期刊图片复现|Python绘制RF重要性分析与相关性热力图

# =========================================================================================# ====================================== 1. 环境设置 =======================================# =========================================================================================import matplotlib.pyplot as pltimport seaborn as snsimport pandas as pdimport numpy as npimport matplotlib.patches as mpatchesfrom sklearn.ensemble import RandomForestRegressorfrom sklearn.model_selection import train_test_split, GridSearchCVfrom sklearn.metrics import r2_scorefrom scipy.stats import pearsonr, spearmanr, kendalltau

# =========================================================================================# ======================================2.相关性分析方法设置=======================================# =========================================================================================# 相关性方法库method_map = {1: 'pearson',              2: 'spearman',              3: 'kendall'}CORRELATION_METHOD = 1  # 定义相关性分析的方法# 获取当前选择的方法名称selected_method = method_map.get(CORRELATION_METHOD, 'pearson')

# =========================================================================================# ======================================3.颜色库=======================================# =========================================================================================COLOR_SCHEMES = {    1: {        'colors': {'Irrigation practices': '#800080', 'Climatic conditions': '#FF8C00', 'Soil conditions': '#808080'},        'heatmap': 'viridis',        'title_bg': '#BFBFBF'    },}CURRENT_SCHEME_ID = 40 # 定义当前使用的配色方案

# =========================================================================================# ======================================4.条形图绘制函数======================================# =========================================================================================def draw_bar_chart(ax, imp_dict, title, label_char, color_palette, title_bg_color):    plot_data = []  # 初始化绘图数据列表    for abbr, value in imp_dict.items():  # 遍历特征重要性字典        info = VAR_INFO.get(abbr)  # 获取变量的类别信息        if info:            plot_data.append({                'Variable': info['name'],  # 变量                'Value': value,  # 重要性                'Category': info['cat']  # 类别            })    df_plot = pd.DataFrame(plot_data)  #转换为 DataFrame    df_plot['Color'] = df_plot['Category'].map(color_palette)  # 根据类别映射颜色

    # 按照重要性数值排序    df_plot = df_plot.sort_values('Value', ascending=True)    # 绘制水平条形图    bars = ax.barh(df_plot['Variable'],  #y轴                   df_plot['Value'],  #x轴                   color=df_plot['Color'],  # 颜色                   height=0.7,  # 高度                   zorder=3)    # 标题    ax.text(0.5,  #x            1.05,  #y            title,  # 文本            transform=ax.transAxes,  # 轴坐标系            ha='center',  # 水平            va='center',  # 垂直            fontsize=20,  # 字体大小            color='black',  # 字体颜色            zorder=5)

    ax.set_yticks([])  # 去掉 y 轴刻度线    for bar, label in zip(bars, df_plot['Variable']):  # 遍历每个条形和标签        # 添加特征名称        ax.text(0.05, # x                bar.get_y() + bar.get_height() / 2,  # y                label,  # 标签文本                ha='left',  # 左对齐                va='center',  # 垂直                fontsize=11,  # 字体大小                color='black')  # 字体颜色    #子图编号    ax.text(0.02,  #x 坐标            1.05,  #y 坐标            f'({label_char})',  #子图编号文本            transform=ax.transAxes,  # 轴坐标系            fontsize=20,  # 字体大小            fontweight='normal',  # 字体粗细            va='center',  # 垂直居中            ha='left',  # 左对齐            zorder=6)

if label_char == 'a':  # 仅在第一个子图中添加图例        patches = [mpatches.Patch(color=v, label=k) for k, v in color_palette.items()]  # 创建图例色块        ax.legend(handles=patches,  # 图例句柄                  loc='lower right',  # 位置                  fontsize=10,  # 字体大小                  frameon=False,  # 不显示图例边框                  bbox_to_anchor=(1.0, 0.0))  #位置

# =========================================================================================# ======================================5.热力图的绘制函数======================================# =========================================================================================def draw_heatmap(ax, corr_df, p_val_df, label_char, cmap_name):    mask = np.tril(np.ones_like(corr_df, dtype=bool), k=-1)  # 创建下三角掩膜    # 绘制热图    sns.heatmap(corr_df,  # 据                mask=mask,  # 掩膜                annot=False,  # 不自动标注数值                fmt=".2f",  # 数值格式                cmap=cmap_name,  # 颜色映射                vmin=-1,  # 最小值                vmax=1,  # 最大值                center=0,  # 中心值                square=True,  # 单元格设为正方形                linewidths=0.5,  # 分隔线宽度                cbar=False,  # 不显示默认颜色条                ax=ax)  # 指定绘制的轴

