期刊图片复现|Python绘制组合式相关性网络热力图

import matplotlib.pyplot as pltimport matplotlib.patches as patchesimport matplotlib.colorbar as colorbarfrom matplotlib.lines import Line2Dimport matplotlib.colors as mcolorsimport matplotlibimport pandas as pdfrom scipy.stats import pearsonrimport osmatplotlib.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_negative': "#4575b4", 'heatmap_zero': "#ffffbf", 'heatmap_positive': "#d73027",        'center_circle_face': "#4d4d4d", 'center_text': "#ffffff",},}COLOR_CHOICE = 5  # 选择颜色方案selected_colors = color_library[COLOR_CHOICE]  # 获取选定的颜色配置def get_cmap_from_selection(colors):    nodes = [0.0, 0.5, 1.0]  #定义颜色渐变的节点位置，0为负值，0.5为中间值，1为正值    colors_list = [colors['heatmap_negative'], colors['heatmap_zero'], colors['heatmap_positive']]  #提取颜色配置构建列表    cmap = mcolors.LinearSegmentedColormap.from_list("custom_corr_cmap",list(zip(nodes, colors_list)))  # 生成自定义 Colormap    return cmap  # 返回生成的颜色映射对象current_cmap = get_cmap_from_selection(selected_colors)  # 根据当前选定的颜色方案生成颜色映射norm = mcolors.Normalize(vmin=-1, vmax=1)  #设置颜色映射的归一化范围

# =========================================================================================# ======================================3.数据分析函数==============================# =========================================================================================def analyze_raw_data(raw_data_path, output_analysis_path, years, vars_list):    calculated_data = {}  #用于存储计算结果    with pd.ExcelWriter(output_analysis_path) as writer:  #使用 pandas创建Excel写入对象，准备保存文件        for year in years:  # 遍历每一个年份            df_all = pd.read_excel(raw_data_path, sheet_name=f'{year}_RawData',index_col=0)  #读取对应年份的Sheet            df_vars = df_all[vars_list]  #特征数据            center_series = df_all['SHDI']  #目标数据            #特征数据之间进行相关行分析            corr_matrix = df_vars.corr(method='pearson')            #用于存储 P 值            p_values = pd.DataFrame(index=vars_list, columns=vars_list, dtype=float)            for c1 in vars_list:  #行                for c2 in vars_list:  #列                    if c1 == c2:  #如果是同一个变量                        p_values.loc[c1, c2] = 0.0                    else:                        _, p = pearsonr(df_vars[c1], df_vars[c2])  #计算两列数据相关系数和 P 值                        p_values.loc[c1, c2] = p  #将计算得到的P值填入矩阵对应位置            center_corrs = []  #用于存储特征与目标的相关性            for var in vars_list:  # 遍历每一个变量                r, _ = pearsonr(df_vars[var], center_series)  # 计算当前变量与目标的相关系数                center_corrs.append(r)  # 将相关系数添加到列表            # 将相关性列表转换为DataFrame格式            df_center_corr = pd.DataFrame(center_corrs,                                          index=vars_list,                                        columns=['Correlation_with_Center'])            # 保存分析结果            corr_matrix.to_excel(writer, sheet_name=f'{year}_Corr')  #相关性            p_values.to_excel(writer, sheet_name=f'{year}_P_Value')  #P值            df_center_corr.to_excel(writer, sheet_name=f'{year}_Center_Corr')  #中心相关性数据            # 将计算结果直接存入字典            calculated_data[year] = {                    'corr': corr_matrix.values,                    'p': p_values.values,                    'r': df_center_corr['Correlation_with_Center'].values            }        return calculated_data  #直接返回计算好的数据，供后续使用

# =========================================================================================# ======================================4.网络线线线条设置函数=====================================# =========================================================================================def get_line_style(r_value):    abs_r = abs(r_value)  # 计算相关系数的绝对值    c_pos = selected_colors['heatmap_positive']  # 正相关使用的颜色    c_neg = selected_colors['heatmap_negative']  # 负相关使用的颜色    #确定颜色，根据 r 值正负选择    if r_value >= 0:        line_color = c_pos    else:        line_color = c_neg    #根据绝对值大小确定线宽、线型和透明度    if abs_r < 0.10:        return {'color': line_color, 'linestyle': '--', 'linewidth': 1.0, 'alpha': 0.5}    elif 0.10 <= abs_r < 0.25:        return {'color': line_color, 'linestyle': '-', 'linewidth': 1.5, 'alpha': 0.65}    elif 0.25 <= abs_r < 0.50:        return {'color': line_color, 'linestyle': '-', 'linewidth': 3.0, 'alpha': 0.8}    else:        return {'color': line_color, 'linestyle': '-', 'linewidth': 5.0, 'alpha': 1.0}

