Python绘制环形云雨图

# =========================================================================================# ====================================== 1. 环境设置 =======================================# =========================================================================================import numpy as npimport pandas as pdimport matplotlib.pyplot as pltfrom matplotlib.patches import Polygonfrom scipy.stats import gaussian_kde, ttest_1sampimport matplotlib.patches as mpatchesimport osplt.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: {'T1': '#005A8D', 'T2': '#CFA900', 'T3': '#006400', 'T4': '#8B0000'},}SELECTED_SCHEME=2colors_map = COLOR_LIBRARY[SELECTED_SCHEME]

# =========================================================================================# ======================================3.分析函数======================================# =========================================================================================def get_significance_label(period_values, baseline_value):    period_values = np.array(period_values) # 将输入列表转换为numpy数组    period_values = period_values[~np.isnan(period_values)] #去除NaN值    if len(period_values) < 2: #如果有效数据点少于2个        return "ns" #返回无显著性标记    t_stat, p_val = ttest_1samp(period_values, baseline_value) # 执行单样本T检验    #根据分析结果设置显著性标记    if p_val < 0.0001:        sig = "****"    elif p_val < 0.001:        sig = "***"    elif p_val < 0.01:        sig = "**"    elif p_val < 0.05:        sig = "*"    else:        sig = "ns"    # 根据分析结果设置显著性数值标注    if p_val < 0.0001:        return f"p < 0.0001{sig}"    else:        return f"p = {p_val:.4f}{sig}"

# =========================================================================================# ====================================== 5. 单个云雨图绘制函数======================================# =========================================================================================def draw_raincloud_radial(ax, angle, values, color, width_angle):    cloud_offset = width_angle * 0.15 # 计算云密度图的角偏移量    cloud_width_max = width_angle * 0.3 #云密度图的最大角宽度    scatter_jitter_width = width_angle * 0.04 #散点图的随机抖动宽度    box_offset = -width_angle * 0.15 #箱线图的角偏移量    box_width = width_angle * 0.22 # 定义箱线图的宽度    kde = gaussian_kde(values) # 对数据进行高斯核密度估计    r_grid = np.linspace(0, 150, 200) #创建半径方向的网格点    kde_vals = kde(r_grid) #计算网格点上的密度值    max_kde = kde_vals.max() #获取密度的最大值    scaling_factor = cloud_width_max / max_kde if max_kde > 0 else 0 # 计算缩放因子以适配最大宽度    theta_base = angle + cloud_offset # 确定云密度图图的基准角度    theta_curve = theta_base + kde_vals * scaling_factor # 根据密度值计算云密度图边缘的角度曲线    verts = list(zip(theta_curve, r_grid)) + list(zip([theta_base] * len(r_grid), r_grid[::-1])) #构建多边形顶点坐标    # 创建云密度图    poly = Polygon(verts,                   facecolor=color,                   edgecolor='none',                   alpha=1,                   zorder=1)    ax.add_patch(poly) # 将云密度图添加到坐标轴    #箱线图    q1 = np.percentile(values, 25) #下四分位数    med = np.median(values) #中位数    q3 = np.percentile(values, 75) #上四分位数    iqr = q3 - q1 #四分位距    whisk_min = np.min(values[values >= q1 - 1.5 * iqr]) #下须    whisk_max = np.max(values[values <= q3 + 1.5 * iqr]) #上须    box_center_angle = angle + box_offset #箱线图的中心角度    # 绘制箱体    ax.bar(x=box_center_angle,           height=q3 - q1,           bottom=q1,           width=box_width,           color=color,           edgecolor='black',           linewidth=1.5,           alpha=1,           zorder=10)    #绘制中位数线    ax.plot([box_center_angle - box_width / 2,             box_center_angle + box_width / 2],            [med, med],            color='black',            lw=1.5,            zorder=11)    # 绘制下须线    ax.plot([box_center_angle,             box_center_angle],            [whisk_min, q1],            color='black',            lw=1.5,            zorder=9)    # 绘制上须线    ax.plot([box_center_angle,             box_center_angle],            [q3, whisk_max],            color='black',            lw=1.5,            zorder=9)

# =========================================================================================# ====================================== 6.显著性的弧线绘制函数======================================# =========================================================================================def add_significance_arc_dynamic(ax, start_angle, end_angle, text, color):    r_arc = 158 #显著性弧线的半径高度    theta = np.linspace(start_angle, end_angle, 100) #弧线的角度序列    #绘制弧线    ax.plot(theta,            [r_arc] * len(theta),            color=color,            lw=2)    ax.plot([start_angle, start_angle], [r_arc - 5, r_arc], color=color, lw=2) #起始的垂直短线    ax.plot([end_angle, end_angle], [r_arc - 5, r_arc], color=color, lw=2) #结束的垂直短线    mid_angle = (start_angle + end_angle) / 2 #弧线的中点角度    deg = np.degrees(mid_angle) #将弧度转换为角度    text_rot = 270 - deg + 90 #文字旋转角度    #添加显著性文本标签    ax.text(mid_angle,            r_arc + 12,            text,            rotation=text_rot,            ha='center',            va='center',            fontsize=12,            fontweight='bold',            color='black')

