度    ax1.tick_params(length=0)    #添加子图的标题    ax1.text(0, n + 2.5, "(a) Correlation Network", fontsize=16, fontweight='bold')    #创建一个内嵌坐标轴用于放置颜色条 [x, y, 宽, 高]    cbar_ax1 = ax1.inset_axes([0.0, -0.12, 0.35, 0.03])    #创建颜色条    cb1 = plt.colorbar(cm.ScalarMappable(norm=norm, cmap=cmap_heat), cax=cbar_ax1, orientation='horizontal')    #设置颜色条标题    cb1.set_label('Correlation', fontsize=9)    cb1.ax.tick_params(labelsize=8)    #网络线颜色图例    legend_color_elements = [        matplotlib.lines.Line2D([0], [0], color=color_pos, lw=2, label='Positive'),        matplotlib.lines.Line2D([0], [0], color=color_neg, lw=2, label='Negative')    ]    #添加    ax1.add_artist(legend_color)    #显著性图例    sig_handles = [        matplotlib.lines.Line2D([0], [0], color='gray', lw=2, label='Sig ($p<0.05$)'),        matplotlib.lines.Line2D([0], [0], color='gray', lw=2, linestyle='--', label=r'Non-sig ($p \geq 0.05$)')    ]    #创建图例对象    legend_sig = ax1.legend(handles=sig_handles,                            title="Significance",                            loc='lower right',                            bbox_to_anchor=(1.05, -0.18),                            frameon=True,                            fontsize=8,                            title_fontsize=9)    #添加该图例    ax1.add_artist(legend_sig)    #相关性强度图例    width_handles = [        matplotlib.lines.Line2D([0], [0], color='gray', lw=0.5 + 0.5 ** 1.5 * 5, label='|r|=0.5'),        matplotlib.lines.Line2D([0], [0], color='gray', lw=0.5 + 0.8 ** 1.5 * 5, label='|r|=0.8')    ]    ax1.legend(handles=width_handles,               title="Strength",               loc='lower right',               bbox_to_anchor=(0.82, -0.18),               frameon=True,               fontsize=8,               title_fontsize=9)

# -------------------------------------------------------------------------    # VIF图右侧    # -------------------------------------------------------------------------    # 在网格的第2个位置创建子图    ax2 = fig.add_subplot(gs[1], projection='polar')    #获取当前ax2的原始位置 [left, bottom, width, height]    pos = ax2.get_position()    #设置缩放比例    scale_factor = 0.8    #新的宽度和高度    new_width = pos.width * scale_factor    new_height = pos.height * scale_factor    #新的中心位置，保持居中    new_x = pos.x0 + (pos.width - new_width) / 2    new_y = pos.y0 + (pos.height - new_height) / 2    #应用新的位置    ax2.set_position([new_x-0.07, new_y-0.07, new_width, new_height])    # 获取变量数量    num_vars = len(features)    # 计算每个变量的角度    angles = np.linspace(0, 2 * np.pi, num_vars, endpoint=False) + np.pi / 2    # 获取颜色映射    cmap_vif = plt.get_cmap(scheme['radar_cmap'])    # 归一化VIF值以映射颜色    norm_vif = mcolors.Normalize(vmin=min(vif_vals), vmax=vif_max_val)    # 生成每个柱子的颜色    colors_vif = [cmap_vif(norm_vif(v)) for v in vif_vals]    # 绘制极坐标柱状图    ax2.bar(angles, vif_vals, width=width, bottom=0.0, color=colors_vif, alpha=0.9, edgecolor='white', zorder=10)

   # 移除 Y 轴标签    ax2.set_yticklabels([])    # 移除 X 轴标签    ax2.set_xticklabels([])    # 关闭默认网格    ax2.grid(False)    # 隐藏极坐标的脊柱    ax2.spines['polar'].set_visible(False)    # 设置径向显示范围    ax2.set_ylim(0, plot_limit)    # 定义背景网格圈的比例    percentages = [0.25, 0.50, 0.75, 1.00]    # 计算网格圈的半径    grid_radii = [p * vif_max_val for p in percentages]    #绘制虚线同心圆网格    for r in grid_radii:        circle = plt.Circle((0, 0),                            r,                            transform=ax2.transData._b,                            fill=False,                            edgecolor=scheme['grid_color'],                            linestyle=':',                            linewidth=1.2,                            alpha=0.6,                            zorder=5)        ax2.add_artist(circle)    # 定义外环的内半径    ring_inner = plot_limit * 0.98    # 定义外环的外半径    ring_outer = plot_limit * 1.08    # 生成外环的角度序列    theta_ring = np.linspace(0, 2 * np.pi, 360)    # 填充外环颜色    ax2.fill_between(theta_ring, ring_inner, ring_outer, color=scheme['ring_fill'], zorder=0)    # 绘制外环的内边框线    circle_inner = plt.Circle((0, 0),                              ring_inner,                              transform=ax2.transData._b,                              fill=False,                              edgecolor=scheme['ring_edge'],                              linewidth=2,                              zorder=1)    # 绘制外环的外边框线    circle_outer = plt.Circle((0, 0),                              ring_outer,                              transform=ax2.transData._b,                              fill=False,                              edgecolor=scheme['ring_edge'],                              linewidth=2,                              zorder=1)    #添加外圈图框    ax2.add_artist(circle_inner)    ax2.add_artist(circle_outer)

