期刊图片复现|Python绘制多组韦恩图

# =========================================================================================# ====================================== 1. 库的导入 =========================================# =========================================================================================import matplotlib.pyplot as pltfrom matplotlib_venn import venn3, venn3_circlesfrom matplotlib.patches import Circle, Rectanglefrom matplotlib.transforms import Affine2Dimport pandas as pdimport mathplt.rcParams['font.family'] = 'serif'plt.rcParams['font.serif'] = ['Times New Roman']plt.rcParams['axes.unicode_minus'] = Falseimport matplotlibmatplotlib.rcParams['pdf.fonttype'] = 42matplotlib.rcParams['ps.fonttype'] = 42

# =========================================================================================# ====================================== 2.数据分析函数=========================================# =========================================================================================def analyze_perception_data(df):    charts_config = {        'a': {            'factors': ['OCV_neg', 'OSV_neg', 'OPV_neg'],  #因子列            'target': 'OEV_neg',  #目标变量列名            'title': 'a) Overall perception',  #图表标题            'legend': ['Whole combinations of OCV, OSV and OPV', 'Uncomfortable in OCV', 'Unsafe in OSV','Unpleasant in OPV']  #图例的文本        },        'b': {            'factors': ['TCV_neg', 'ACV_neg', 'VCV_neg'],            'target': 'OCV_neg_result',            'title': 'b) Overall comfort',            'legend': ['Whole combinations of TCV, ACV and VCV', 'Uncomfortable in TCV', 'Uncomfortable in ACV','Uncomfortable in VCV']        },        'c': {            'factors': ['ASV_neg', 'DSV_neg', 'PSV_neg'],            'target': 'OSV_neg_result',            'title': 'c) Overall safety',            'legend': ['Whole combinations of ASV, DSV and PSV', 'Unsafe in ASV', 'Unsafe in DSV', 'Unsafe in PSV']        },        'd': {            'factors': ['SPV_neg', 'CPV_neg', 'NPV_neg'],            'target': 'OPV_neg_result',            'title': 'd) Overall pleasure',            'legend': ['Whole combinations of SPV, CPV and NPV', 'Unpleasant in SPV', 'Unpleasant in CPV','Unpleasant in NPV']        }    }    analyzed_data = {}  #用于存储分析后的数据结果    for key, config in charts_config.items():  #遍历每一个图表配置        grouped = df.groupby(config['factors'])[config['target']].mean()  #根据配置的因子对数据进行分组，并计算目标变量的平均值        print(grouped)        values = {}  # 初始化一个字典，用于存储韦恩图各部分的百分比数值        # 格式化百分比        values['top'] = f"{grouped[(1, 0, 0)] * 100:.2f}%"  #顶部圆独有部分的均值        values['left'] = f"{grouped[(0, 1, 0)] * 100:.2f}%"  #左下圆独有部分的均值        values['right'] = f"{grouped[(0, 0, 1)] * 100:.2f}%"  #右下圆独有部分的均值        values['left_top'] = f"{grouped[(1, 1, 0)] * 100:.2f}%"  #左上交叉部分的均值        values['right_top'] = f"{grouped[(1, 0, 1)] * 100:.2f}%"  #右上交叉部分的均值        values['left_right'] = f"{grouped[(0, 1, 1)] * 100:.2f}%"  #下方左右交叉部分的均值        values['center'] = f"{grouped[(1, 1, 1)] * 100:.2f}%"  #中心三圆交叉部分的均值        outside_val = f"{grouped[(0, 0, 0)] * 100:.2f}%"  #三个因子均为0时的均值，外部        analyzed_data[key] = {  #将分析结果存入字典中            'title': config['title'],  #标题            'values': values,  #各部分数值            'outside': outside_val,  # 外部数值            'legend': config['legend']  #图例文本        }        print(values)    return analyzed_data  #返回分析数据

# =========================================================================================# ====================================== 3.颜色库 =========================================# =========================================================================================COLOR_LIBRARY = {    1: {        'm1': '#FFFFFF', 'm2': '#FFF5EB', 'm3': '#EBF4FA', 'm4': '#F5FAFE',        'm5': '#F9CB9C', 'm6': '#9BC2E6', 'm7': '#E0E0E0', 'm8': '#E6F2FF',        'border_top': '#F48024', 'border_left': '#2E75B6', 'border_right': '#5B9BD5', 'border_gray': '#A0A0A0'    },}SELECTED_SCHEME = 1  # 选择配色方案palette = COLOR_LIBRARY.get(SELECTED_SCHEME, COLOR_LIBRARY[1])  # 获取配色方案