# =========================================================================================# ======================================5.热图绘制函数=====================================# =========================================================================================def draw_triangle_heatmap(ax, corr_mat, p_mat, variables, start_x, start_y,type='bottom-left', title_year=''):    n = len(variables)  #变量的数量    connection_points = []  #用于存储连接线的锚点坐标    #左三角        for i in range(n):  # 遍历每一行            cols_to_draw = n - i  # 计算当前行需要绘制的列数，逐行递减            for j_visual in range(cols_to_draw):  # 遍历当前行的每一列                col_data_idx = n - 1 - j_visual  # 映射数据列索引，倒序                row_data_idx = i  # 设置数据行索引                val = corr_mat[row_data_idx, col_data_idx]  # 从相关性矩阵获取对应的值                p = p_mat[row_data_idx, col_data_idx]  # 从 P 值矩阵获取对应的值                rect_x = start_x + j_visual  # 计算方块的 X 轴坐标                rect_y = start_y - i  # 计算方块的 Y 轴坐标                # 绘制方块                rect = patches.Rectangle((rect_x, rect_y),                                         1,                                         1,                                         facecolor=current_cmap(norm(val)),                                         edgecolor='white')                ax.add_patch(rect)  #将矩形添加到轴上                # 标注文本                text_color = 'white' if abs(val) > 0.6 else 'black'  #根据背景色深浅决定文字颜色                #绘制相关系数数值                ax.text(rect_x + 0.5,                        rect_y + 0.35,                        f"{val:.2f}",                        ha='center',                        va='center',                        fontsize=15,                        color=text_color,                        fontweight='normal')                #设置显著性标记                if p < 0.05:                    mark = '***' if p < 0.001 else ('**' if p < 0.01 else '*')  # 根据 P 值大小确定星号数量                    #绘制显著性星号                    ax.text(rect_x + 0.5,                            rect_y + 0.52,                            mark, ha='center',                            va='center',                            fontsize=15,                            color=text_color,                            fontweight='bold')        #左侧Y轴标签        for i in range(n):  # 遍历行，绘制 Y 轴标签            label_y = start_y - i + 0.5  #标签的 Y 坐标            # 绘制左侧的变量名            ax.text(start_x - 0.2,                    label_y,                    variables[i],                    ha='right',                    va='center',                    fontsize=12,                    fontweight='bold')            #        #顶部标签，X轴        top_labels = variables[::-1]  # 将变量列表反转，用于顶部 X 轴标签        for i in range(n):  #遍历列            label_x = start_x + i + 0.5  #标签的 X 坐标            # 绘制顶部的变量标签            ax.text(label_x,                    start_y + 1.2,                    top_labels[i],                    ha='center',                    va='bottom',                    fontsize=12,                    fontweight='bold')       #年份标注        ax.text(start_x,                start_y + 1.2,                title_year,                ha='right',                va='center',                fontsize=14,                fontweight='bold')        # 遍历行        for i in range(n):            cols_count = n - i #计算当前行方块数            offset = i  # 计算每行的水平偏移量            for j_visual in range(cols_count):  #遍历列                rect_x = start_x + offset + j_visual  #方块的 X 轴坐标                rect_y = start_y - i  #方块的 Y 轴坐标                row_data_idx = i  #数据行索引                col_data_idx = i + j_visual  #数据列索引                val = corr_mat[row_data_idx, col_data_idx]  # 获取相关系数数值                p = p_mat[row_data_idx, col_data_idx]  #获取 P 值                #创建方块                rect = patches.Rectangle((rect_x, rect_y),                                         1,                                         1,                                         facecolor=current_cmap(norm(val)),                                         edgecolor='white')                ax.add_patch(rect)  #添加                text_color = 'white' if abs(val) > 0.6 else 'black'  #设置文本颜色                # 绘制数值                ax.text(rect_x + 0.5,                        rect_y + 0.35,                        f"{val:.2f}",                        ha='center',                        va='center',                        fontsize=15,                        color=text_color,                        fontweight='normal')                if p < 0.05:  # 判断显著性                    mark = '***' if p < 0.001 else ('**' if p < 0.01 else '*')                    # 绘制                    ax.text(rect_x + 0.5,                            rect_y + 0.52,                            mark,                            ha='center',                            va='center',                            fontsize=15,                            color=text_color,                            fontweight='bold')        #右侧标签，Y轴        for i in range(n):  # 遍历行            label_y = start_y - i + 0.5  #标签 Y 坐标            # 绘制            ax.text(start_x + n + 0.2,                    label_y,                    variables[i],                    ha='left',                    va='center',                    fontsize=12,                    fontweight='bold')        #顶部标签 ，X轴        for i in range(n):  #遍历列            label_x = start_x + i + 0.5  #X 坐标            #绘制顶部变量名            ax.text(label_x,                    start_y + 1.2,                    variables[i],                    ha='center',                    va='bottom',                    fontsize=12,                    fontweight='bold')        #年份        ax.text(start_x + n,                start_y + 1.2,                title_year,                ha='left',                va='center',                fontsize=14,                fontweight='bold')        for i in range(n):  #行            for j in range(i + 1):  #列                rect_x = start_x + j  #方块 X 坐标                rect_y = start_y - i  #方块 Y 坐标                val = corr_mat[i, j]  #相关性数值                p = p_mat[i, j]  # 获取 P 值                # 创建方块                rect = patches.Rectangle((rect_x, rect_y),                                         1,                                         1,                                         facecolor=current_cmap(norm(val)),                                         edgecolor='white')                ax.add_patch(rect)  #添加                text_color = 'white' if abs(val) > 0.6 else 'black'  #文字颜色                # 绘制相关数值                ax.text(rect_x + 0.5,                        rect_y + 0.35,                        f"{val:.2f}",                        ha='center',                        va='center',                        fontsize=15,                        color=text_color, fontweight='normal')                if p < 0.05:  #显著性                    mark = '***' if p < 0.001 else ('**' if p < 0.01 else '*')                    ax.text(rect_x + 0.5,                            rect_y + 0.52,                            mark,                            ha='center',                            va='center',                            fontsize=15,                            color=text_color,                            fontweight='bold')        #左侧标签，Y轴        for i in range(n):  #行            label_y = start_y - i + 0.5  #Y 坐标            #绘制            ax.text(start_x - 0.2,                    label_y,                    variables[i],                    ha='right',                    va='center',                    fontsize=12,                    fontweight='bold')            ax.text(label_x,                    start_y - (n - 1) - 0.5,                    variables[i],                    ha='center',                    va='top',                    fontsize=12,                    fontweight='bold')        # 绘制年份        ax.text(start_x,                start_y - (n - 1) - 0.4,                title_year,                ha='right',                va='center',                fontsize=14,                fontweight='bold')    return connection_points