# =========================================================================================# ====================================== 7.主绘图函数======================================# =========================================================================================def plot_radial_chart(data_dict, groups_list, periods_list, global_mean, save_dir):    fig, ax = plt.subplots(figsize=(12, 12), subplot_kw={'projection': 'polar'}) # 创建画布    ax.set_theta_zero_location("N") #设置极坐标零度位置为正北    ax.set_theta_direction(-1) #设置角度增加方向为顺时针    ax.set_ylim(-150, 180) #设置径向范围    num_groups = len(groups_list) #获取组的总数量    gap_degrees = 40 #设置缺口的角度大小    gap_radians = np.radians(gap_degrees) #将缺口角度转换为弧度    start_angle = gap_radians / 2#起始角度    end_angle = 2 * np.pi - (gap_radians / 2) #结束角度    angles = np.linspace(start_angle, end_angle, num_groups) #每个组的中心角度    width_per_group = (end_angle - start_angle) / (num_groups - 1) * 0.55 #每组分配的角宽度    #循环绘制每组    for i, (g_name, angle) in enumerate(zip(groups_list, angles)): # 遍历每个组和对应的角度        g_data = data_dict[g_name] #获取该组数据        vals = g_data['vals'] #获取数值数组        period = g_data['period'] #获取周期标签        # 根据配色方案获取颜色        color = colors_map.get(period, '#555555')        # 调用函数绘制云雨图        draw_raincloud_radial(ax, angle, vals, color, width_angle=width_per_group)        label_r = -20 #组名标签的半径位置        rot_angle = 90 - np.degrees(angle) #标签的旋转角度        #添加组名        ax.text(angle,                label_r,                g_name,                rotation=rot_angle,                ha='right',                va='center',                fontsize=13,                fontweight='bold',                color='black',                rotation_mode='anchor')    ax.grid(False) #去掉默认网格    ax.spines['polar'].set_visible(False) #去掉极坐标的脊柱线    ax.set_xticks([]) #去掉角度刻度    ax.set_yticks([]) #去掉径向刻度    #为了让云雨图不超出圆圈    gap_degrees = 30 # 设置缺口的角度    gap_radians = np.radians(gap_degrees) #将缺口角度转换为弧度    start_angle = gap_radians / 2#起始角度    end_angle = 2 * np.pi - (gap_radians / 2) #结束角度    grid_angles = np.linspace(start_angle, end_angle, 200) # 生成圆圈使用的角度序列    for y in [0, 60, 120, 180]: # 遍历需要绘制圆圈的径向位置        line_style = '-' if y == 0 else '--' # 0位置用实线，其他用虚线        if y == 180:            linewidth = 4.0  #最外圈的线        elif y == 0:            linewidth = 2.0  #0的线        else:            linewidth = 2.0  #中间的线    # 获取唯一周期列表并按数字后缀排序    unique_periods = sorted(list(set(periods_list)),key=lambda x: int(x[1:]) if (isinstance(x, str) and x[1:].isdigit()) else x)    period_indices = {p: [] for p in unique_periods} # 初始化存储每个周期对应的索引字典    for idx, p in enumerate(periods_list): # 遍历所有周期列表        period_indices[p].append(idx) # 记录每个周期出现的位置索引    for p in unique_periods: # 遍历每个唯一周期        idxs = period_indices[p] # 获取该周期的所有索引        start_idx = idxs[0] # 获取起始索引        end_idx = idxs[-1] # 获取结束索引        current_period_vals = [] # 初始化当前周期的所有数值列表        for i in idxs: # 遍历该周期内的每个索引            g_name = groups_list[i] # 获取组名            current_period_vals.extend(data_dict[g_name]['vals']) # 将该组数值添加到列表        sig_label = get_significance_label(current_period_vals, global_mean) # 计算并获取显著性标签        c = colors_map.get(p, 'black') # 获取该周期的颜色        add_significance_arc_dynamic(ax, angles[start_idx], angles[end_idx], sig_label, c) # 绘制显著性弧线和标签    legend_handles = [mpatches.Patch(color=colors_map.get(p, 'gray'), label=p) for p in unique_periods] # 创建图例句柄列表    #添加图例    leg = ax.legend(handles=legend_handles,                    loc='center',                    title="Period",                    frameon=False,                    fontsize=18,                    bbox_to_anchor=(0.5, 0.5),                    bbox_transform=ax.transAxes)    leg.get_title().set_fontsize(20) # 设置图例标题    leg.get_title().set_fontweight('bold') # 设置图例标题    plt.setp(leg.get_texts(), fontweight='bold') # 设置图例文字    plt.tight_layout() # 自动调整

# =========================================================================================# ======================================8.执行部分======================================# =========================================================================================if __name__ == "__main__":    excel_file = r'Data.xlsx' #原始数据    output_folder = r'1125-环形云雨图' #输出路径    df_raw = pd.read_excel(excel_file) #读取数据    required_cols = ['Group', 'Period', 'Value'] #所需的列名    groups_list = df_raw['Group'].unique().tolist() # 获取唯一的组名列表    all_values_raw = df_raw['Value'].values # 获取所有数值数据    global_mean = np.mean(all_values_raw) # 计算全局平均值作为基准    print(f"全局均值 (Baseline): {global_mean:.2f}") # 打印全局均值    # 构建数据字典    data_dict = {} # 初始化数据字典    periods_list = [] # 初始化周期顺序列表    for g in groups_list: # 遍历每个组名        sub_df = df_raw[df_raw['Group'] == g] # 筛选出当前组的数据        p_val = sub_df['Period'].iloc[0] # 获取当前组对应的周期标识        vals = sub_df['Value'].values # 获取当前组的数值数组        data_dict[g] = {            'vals': vals, # 存储数值            'period': p_val # 存储周期        }        periods_list.append(p_val) # 将周期添加到列表中    plot_radial_chart(            data_dict=data_dict, #数据            groups_list=groups_list, #组名            periods_list=periods_list, #周期            global_mean=global_mean, #全局均值            save_dir=output_folder #保存路径    )

SELECTED_SCHEME=2

2.设置原始数据的输入路径：

excel_file = r'Data.xlsx' #原始数据

output_folder = r'1125-环形云雨图' 

4.定义要使用的数据的列明：

required_cols = ['Group', 'Period', 'Value']