Python绘制花瓣状多组相关性热图

# =========================================================================================# ====================================== 1. 库的导入 =========================================# =========================================================================================import pandas as pdimport numpy as npimport matplotlib.pyplot as pltfrom matplotlib.colors import LinearSegmentedColormapfrom matplotlib.patches import Wedge, Patchfrom matplotlib.lines import Line2Dfrom scipy import statsimport matplotlibimport osmatplotlib.rcParams['pdf.fonttype'] = 42matplotlib.rcParams['ps.fonttype'] = 42plt.rcParams['font.family'] = 'Times New Roman'

# =========================================================================================# ======================================2.颜色库设置=========================================# =========================================================================================COLOR_THEMES = {    1: {'group_colors': {...}, 'heatmap_colors': [...], 'group_label_color': 'white'},}

# =========================================================================================# ======================================3.绘图前需要做的准备=========================================# =========================================================================================#选择配色方案selected_scheme = 5#选择分析方法spearman, pearson,kendallselected_method = 'spearman'#输入文件的地址，输出结果的路径data_directory = r"E:\公众号素材\花瓣状热图"#每个数据文件的特征和目标data_slices = {    'Flexural':       {'features': slice(0, 16), 'targets': slice(16, 24)},    'Flexural-shear': {'features': slice(0, 16), 'targets': slice(16, 24)},    'Shear':          {'features': slice(0, 16), 'targets': slice(16, 24)},    'Bond':           {'features': slice(0, 16), 'targets': slice(16, 24)}}#从颜色库里提取配色方案，如果没有就是用默认的颜色select_color = COLOR_THEMES.get(selected_scheme, 1)

# =========================================================================================# ======================================4.绘图函数=========================================# =========================================================================================def create_full_ring_plot(all_data,                           all_feature_names,                            all_target_names,                           color_palette,                           sector_params, ):  

fig, ax = plt.subplots(figsize=(24, 24), subplot_kw={'aspect': 'equal'})    ax.axis('off')    heatmap_colors_value = color_palette['heatmap_colors']    if isinstance(heatmap_colors_value, str):        cmap = plt.get_cmap(heatmap_colors_value)    else:        cmap = LinearSegmentedColormap.from_list("custom_cmap", list(zip([0.0, 0.5, 1.0], heatmap_colors_value)))    norm = plt.Normalize(vmin=-1, vmax=1)

for idx, group_name in enumerate(group_names):        features = all_feature_names[group_name]        df, df_sig = all_data[group_name]['correlation_df'], all_data[group_name]['p_value_df']        current_targets = all_target_names[group_name]        start_angle_deg = sector_params[group_name]['start']        end_angle_deg = sector_params[group_name]['end']        theta_deg = np.linspace(start_angle_deg, end_angle_deg, len(features))        theta_rad = np.deg2rad(theta_deg)        angle_span_deg = abs(end_angle_deg - start_angle_deg) / len(features) * 0.95        current_group_color = group_legend_colors[idx

for i, target_name in enumerate(current_targets):            r_inner = radii[i]            r_outer = radii[i] + 0.9            values = df[target_name]            sig_values = df_sig[target_name]            cell_colors = cmap(norm(values))            marker_angle_rad = np.deg2rad(sector_params[group_name]['marker_angle'])            marker_radius = r_inner + 0.45            for j in range(len(features)):                ax.add_patch(wedge)                text_angle_rad = theta_rad[j]                text_radius = r_inner + 0.45                x = text_radius * np.cos(text_angle_rad)                y = text_radius * np.sin(text_angle_rad)                sig_marker = '*' if sig_values.iloc[j] else ''                text_val = f'{val:.2f}{sig_marker}'                rot = theta_deg[j] - 90 if np.cos(text_angle_rad) > -0.01 else theta_deg[j] - 90        label_radius = radii.max() + 1.7        for i in range(len(features)):            text_angle_rad = theta_rad[i]            x = label_radius * np.cos(text_angle_rad)            y = label_radius * np.sin(text_angle_rad)            rot = theta_deg[i] if np.cos(text_angle_rad) > -0.01 else theta_deg[i]  # - 180