# =========================================================================================# ======================================6.主绘图函数=====================================# =========================================================================================def create_complex_layout_plot(data, vars_list):    fig, ax = plt.subplots(figsize=(20, 16))  # 创建画布和坐标轴    ax.set_aspect('equal')  #强制纵横比相等，保证方块是正方形    n = len(vars_list)  #变量数    gap_width = 2.0  #设置中间间距宽度    start_x_2000 = -gap_width / 2 - n  #左上热图起始X坐标    start_y_2000 = n + 2  #左上热图起始Y坐标    start_x_2010 = -gap_width / 2 - n  #右下热图起始X坐标    start_y_2010 = 0  # 右下热图起始Y坐标    start_x_2020 = gap_width / 2  #右上热图起始X坐标    start_y_2020 = start_y_2000  #右上热图起始Y坐标    #绘制三个热图    pts_2000 = draw_triangle_heatmap(ax,                                     data[2000]['corr'],                                     data[2000]['p'],                                     vars_list,                                     start_x=start_x_2000,                                     start_y=start_y_2000,                                     type='top-left',                                     title_year='2000')    pts_2020 = draw_triangle_heatmap(ax,                                     data[2020]['corr'],                                     data[2020]['p'],                                     vars_list,                                     start_x=start_x_2020,                                     start_y=start_y_2020,                                     type='top-right',                                     title_year='2020')    pts_2010 = draw_triangle_heatmap(ax,                                     data[2010]['corr'],                                     data[2010]['p'],                                     vars_list,                                     start_x=start_x_2010,                                     start_y=start_y_2010,                                     type='bottom-left',                                     title_year='2010')    #绘制中心节点    center_y = ((start_y_2000 - n) + (start_y_2010 + 1)) / 2  #中心圆的 Y 坐标    center_x = 0  # 中心圆的 X 坐标    c_face = selected_colors['center_circle_face']  #中心圆的填充色    c_text = selected_colors['center_text']  #中心圆的文本色    #绘制中心大圆    ax.scatter(center_x,               center_y,               s=6000,               marker='o',               facecolor=c_face,               edgecolor='none',               zorder=100)    #绘制中心文字    #绘制圆内第一行文字    ax.text(center_x,            center_y + 0.25,            "SHDI",            ha='center',            va='bottom',            fontsize=15,            fontweight='bold',            color=c_text,            zorder=101)    # 绘制圆内第二行文字    ax.text(center_x,            center_y,            "Pastoral area",            ha='center',            va='top',            fontsize=13,            fontweight='bold',            color=c_text,            zorder=101)    ax.set_xlim(start_x_2000 - 3, start_x_2020 + n + 3)  #X 轴显示范围    ax.set_ylim(start_y_2010 - n - 2, start_y_2000 + 3)  #Y 轴显示范围    ax.axis('off')  #隐藏边框和刻度    #颜色条    cbar_ax = fig.add_axes([0.7, 0.25, 0.013, 0.25])  #在图中添加一个新的坐标轴用于绘制颜色条    # 创建颜色条对象    cb = colorbar.ColorbarBase(cbar_ax,                               cmap=current_cmap,                               norm=norm,                               orientation='vertical')    cb.set_label("Pearson's r", size=18)  # 设置颜色条标题    cb.set_ticks([-1, -0.5, 0, 0.5, 1])  #颜色条刻度    cb.outline.set_visible(False)  # 去掉边框    cb.ax.tick_params(size=0, labelsize=18)  #设置刻度参数    #图例    c_pos = selected_colors['heatmap_positive']  #正相关颜色    c_neg = selected_colors['heatmap_negative']  #负相关颜色    #定义图例项，分为两组    legend_elements = [        #正相关组        Line2D([0], [0], color=c_pos, lw=1.0, linestyle='--', alpha=0.5, label='Positive < 0.10'),        Line2D([0], [0], color=c_pos, lw=1.5, linestyle='-', alpha=0.65, label='Positive 0.10 - 0.25'),        Line2D([0], [0], color=c_pos, lw=3.0, linestyle='-', alpha=0.8, label='Positive 0.25 - 0.50'),        Line2D([0], [0], color=c_pos, lw=5.0, linestyle='-', alpha=1.0, label='Positive > 0.50'),        #负相关组        Line2D([0], [0], color=c_neg, lw=1.0, linestyle='--', alpha=0.5, label='Negative > -0.10'),        Line2D([0], [0], color=c_neg, lw=1.5, linestyle='-', alpha=0.65, label='Negative -0.10 to -0.25'),        Line2D([0], [0], color=c_neg, lw=3.0, linestyle='-', alpha=0.8, label='Negative -0.25 to -0.50'),        Line2D([0], [0], color=c_neg, lw=5.0, linestyle='-', alpha=1.0, label='Negative < -0.50')    ]    #绘制图例    ax.legend(handles=legend_elements,              loc='lower right',              bbox_to_anchor=(0.76, 0.2),              title="Correlation Network (Lines)",              frameon=False,              fontsize=14,              title_fontsize=16,              ncol=1)    #小标题    ax.text(start_x_2020 + n - 4, start_y_2010 - n + 1, "(a)", fontsize=24, fontweight='bold')

