期刊图片复现|Python绘制泰勒图

# =========================================================================================# ====================================== 1. 库的导入 =========================================# =========================================================================================import numpy as npimport matplotlib.pyplot as pltimport skill_metrics as smimport matplotlib.lines as mlinesimport pandas as pdfrom sklearn.model_selection import train_test_split, GridSearchCVfrom sklearn.preprocessing import StandardScalerfrom sklearn.linear_model import LinearRegressionfrom sklearn.ensemble import RandomForestRegressor, GradientBoostingRegressorimport 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 =========================================# =========================================================================================selected_palette = 20 #选择配色方案color_palettes = {    1: {            "Linear Regression": "#4285F4",  #            "Random Forest": "#DB4437",             "Gradient Boosting": "#0F9D58",              "Observation": "#000000",              "point_std_color": "#B0B0B0",             "point_cor_color": "#D3D3D3",            "point_rms_color": "#808080",              "plot_bgcolor": "#FFFFFF",             "label_color": "#333333",             "tick_color": "#666666"         },}selected_colors = color_palettes[selected_palette ]  # 从颜色库中获取指定索引的配色方案

# =========================================================================================# ======================================3.绘图函数=========================================# =========================================================================================def plot_taylor_diagram(model_stats, sdev_obs, colors):    fig = plt.figure(figsize=(10, 8))    fig.patch.set_facecolor("#FFFFFF")     ax = plt.gca()     ax.set_facecolor("#FFFFFF")      sm.taylor_diagram(        np.array([sdev_obs]),         np.array([0.0]),         np.array([1.0]),         colSTD=colors.get('point_std_color', '#606060'),          colCOR=colors.get('point_cor_color', '#808080'),          colRMS=colors.get('point_rms_color', '#404040'),          styleSTD='--',        styleCOR='-',         styleRMS=':',         alpha=1     )    for label in ax.get_xticklabels() + ax.get_yticklabels():        label.set_fontsize(11)        label.set_fontweight('bold')        label.set_color(colors.get('tick_color', '#666666'))    for name, group in model_stats.items():        sdev, ccoef = group["stats"]        style = group["style"]        x = sdev * ccoef        y = sdev * np.sin(np.arccos(ccoef))        plt.scatter(x, y,                    s=style.get('s', 80),                    c=style.get('color', 'black'),                    marker=style.get('marker', 'o'),                    edgecolors=style.get('edgecolors', 'none'),                    linewidths=1.5,                    zorder=10)    plt.scatter(sdev_obs, 0, s=150, c=colors['Observation'], marker='*', zorder=10, clip_on=False, label='Observation')    plt.title('Model Performance Evaluation', fontsize=20, pad=20, color=colors.get('label_color', '#333333'))    legend_handles = [        mlines.Line2D([], [], color=colors['Linear Regression'], marker='o', linestyle='None', markersize=8, label='Linear Regression'),        mlines.Line2D([], [], color=colors['Random Forest'], marker='s', linestyle='None', markersize=8, label='Random Forest'),        mlines.Line2D([], [], color=colors['Gradient Boosting'], marker='^', linestyle='None', markersize=8, label='Gradient Boosting'),        mlines.Line2D([], [], color=colors['Observation'], marker='*', linestyle='None', markersize=10, label='Observation')    ]    legend = fig.legend(handles=legend_handles, loc='upper right', bbox_to_anchor=(0.9, 0.9), numpoints=1, fontsize=12)    for text in legend.get_texts():        text.set_color(colors.get('label_color', '#333333'))    ax.tick_params(axis='x', length=0)    ax.tick_params(axis='y', length=0)    for label in ax.get_xticklabels() + ax.get_yticklabels():        label.set_color(colors.get('tick_color', '#666666'))    plt.savefig(fr'taylor_diagram_{selected_palette }.png', dpi=300, bbox_inches='tight')    plt.savefig(fr'taylor_diagram_{selected_palette }.pdf', bbox_inches='tight')