group_label_angle_deg = (start_angle_deg + end_angle_deg) / 2        group_label_angle_rad = np.deg2rad(group_label_angle_deg)        group_label_radius = radii.max() + 4.5        x = group_label_radius * np.cos(group_label_angle_rad)        y = group_label_radius * np.sin(group_label_angle_rad)    legend_positions = [        {'bbox_to_anchor': (0.5, 0.5), 'loc': 'lower right'},        {'bbox_to_anchor': (0.5, 0.5), 'loc': 'lower left'},        {'bbox_to_anchor': (0.5, 0.5), 'loc': 'upper right'},        {'bbox_to_anchor': (0.5, 0.5), 'loc': 'upper left'}    ]    #遍历每个分组，为其单独创建图例    for i, group_name in enumerate(group_names):        #创建一个空列表，用于存放当前分组的图例句柄        handles_for_group = []        #获取当前分组的目标名称列表        current_targets = all_target_names[group_name]        #获取当前分组的标记的颜色        current_group_color = group_legend_colors[i]        #遍历当前分组的每个目标，为其创建图例项        for j, target_name in enumerate(current_targets):            handles_for_group.append(handle)        leg.get_title().set_fontweight('bold')    cax = fig.add_axes([0.2, 0.15, 0.6, 0.01])  # [左, 下, 宽, 高]    sm = plt.cm.ScalarMappable(cmap=cmap, norm=norm)    cbar = fig.colorbar(sm, cax=cax, orientation='horizontal')    cbar.set_label("spearman", size=16)    cbar.ax.tick_params(size=14, labelsize=14)

def main():    group_names = ['Flexural', 'Flexural-shear', 'Shear', 'Bond']    sector_params = {        group_names[0]: {'start': 100, 'end': 170, 'marker_angle': 175},        group_names[1]: {'start': 10, 'end': 80, 'marker_angle': 85},        group_names[2]: {'start': 280, 'end': 350, 'marker_angle': 355},        group_names[3]: {'start': 190, 'end': 260, 'marker_angle': 265},    }    all_correlation_data = {}    all_features_dict = {}    generic_targets_dict = {}    is_first_group = True    num_features = 0    num_targets = 0    for group in group_names:        feature_slice = data_slices[group]['features']        target_slice = data_slices[group]['targets']        excel_path = os.path.join(data_directory, f"{group}.xlsx")        data = pd.read_excel(excel_path)        feature_data = data.iloc[:, feature_slice]        target_data = data.iloc[:, target_slice]        current_features = data.columns[feature_slice].tolist()        current_targets = data.columns[target_slice].tolist()        all_features_dict[group] = current_features        generic_targets_dict[group] = current_targets        if is_first_group:            num_features = len(current_features)            num_targets = len(current_targets)            is_first_group = False        elif len(current_features) != num_features or len(current_targets) != num_targets:            print(f"文件 {excel_path} 的数据维度与第一个文件不匹配")            del all_features_dict[group]            del generic_targets_dict[group]            continue        for i in range(num_features):            for j in range(num_targets):                feature_col_numeric = pd.to_numeric(feature_col, errors='coerce')                target_col_numeric = pd.to_numeric(target_col, errors='coerce')                combined = pd.concat([feature_col_numeric, target_col_numeric], axis=1).dropna()                if len(combined) < 2:                    corr, p_value = np.nan, np.nan                else:                    if selected_method == 'spearman':                        corr, p_value = stats.spearmanr(combined.iloc[:, 0], combined.iloc[:, 1])                    elif selected_method == 'pearson':                        corr, p_value = stats.pearsonr(combined.iloc[:, 0], combined.iloc[:, 1])                    else:                        corr, p_value = stats.kendalltau(combined.iloc[:, 0], combined.iloc[:, 1])                correlation_matrix[i, j] = corr                p_value_matrix[i, j] = p_value        df_corr = pd.DataFrame(correlation_matrix, index=current_features, columns=current_targets)        df_sig = pd.DataFrame(p_value_matrix < 0.05, index=current_features, columns=current_targets)        print("\n相关性系数:")        print(df_corr.to_string())        print("\n显著性:")        print(df_sig.to_string())        all_correlation_data[group] = {            'correlation_df': df_corr,            'p_value_df': df_sig        }    create_full_ring_plot(        all_data=all_correlation_data,          all_feature_names=all_features_dict,         all_target_names=generic_targets_dict,         color_palette=select_color,         sector_params=sector_params,     )

selected_scheme = 39

2.选择分析方法：

selected_method = 'spearman'

3.设置文件夹的位置：

data_directory = r"E:\公众号素材\花瓣状热图"

4.设置文件名、特征列、目标列：

data_slices = {    'Flexural':       {'features': slice(0, 16), 'targets': slice(16, 24)},    'Flexural-shear': {'features': slice(0, 16), 'targets': slice(16, 24)},    'Shear':          {'features': slice(0, 16), 'targets': slice(16, 24)},    'Bond':           {'features': slice(0, 16), 'targets': slice(16, 24)}}

group_names = ['Flexural', 'Flexural-shear', 'Shear', 'Bond']