    # 遍历角度、VIF值和标签，添加文本    for angle, val, label in zip(angles, vif_vals, features):        #在柱子上方添加具体的VI 数值        ax2.text(angle,                 val + plot_limit * 0.05,                 f"{val:.1f}",                 ha='center',                 va='center',                 fontsize=9,                 fontweight='bold',                 color='black',                 zorder=15)        # 计算标签位置 (在外环中间)        label_pos = (ring_inner + ring_outer) / 1.95        # 在外环添加特征名称标签        ax2.text(angle,                 label_pos,                 label,                 ha='center',                 va='center',                 fontsize=11,                 fontweight='bold',                 rotation=rot,                 rotation_mode='anchor',                 zorder=15)    # 添加标题    plt.figtext(0.45, 0.85, "(b) VIF of Features", fontsize=16, fontweight='bold')    #颜色条位置    cbar_ax2 = ax2.inset_axes([0.1, -0.1, 0.8, 0.03])    # 创建 VIF 颜色条    cb2 = plt.colorbar(cm.ScalarMappable(norm=norm_vif, cmap=cmap_vif), cax=cbar_ax2, orientation='horizontal')    #设置颜色条标题    cb2.set_label('VIF Value', fontsize=10)    #保存    save_path = os.path.join(OUTPUT_DIR, f'{SCHEME_INDEX}.png')    save_path_pdf = os.path.join(OUTPUT_DIR, f'{SCHEME_INDEX}.pdf')    plt.savefig(save_path, dpi=300, bbox_inches='tight')    plt.savefig(save_path_pdf, bbox_inches='tight')

# =========================================================================================# ====================================== 4. 数据分析与执行 =================================# =========================================================================================if __name__ == "__main__":    # 定义输出路劲    OUTPUT_DIR = r'1122-相关性网络图+雷达图组合图'    # 定义需要分析的特征列表    features_list = [        'NDVI', 'NDSI', 'Aspect', 'SWE',        'NDWI', 'NIR', 'SWC',        'PRE', 'LULC', 'TEM', 'PH'    ]    # 定义目标变量名称    target_var = 'LST'    MY_WIDTH_RATIOS = [0.8, 1]  # 左图宽度，右图宽度    MY_W_SPACE = 0.12  # 左右图间距    # 读取文件    df = pd.read_excel(r'data.xlsx')    #计算特征之间的相关性矩阵    f_corr = df[features_list].corr().values    #计算特征与目标变量的相关性及P值    #存储相关系数    t_corr = []    #存储P值    t_p = []    # 遍历每个特征    for feat in features_list:        #计算当前特征与目标变量的皮尔逊相关系数和P值        r, p = pearsonr(df[feat], df[target_var])        #将r值添加到列表        t_corr.append(r)        #将p值添加到列表        t_p.append(p)    # 将列表转换为 numpy 数组    t_corr = np.array(t_corr)    t_p = np.array(t_p)    #计算 VIF    #为特征数据添加常数项    X = add_constant(df[features_list])    # 遍历每一列计算VIF    vif_series = pd.Series(        [variance_inflation_factor(X.values, i) for i in range(X.shape[1])],        index=X.columns    )    #剔除常数项的VIF，只保留特征的 VIF 值    vifs = [vif_series[f] for f in features_list]    #调用绘图函数    draw_network_heatmap_combo(        features_list,        f_corr,        target_var,        t_corr,        t_p,        vifs,        "Final_Dictionary_Style",        width_ratios=MY_WIDTH_RATIOS,        w_space=MY_W_SPACE    )

SCHEME_INDEX = 20

2.设置输出路径：

OUTPUT_DIR = r'1122-相关性网络图+雷达图组合图'

features_list = [    'NDVI', 'NDSI', 'Aspect', 'SWE',    'NDWI', 'NIR', 'SWC',    'PRE', 'LULC', 'TEM', 'PH']

4.设置目标变量：

target_var = 'LST'

MY_WIDTH_RATIOS = [0.8, 1]  # 左图宽度，右图宽度MY_W_SPACE = 0.12  # 左右图间距

6.读取原始数据：

df = pd.read_excel(r'data.xlsx')