for i in range(corr_df.shape[0]):  # 遍历行        for j in range(corr_df.shape[1]):  # 遍历列                if text and i != j:  # 如果有标记且不是对角线                    ax.text(j + 0.5,  # x 坐标                            i + 0.6,  # y 坐标                            text,  # 文本内容                            ha='center',  # 水平居中                            va='center',  # 垂直居中                            color='white' if abs(corr_df.iloc[i, j]) > 0.5 else 'black',  # 根据背景深浅自动调整字体颜色                            fontsize=10,  # 字体大小                            fontweight='bold')  # 加粗

    n = len(corr_df)  # 特征数量    for i in range(n):  # 遍历对角线位置        # 创建矩形，位置在对角线        rect = mpatches.Rectangle((i, i),  #位置                                  1,  # 宽度                                  1,  # 高度                                  fill=True,  # 填充                                  color='#000080',  # 填充颜色                i + 0.5,  # y 坐标                label,  # 文本内容                ha='center',  # 水平居中                va='center',  # 垂直居中                color='white',  # 字体颜色                fontsize=10,  # 字体大小                fontweight='bold')  # 字体加粗

    ax.xaxis.tick_top()  # 将 x 轴刻度移至顶部    ax.xaxis.set_label_position('top')  # 设置 x 轴标签位置为顶部    # 设置 x 轴刻度标签    ax.set_xticklabels(corr_df.columns, rotation=45,ha='left',rotation_mode='anchor')    ax.yaxis.tick_right()  # 将 y 轴刻度移至右侧    ax.yaxis.set_label_position('right')  # 设置 y 轴标签位置为右侧    # 添加显著性的说明文本    sig_text = "* p<=0.05\n** p<=0.01\n*** p<=0.001"    ax.text(0.01,  # x 坐标            0.25,  # y 坐标            sig_text,  # 文本内容            transform=ax.transAxes,  # 使用轴坐标系            fontsize=14,  # 字体大小            ha='left',  # 左对齐            va='bottom',  # 底部对齐            linespacing=1.5)  # 行间距

# =========================================================================================# ======================================6.执行部分======================================# =========================================================================================if __name__ == "__main__":    plot_results = []  # 初始化结果列表，用于存储绘图所需数据    # 目标变量    target_configs = [        {'name': 'Soil salinity', 'file': 'region_data_1.xlsx'},        {'name': 'Yield', 'file': 'region_data_2.xlsx'},        {'name': 'IWP', 'file': 'region_data_3.xlsx'}    ]    base_path = r'热力图'  #原始数据的路径    for config in target_configs:  # 遍历每个文件和目标        target_name = config['name']  # 目标变量        file_name = config['file']  # 文件名        file_path = os.path.join(base_path, file_name)  # 文件路径        df = pd.read_excel(file_path)  # 读取数据文件        features_cols = list(VAR_INFO.keys())  # 获取特征名        X = df[features_cols]  # 特征        y = df[target_name]  # 目标

       # 划分训练集和测试集        X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)        # 超参数网格        param_grid = {            'n_estimators': [100, 200],            'max_depth': [None, 10, 20],            'min_samples_leaf': [1, 2],            'max_features': ['sqrt', 'log2', None]        }        # 初始化RF回归器        rf_base = RandomForestRegressor(random_state=42)        # 初始化网格搜索        grid_search = GridSearchCV(estimator=rf_base, param_grid=param_grid, cv=3, n_jobs=-1, verbose=0)        grid_search.fit(X_train, y_train)  # 在训练集上进行拟合        best_rf = grid_search.best_estimator_  # 最佳模型        #评估模型        score = r2_score(y_test, best_rf.predict(X_test))        print(f"    最佳模型 R2 Score: {score:.3f}")

        # 获取特征重要性        importances = best_rf.feature_importances_        # 将重要性归一化为百分比        importances = 100.0 * (importances / importances.sum())        # 创建特征名到重要性的字典        imp_dict = dict(zip(X.columns, importances))

        cols = features_cols + [target_name]  # 定义相关性分析的列        df_subset = df[cols].copy()  # 提取相关数据子集        corr_matrix = df_subset.corr(method=selected_method)  # 计算相关性矩阵        p_matrix = pd.DataFrame(np.zeros_like(corr_matrix), columns=cols, index=cols)  # 初始化 P 值矩阵                else:                    _, p = pearsonr(vec_x, vec_y)                p_matrix.loc[c1, c2] = p        plot_results.append({            'imp': imp_dict,  # 重要性            'corr': corr_matrix,  # 相关性            'p_val': p_matrix,  # P 值            'title': target_name  # 标题        })

