Python绘制相关性分析网络图

# =========================================================================================# ====================================== 1. 环境设置 =======================================# =========================================================================================import numpy as npimport pandas as pdimport matplotlib.pyplot as pltimport matplotlib.colors as mcolorsimport networkx as nximport warningsfrom matplotlib.lines import Line2Dfrom scipy.stats import pearsonr, spearmanr, kendalltauimport matplotlibmatplotlib.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=======================================# =========================================================================================COLOR_SCHEMES = {    1: {'nodes': plt.cm.RdBu_r, 'edges': plt.cm.PRGn},}scheme_index =1  # 颜色方案选择# 获取当前颜色方案current_color_scheme = COLOR_SCHEMES.get(scheme_index, COLOR_SCHEMES[1])

# =========================================================================================# ======================================3.形状标记库=======================================# =========================================================================================STYLE_SCHEMES = {    1: {'marker': 'o'},}style_index = 1  # 形状标记方案# 获取样式方案current_style_scheme = STYLE_SCHEMES.get(style_index, STYLE_SCHEMES[1])

# =========================================================================================# ======================================4.数据加载=======================================# =========================================================================================# 原始数据路径file_path = r'mock_data.xlsx'# 读取数据df = pd.read_excel(file_path)# 目标变量y = df.iloc[:, -1]# 特征变量X = df.iloc[:, :-1]# 获取特征列的名称并转换为列表features = X.columns.tolist()print(f"特征: {features}")print(f"数据类型: {X.shape}")

# =========================================================================================# ======================================5.相关性分析设置====================================# =========================================================================================# 相关性分析方法CORRELATION_METHODS = {    1: 'pearson',  # 皮尔逊    2: 'spearman',  # 斯皮尔曼    3: 'kendall'  # 肯德尔}# 设置使用的分析方法method_index = 3selected_method_name = CORRELATION_METHODS.get(method_index, 'pearson')#获取分析方案print(f"当前使用的相关性分析方法: {selected_method_name.capitalize()}")

# =========================================================================================# ======================================6.相关性及P值计算===================================# =========================================================================================def calculate_corr_p(x, y, method):    if method == 'pearson':  #判断使用的是什么方法        return pearsonr(x, y)  #使用对应方法计算并返回 x 和 y 的相关系数与 p 值    elif method == 'spearman':        return spearmanr(x, y)    elif method == 'kendall':        return kendalltau(x, y)    else:        return pearsonr(x, y)correlations_target_list = []  #用于存储每个特征与目标变量之间的相关系数p_target_list = []  #用于存储每个特征与目标变量之间的 P 值for col in features:  #遍历特征列表中的每一个特征列名    r, p = calculate_corr_p(X[col], y, selected_method_name)  # 调用函数计算当前特征与目标变量之间的相关系数和P值    correlations_target_list.append(r)  #添加到相关系数列表    p_target_list.append(p)  #添加到P值列表correlations_target_array = np.array(correlations_target_list)  # 将列表转换为 NumPy 数组，以便进行后续的数值计算和绘图处理p_target_array = np.array(p_target_list)  # 将 P 值列表转换为 NumPy 数组#绝对相关性 (用于节点大小)feature_importance_abs = np.abs(correlations_target_array)#相关性原始值 (用于节点颜色)feature_importance_signed = correlations_target_array#计算特征之间的两两相关性及P值n_feat = len(features)corr_matrix_values = np.zeros((n_feat, n_feat))#存放特征间分析系数#特征间相关性绝对值，共线性越强，线越粗mean_interaction_matrix_abs = np.abs(corr_matrix_values)np.fill_diagonal(mean_interaction_matrix_abs, 0)  # 忽略自身相关性#特征间相关性，用于控制连线颜色mean_interaction_matrix_signed = corr_matrix_valuesnp.fill_diagonal(mean_interaction_matrix_signed, 0)  # 忽略自身相关性

def plot_circular_interaction(features, importance_abs, importance_signed,p_target,interaction_matrix_abs, interaction_matrix_signed,p_matrix):    # 获取颜色方案    cmap_nodes = current_color_scheme['nodes']    cmap_edges = current_color_scheme['edges']    # 获取节点形状标记    node_marker = current_style_scheme['marker']    # 创建画布    fig, ax = plt.subplots(figsize=(12, 10), subplot_kw={'aspect': 'equal'})    # 获取特征的数量    n_features = len(features)

    # 创建一个 NetworkX 图对象    G = nx.Graph()    # 向图中添加节点    G.add_nodes_from(features)    # 生成节点的环形布局坐标    pos = nx.circular_layout(G)    # 标签的坐标    label_pos = {k: (v * 1.1) for k, v in pos.items()}