# =========================================================================================# ======================================4.数据的读取与处理=========================================# =========================================================================================file_path = r"simulated_data.xlsx"  # 定义Excel文件所在的路径data_df = pd.read_excel(file_path)  #读取数据X = data_df.iloc[:, :-1].values  #提取特征数据y = data_df.iloc[:, -1].values  #提取目标变量数据#划分训练集和验证集X_train, X_val, y_train, y_val = train_test_split(X, y, test_size=0.3, random_state=42)#标准化处理scaler = StandardScaler()X_train_scaled = scaler.fit_transform(X_train)X_val_scaled = scaler.transform(X_val)

# =========================================================================================# ======================================5.模型的构建=========================================# =========================================================================================# 设置要进行网格搜索的模型和参数范围param_grids = {    "Random Forest": {        'model': RandomForestRegressor(random_state=42),        'params': {            'n_estimators': [50, 100],            'max_depth': [10, 20]        }    },    "Gradient Boosting": {        'model': GradientBoostingRegressor(random_state=42),        'params': {            'n_estimators': [50, 100],            'learning_rate': [0.05, 0.1]        }    }}#存储最佳模型best_models = {    "Linear Regression": LinearRegression()}#执行网格搜索for name, grid_info in param_grids.items():  #遍历每个模型配置    print(f"\n--- 正在为模型 '{name}' 进行网格搜索 ---")    grid_search = GridSearchCV(estimator=grid_info['model'],                               param_grid=grid_info['params'],                               cv=3,                               n_jobs=-1,                               scoring='neg_mean_squared_error')    #执行网格搜索    grid_search.fit(X_train_scaled, y_train)    print(f"'{name}' 找到的最佳超参数: {grid_search.best_params_}")    #保存最佳模型    best_models[name] = grid_search.best_estimator_

# =========================================================================================# ======================================6.绘图=========================================# =========================================================================================#用于存储每个模型的性能统计数据model_performance_stats = {}#计算标准差observation_sdev = np.std(y_val)# 评估每个模型for name, model in best_models.items():  # 遍历存储了最佳模型的字典    print(f"\n正在评估模型: {name}...")    # 线性回归模型需要单独训练    if name == "Linear Regression":  # 判断是否为线性回归模型        model.fit(X_train_scaled, y_train)  # 如果是，则在标准化的训练数据上进行训练    # 进行预测    predictions = model.predict(X_val_scaled)  # 使用训练好的模型对标准化的验证集进行预测    # 计算泰勒图所需的两个指标：标准差和相关系数    pred_sdev = np.std(predictions)  # 计算模型预测值的标准差    corr = np.corrcoef(y_val, predictions)[0, 1]  # 计算预测值与真实值之间的相关系数    # 计算预测值和观测值的离差（减去各自的均值）    pred_anomalies = predictions - np.mean(predictions)    obs_anomalies = y_val - np.mean(y_val)    #计算中心化均方根误差    rmsd = np.sqrt(np.mean((pred_anomalies - obs_anomalies) ** 2))    # 打印出模型的各项性能指标    print(f"标准差: {pred_sdev:.3f}")    print(f"相关系数: {corr:.3f}")    print(f"中心化均方根误差: {rmsd:.3f}")    # 存储统计数据    model_performance_stats[name] = {  # 将计算出的统计数据存入字典        "stats": (np.array([pred_sdev]), np.array([corr])),  # 存储标准差和相关系数    }# 为每个模型设定绘图样式model_performance_stats["Linear Regression"]["style"] = {'color': selected_colors["Linear Regression"],                                                         'marker': 'o',                                                         's': 80}model_performance_stats["Random Forest"]["style"] = {'color': selected_colors["Random Forest"],                                                     'marker': 's',                                                     's': 80}model_performance_stats["Gradient Boosting"]["style"] = {'color': selected_colors["Gradient Boosting"],                                                         'marker': '^',                                                         's': 80}print("\n所有模型评估完毕，开始绘图...")#调用绘图函数plot_taylor_diagram(model_performance_stats, observation_sdev, selected_colors)

selected_palette = 20

2.选择使用的数据：

file_path = r"data.xlsx" 

X = data_df.iloc[:, :-1].valuesy = data_df.iloc[:, -1].values