# =========================================================================================# ====================================== 4.韦恩图绘制函数=========================================# =========================================================================================def draw_venn_unit(ax, data_dict):    vals = data_dict['values']  # 提取分析的数值    colors = palette  # 获取当前选定的颜色方案    #绘制基础韦恩图    v = venn3(subsets=(1, 1, 1, 1, 1, 1, 1), ax=ax, set_labels=None)    # 绘制韦恩图的圆周轮廓线    c = venn3_circles(subsets=(1, 1, 1, 1, 1, 1, 1), ax=ax, linewidth=1.5)    #绕中心旋转 180 度，将倒三角变为正三角    tr = Affine2D().rotate_deg(180) + ax.transData    #定义韦恩图各部分ID及颜色的映射关系    mapping = {        '001': {'key': 'top', 'color': colors['m2']},        '010': {'key': 'left', 'color': colors['m3']},        '100': {'key': 'right', 'color': colors['m4']},        '011': {'key': 'left_top', 'color': colors['m5']},        '101': {'key': 'right_top', 'color': colors['m6']},        '110': {'key': 'left_right', 'color': colors['m7']},        '111': {'key': 'center', 'color': colors['m8']}    }            patch.set_transform(tr)  #对图形块应用旋转变换            if info.get('color'):                patch.set_facecolor(info['color'])  #设置图形块的填充颜色                patch.set_alpha(1.0)  #设置透明度        if label:            x, y = label.get_position()  #获取标签当前的坐标位置            new_x, new_y = -x, -y  #坐标反转            #微调文字位置            if pid == '001': new_y -= 0.05            if pid == '110': new_y += 0.05            if pid == '111': new_y -= 0.02            label.set_position((new_x, new_y))            label.set_text(vals[info['key']])  #设置标签文本为对应的数值            label.set_fontsize(9)  #设置字体大小            label.set_fontweight('bold')  #设置字体加粗    #遍历所有的圆轮廓    for circle in c:        circle.set_transform(tr)  #对圆轮廓应用旋转变换    # 设置的边框颜色    c[0].set_edgecolor(colors['border_right'])    c[1].set_edgecolor(colors['border_left'])    c[2].set_edgecolor(colors['border_top'])    #外围圆圈    outer_circle = Circle((0, 0),                          radius=0.75,                          transform=ax.transData,                          fill=False,                          edgecolor='gray',                          linewidth=0.8)    ax.add_patch(outer_circle)  #添加到坐标轴上    #外围圆圈数值    ax.text(0, -0.65, data_dict['outside'], ha='center', va='center', fontsize=9, fontweight='bold')    #绘制右侧图例    legend_left = 1.0  #图例左边界的x坐标    start_y = 0.35  #图例起始的y坐标    step_y = 0.25  #图例之间的垂直间距    r = 0.06  #图例小圆圈的半径    # 图例属性设置，文本, 填充色, 边框色    items = [        (data_dict['legend'][0], 'none', colors['border_gray']),        (data_dict['legend'][1], 'none', colors['border_top']),        (data_dict['legend'][2], 'none', colors['border_left']),        (data_dict['legend'][3], 'none', colors['border_right'])    ]    #循环绘制    for i, (text, face, edge) in enumerate(items):        y_pos = start_y - i * step_y  #当前图例的y坐标        # 绘制圆圈        ax.add_patch(Circle((legend_left, y_pos),                            r,                            facecolor=face,                            edgecolor=edge,                            linewidth=1.5))        # 绘制文字        ax.text(legend_left + 0.15,                y_pos,                text,                va='center',                fontsize=11)    #绘制子图标题    ax.text(0.25, -0.05, data_dict['title'], ha='center', va='center', transform=ax.transAxes, fontsize=14)    ax.set_xlim(-0.8, 2.5)  #x轴显示范围    ax.set_ylim(-0.8, 0.8)  #y轴显示范围    ax.axis('off')  #关闭坐标轴显示    ax.set_aspect('equal')  #设置坐标轴比例为1:1