    # 颜色归一化    norm_edges = mcolors.Normalize(vmin=interaction_matrix_signed.min(),                                   vmax=interaction_matrix_signed.max())    # 宽度/大小归一化基准    max_interaction_abs = np.max(interaction_matrix_abs)    max_importance_abs = np.max(importance_abs)    # 初始化交互列表    interactions = []    # 遍历特征    for i in range(n_features):        for j in range(i + 1, n_features):            # 如果绝对强度大于 0 (显示阈值)            if strength_abs > 0:                # 将交互对、绝对强度、实际强度、P值添加到列表中                interactions.append((features[i], features[j], strength_abs, strength_signed, p_val))    # 根据绝对强度对交互列表进行排序    interactions.sort(key=lambda x: x[2])

# 遍历排序后的交互列表    for u, v, strength_abs, strength_signed, p_val in interactions:        # 根据实际值和当前边颜色方案获取线的颜色        color = cmap_edges(norm_edges(strength_signed))        # 根据绝对值计算线的粗细        width = 0.5 + (strength_abs / max_interaction_abs) * 8        # 线的透明度        alpha = 0.3 + (strength_abs / max_interaction_abs) * 0.7        # 绘制线        nx.draw_networkx_edges(G,                               pos,                               edgelist=[(u, v)],                               width=width,                               edge_color=[color],                               style=current_linestyle,                               alpha=alpha, ax=ax)

# --- 节点的处理 ---    # 节点颜色归一化    norm_nodes = mcolors.Normalize(vmin=importance_signed.min(),                                   vmax=importance_signed.max())    #定义节点面积的范围    NODE_SIZE_MIN = 300  #最小值，对应相关性最低    NODE_SIZE_MAX = 1000  #最大值，对应相关性最高    def map_size(value):  #定义映射函数，用于将相关性数值线性转换到指定的节点大小范围内        if data_max == data_min: return NODE_SIZE_MAX  # 如果最大值等于最小值，直接返回设定的最大尺寸        # 使用线性插值公式，将 value 映射到 [NODE_SIZE_MIN, NODE_SIZE_MAX] 区间        return NODE_SIZE_MIN + (value - data_min) / (data_max - data_min) * (NODE_SIZE_MAX - NODE_SIZE_MIN)

    # 初始化节点颜色列表    node_colors = []    # 初始化节点大小列表    node_sizes = []    node_edge_colors = []  #用于存储每个节点边框的颜色    node_line_widths = []  #用于存储每个节点边框的线条宽度    # 遍历每个特征    for i, feat in enumerate(features):        # 获取该特征的实际值        if p_val_target < 0.05:            node_edge_colors.append('black')  #黑边            node_line_widths.append(2.0)  #加粗        else:            node_edge_colors.append('grey')  #灰边            node_line_widths.append(0.5)  #细    # 绘制节点    nx.draw_networkx_nodes(G,  #在图G中绘制节点                           pos,  #坐标位置                           node_size=node_sizes,  #大小                           node_color=node_colors,  #填充颜色                           edgecolors=node_edge_colors,  #边框颜色                           linewidths=node_line_widths,  #边框粗细                           node_shape=node_marker,  #形状标记                           ax=ax)

# 遍历标签位置字典    for node, (x, y) in label_pos.items():        ha = 'center'  # 水平对齐方式        # 如果 x 坐标在右侧        if x > 0.1:            ha = 'left'  # 设置左对齐        # 如果 x 坐标在左侧        elif x < -0.1:            ha = 'right'  # 设置右对齐        # 绘制标签文本        plt.text(x,                 y,                 node,                 size=12,                 horizontalalignment=ha,                 verticalalignment='center')    # 关闭坐标轴    ax.axis('off')    # x轴显示范围    ax.set_xlim(-1.5, 1.5)    # y轴显示范围    ax.set_ylim(-1.5, 1.5)    # 标题    plt.title(f'(a) Correlation Network ({selected_method_name.capitalize()})', y=0.95, fontsize=16, weight='bold')

    #定义线条粗细图例的等级数值    line_levels = [max_interaction_abs, max_interaction_abs * 0.5, max_interaction_abs * 0.1]    #将数值转换为保留两位小数的字符串标签，用于图例显示具体数值    line_labels = [f"{val:.2f}" for val in line_levels]    legend1 = ax.legend(legend_lines,                        line_labels,                        loc='center left',                        bbox_to_anchor=(-0.1, 0.8),                        title="Feature Correlation\n(Line Width)",                        title_fontproperties={'weight': 'bold'},                        frameon=False,                        labelspacing=1.5)    #将第一个图例对象手动添加到坐标轴上    ax.add_artist(legend1)