    current_config = COLOR_SCHEMES.get(CURRENT_SCHEME_ID, COLOR_SCHEMES[1])  # 获取当前配色配置    current_palette = current_config['colors']  # 获取颜色调色板    current_heatmap_cmap = current_config['heatmap']  # 获取热力图颜色映射    current_title_bg = current_config['title_bg']  # 获取标题背景色    # 创建画布    fig = plt.figure(figsize=(18, 14))    # 创建网格布局    draw_heatmap(ax4, plot_results[0]['corr'], plot_results[0]['p_val'], "d", current_heatmap_cmap)    ax5 = fig.add_subplot(gs[1, 1])    draw_heatmap(ax5, plot_results[1]['corr'], plot_results[1]['p_val'], "e", current_heatmap_cmap)    ax6 = fig.add_subplot(gs[1, 2])    draw_heatmap(ax6, plot_results[2]['corr'], plot_results[2]['p_val'], "f", current_heatmap_cmap)

    cbar_axes = [ax4, ax5, ax6]  # 定义需要添加颜色条的轴列表    for ax in cbar_axes:  # 遍历这些轴        pos = ax.get_position()  # 获取轴的位置        cax = fig.add_axes([pos.x0, pos.y0, pos.width * 0.7, 0.01])  # 创建颜色条的轴位置        norm = plt.Normalize(-1, 1)  # 设置颜色条的归一化范围        sm = plt.cm.ScalarMappable(cmap=current_heatmap_cmap, norm=norm)  # 创建 ScalarMappable 对象        sm.set_array([])  # 设置空数组        cbar = fig.colorbar(sm, cax=cax, orientation='horizontal')  # 绘制水平颜色条        cbar.set_ticks([-1, -0.8, -0.6, -0.4, -0.2, 0, 0.2, 0.4, 0.6, 0.8, 1])  # 设置颜色条刻度        cbar.ax.tick_params(labelsize=9)  # 设置刻度标签大小        cbar.ax.xaxis.set_ticks_position('top')  # 设置刻度位置在顶部        cbar.ax.xaxis.set_label_position('top')  # 设置标签位置在顶部

#================================================================子图保存部分============================================================================    labels_abc = ['a', 'b', 'c']  # 定义条形图编号    for i in range(3):  # 遍历前 3 个结果        fig_sub, ax_sub = plt.subplots(figsize=(8, 6))  # 创建子图画布        draw_bar_chart(ax_sub, plot_results[i]['imp'], plot_results[i]['title'], labels_abc[i], current_palette, current_title_bg)  # 绘制单个条形图    labels_def = ['d', 'e', 'f']  # 定义热力图编号    for i in range(3):        fig_sub, ax_sub = plt.subplots(figsize=(8, 7))  # 创建子图画布        draw_heatmap(ax_sub, plot_results[i]['corr'], plot_results[i]['p_val'], labels_def[i], current_heatmap_cmap)  # 绘制单个热力图        pos = ax_sub.get_position()  # 获取位置        cax = fig_sub.add_axes([pos.x0, pos.y0 - 0.05, pos.width * 0.7, 0.02])  # 创建颜色条位置        norm = plt.Normalize(-1, 1)  # 归一化        sm = plt.cm.ScalarMappable(cmap=current_heatmap_cmap, norm=norm)  # 映射        sm.set_array([])  # 空数组        cbar = fig_sub.colorbar(sm, cax=cax, orientation='horizontal')  # 绘制颜色条        cbar.set_ticks([-1, -0.8, -0.6, -0.4, -0.2, 0, 0.2, 0.4, 0.6, 0.8, 1])  # 设置刻度        cbar.ax.tick_params(labelsize=9)  # 设置参数        cbar.ax.xaxis.set_ticks_position('top')  # 设置刻度位置        cbar.ax.xaxis.set_label_position('top')  # 设置标签位置

CORRELATION_METHOD = 1  # 定义相关性分析的方法

2.选择要使用的配色方案：

CURRENT_SCHEME_ID = 40 # 定义当前使用的配色方案

VAR_INFO = {    'SIW': {'name': 'Salinity of irrigation water', 'cat': 'Irrigation practices'},

4.设置不同区域的数据文件以及目标变量：

target_configs = [    {'name': 'Soil salinity', 'file': 'region_data_1.xlsx'},

base_path = r'热力图'  #原始数据的路径

6.设置超参数：

param_grid = {    'n_estimators': [100, 200],    'max_depth': [None, 10, 20],    'min_samples_leaf': [1, 2],    'max_features': ['sqrt', 'log2', None]}

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