# =========================================================================================# ====================================== 5.子图绘制及图例设置函数=========================================# =========================================================================================def plot_and_save_individual(data_charts, output_dir=r'E:\公众号素材\1118-韦恩图'):    palette_name = f"palette_{SELECTED_SCHEME}"  #文件名    for key, data_dict in data_charts.items():  # 遍历所有分析好的数据        fig, ax = plt.subplots(figsize=(8, 6))  #创建图形        draw_venn_unit(ax, data_dict)  #调用绘图函数绘制韦恩图        # 添加一个新的坐标轴用于绘制图例        legend_ax = fig.add_axes([0.1,#左                                  0.2,#下                                  0.8,# 宽                                  0.05])#高        legend_ax.axis('off')        colors = palette  # 获取当前选定的颜色方案        m_legend_items = [  #定义底部图例项列表            ('m=1', colors['m1'], 'lightgray'),            ('m=8', colors['m8'], 'lightgray')        ]        num_items = len(m_legend_items)  #图例的总数        item_width = 1.0 / num_items  #每个图例的宽度        #绘制图例        for i, (label, fill, edge) in enumerate(m_legend_items):            x_pos = i * item_width + 0.02  #计算当前项的x起始位置            #创建图例的图形            rect = Rectangle((x_pos, 0.2),                             0.06,                             0.75,                             facecolor=fill,                             edgecolor=edge,                             transform=legend_ax.transAxes,                             zorder=20)            legend_ax.add_patch(rect)  # 添加到坐标轴            #图例的文本            legend_ax.text(x_pos + 0.065,                           0.65,                           label,                           transform=legend_ax.transAxes,                           va='center',                           fontsize=12,                           fontweight='bold')        plt.subplots_adjust(left=0.05, right=0.95, top=0.95, bottom=0.35)  # 调整子图布局边距        #保存        plt.close(fig)

# =========================================================================================# ====================================== 6.数据读取分析、子图及组合图绘制执行部分=========================================# =========================================================================================if __name__ == "__main__":    excel_filename = r'mulated_research_data.xlsx'  #数据文件    output_dir = r''  #输出文件夹    raw_df = pd.read_excel(excel_filename)  #读取    all_charts_data = analyze_perception_data(raw_df)  #调用分析函数处理数据    plot_and_save_individual(all_charts_data, output_dir)  #调用函数绘制    #绘制组合图    keys_to_draw = ['a', 'b', 'c', 'd']  # 定义需要包含在组合图中的图表key列表    num_plots = len(keys_to_draw)  #子图数量    cols = 2 #列    rows = math.ceil(num_plots / cols)  #行数    fig_width = 8 * cols  #总宽度    fig_height = 5 * rows  #总高度    #创建画布    fig, axes = plt.subplots(rows, cols, figsize=(fig_width, fig_height))    axes_flat = axes.flatten()  # 将多维axes数组展平为一维    #遍历每一个子图区域并调用绘图函数    for i, ax in enumerate(axes_flat):  # 遍历所有的子图坐标轴        if i < num_plots:  # 如果索引在需要绘制的图表范围内            key = keys_to_draw[i]  # 获取对应的图表key            draw_venn_unit(ax, all_charts_data[key])  # >>> 调用核心绘图函数在当前子图区域绘图 <<<        else:  # 如果超出范围            ax.axis('off')  # 关闭该子图显示    legend_ax = fig.add_axes([0.1, 0.02, 0.8, 0.05])  #添加一个新的坐标轴用于绘制图例    legend_ax.axis('off')  # 关闭该坐标轴的显示    plt.subplots_adjust(left=0.05,                        right=0.95,                        top=0.95,                        bottom=0.15 / rows,                        wspace=0.01,                        hspace=-0.1) plt.savefig(save_path_png, dpi=300)    plt.savefig(save_path_pdf, dpi=300)

'a': {    'factors': ['OCV_neg', 'OSV_neg', 'OPV_neg'],  #因子列    'target': 'OEV_neg',  #目标变量列名    'title': 'a) Overall perception',  #图表标题    'legend': ['Whole combinations of OCV, OSV and OPV', 'Uncomfortable in OCV', 'Unsafe in OSV','Unpleasant in OPV']  #图例的文本},

2.设置绘图使用的颜色方案：

SELECTED_SCHEME = 20  # 选择配色方案

save_path_png = fr"{palette_name}.png"save_path_pdf = fr"{palette_name}.pdf"

4.设置原始数据的路径：

excel_filename = r'research_data.xlsx'

save_path_png = fr"combined_{SELECTED_SCHEME}.png"save_path_pdf = fr"combined_{SELECTED_SCHEME}.pdf"