    #创建边颜色的标量映射对象    sm_edge = plt.cm.ScalarMappable(cmap=cmap_edges, norm=norm_edges)    #设置空数组    sm_edge.set_array([])    #绘制线的颜色条    cbar_edge = plt.colorbar(sm_edge, cax=cax_edge)    #设置线的颜色条的标签    cbar_edge.set_label('Interaction Value (Signed)', rotation=270, labelpad=15, fontsize=10, weight='bold')    #去掉线的颜色条的轮廓线    cbar_edge.outline.set_visible(False)    # --- 颜色条---    #节点颜色条的位置    cbar_node_pos = [0.82, 0.20, 0.015, 0.25]    #添加节点颜色条的轴    cax_node = fig.add_axes(cbar_node_pos)    #创建节点颜色的标量映射对象    sm_node = plt.cm.ScalarMappable(cmap=cmap_nodes, norm=norm_nodes)    extra_artists = [legend1, legend2,legend3,  legend4, cax_edge, cax_node]    # 保存    save_path_png = fr"{style_index}_scheme{scheme_index}_corr_sig_{selected_method_name}.png"    save_path_pdf = fr"{style_index}_scheme{scheme_index}_corr_sig_{selected_method_name}.pdf"    plt.savefig(save_path_png, dpi=300, bbox_inches='tight', bbox_extra_artists=extra_artists)    plt.savefig(save_path_pdf, bbox_inches='tight', bbox_extra_artists=extra_artists)

if __name__ == "__main__":    print("-" * 30)    print("特征与目标变量相关性排序")    print("-" * 30)    # 创建DataFrame对象，用于展示分析结果    df_importance = pd.DataFrame({        '特征': features,  # 特征列        '相关性 (绝对值)': feature_importance_abs,  # 重要性        '相关性 (原始值)': feature_importance_signed,  # 影响方向        'P值': p_target_array,  #P值数据        '显著性': ['**' if p < 0.01 else '*' if p < 0.05 else '-' for p in p_target_array]  # 显著性标记    })    # 根据重要性进行降序排序    df_importance = df_importance.sort_values(by='相关性 (绝对值)', ascending=False)    print(df_importance.to_string(index=False))    print("-" * 30)    print("特征间共线性/相关性强度排序")    print("-" * 30)    # 初始化一个空列表    interaction_list = []    # 获取特征的总数量    n_features = len(features)    # 开始外层循环    for i in range(n_features):        # 开始内层循环        for j in range(i + 1, n_features):            # 获取数据            strength = mean_interaction_matrix_abs[i, j]            direction = mean_interaction_matrix_signed[i, j]            p_val = p_value_matrix[i, j]  # 获取P值            # 条件判断            if strength > 0:                interaction_list.append({                    '特征 1': features[i],                    '特征 2': features[j],                    '相关性 (绝对值)': strength,                    '相关性 (原始值)': direction,                    'P值': p_val,  # 记录P值                    '显著性': '是' if p_val < 0.05 else '否'                })    # 转换为DataFrame    df_interactions = pd.DataFrame(interaction_list)    # 如果不为空    if not df_interactions.empty:        # 根据相关性强度排序        df_interactions = df_interactions.sort_values(by='相关性 (绝对值)', ascending=False)        print(df_interactions.head(15).to_string(index=False))    else:        print("无显著相关性。")    # 调用绘图函数，传入计算好的P值矩阵    plot_circular_interaction(features,                              feature_importance_abs,  # 节点大小依据                              feature_importance_signed,  # 节点颜色依据                              p_target_array,#Y显著性决定节点边框粗细                              mean_interaction_matrix_abs,  # 连线粗细依据                              mean_interaction_matrix_signed,  # 连线颜色依据                              p_value_matrix)  # P值矩阵，用于控制线型

scheme_index =1  # 颜色方案选择

2.选择你想要使用到的形状标记方案：

style_index = 1  # 形状标记方案

file_path = r'mock_data.xlsx'

4.设置目标变量和特征变量：

# 目标变量y = df.iloc[:, -1]# 特征变量X = df.iloc[:, :-1]

# 设置使用的分析方法method_index = 3

6.设置绘图结果的保存地址：

save_path_png = fr"{style_index}_scheme{scheme_index}_corr_sig_{selected_method_name}.png"save_path_pdf = fr"{style_index}_scheme{scheme_index}_corr_sig_{selected_method_name}.pdf"