# =========================================================================================# ======================================7. 主程序 =======================================# =========================================================================================if __name__ == "__main__":    vars_list = ['CS', 'FP', 'HQ', 'SR', 'WY']  #特征    years = [2000, 2010, 2020]  #表    raw_data_file = r'E:\公众号素材\1204\raw_data.xlsx' #原始数据文件完整路径    analysis_result_file = r'E:\公众号素材\1204\simulation_results.xlsx' #分析结果文件完整路径     #调用分析函数    plot_data = analyze_raw_data(raw_data_file,                                 analysis_result_file,                                 years,                                 vars_list)    # 调用绘图函数    create_complex_layout_plot(plot_data,                               vars_list)

COLOR_CHOICE = 20 

2.定义数据的目标变量：

center_series = df_all['SHDI']  #目标数据

plt.savefig(fr'combined_heatmap{COLOR_CHOICE}.png', dpi=300, bbox_inches='tight')plt.savefig(fr'combined_heatmap{COLOR_CHOICE}.pdf', bbox_inches='tight')

4.定义特征变量：

vars_list = ['CS', 'FP', 'HQ', 'SR', 'WY']  #特征

years = [2000, 2010, 2020]  #表

6.定义绘图所需要用到的原始数据文件的路径：

raw_data_file = r'data.xlsx' #原始数据文件完整路径

analysis_result_file = r'results.xlsx'