COLOR_SCHEMES = {    1: ["#111111", "#26103c", "#46196e", "#6b1d84", "#90258a", "#b83280", "#da496d", "#ed6858", "#f68f48", "#f7bc67"],  # 方案1: Magma（暗紫/黑到黄橙，适合连续渐变）    2: ["#0d0887", "#350498", "#5c01a6", "#8004a2", "#a21d94", "#c03a83", "#d8576b", "#ed7953", "#fb9f3a", "#f0c93d"],  # 方案2: Plasma（蓝紫到亮黄，高对比度渐变）    3: ["#00204c", "#00326d", "#00478d", "#005e9d", "#0076a5", "#008ea6", "#00a5a0", "#00bb91", "#3cd07b", "#7ce25b"],  # 方案3: Viridis Blue-Green（深蓝到亮绿，色盲友好）    4: ["#1b2c62", "#1f407b", "#215695", "#206daf", "#1b84c9", "#119de3", "#00b6fd", "#3ecffb", "#6ce6f9", "#a1f8f7"],  # 方案4: Ocean Blue（深海蓝渐变，适合单色调层级）    5: ["#3b0f70", "#541675", "#6c1d79", "#85247c", "#9e2b7f", "#b7327f", "#d03b7d", "#e74678", "#f95570", "#ff6b6b"],  # 方案5: Red-Purple（紫红到珊瑚红，高饱和渐变）    6: ["#2d004b", "#430460", "#5c0970", "#770e7a", "#92137e", "#ad1a7d", "#c62677", "#dc396d", "#eb5260", "#f47055"],  # 方案6: Sunset Purple（落日紫红，典雅渐变）    7: ["#103823", "#1a5235", "#246c47", "#2e8759", "#39a36b", "#43bf7c", "#53dc8c", "#6ee89d", "#8cf4b0", "#adffc4"],  # 方案7: Emerald Green（深翡翠绿到浅绿，生态与自然科学）    8: ["#40004b", "#5c1d6f", "#763a8e", "#8e57ac", "#a376c6", "#b895dd", "#cb7ebd", "#da619d", "#e44177", "#e71d51"],  # 方案8: Berry Gradient（深紫到浆果红，高冷科研风格）    9: ["#003f5c", "#2f4b7c", "#665191", "#a05195", "#d45087", "#f95d6a", "#ff7c43", "#ffa600", "#ffc533", "#ffe169"],  # 方案9: Qual-Multi Tier（深蓝到亮黄彩虹级，多组对比）    10: ["#1a2a3a", "#2b3e50", "#3d5366", "#50697f", "#648099", "#7998b3", "#8fb1cd", "#a6cbe8", "#bee5ff", "#d6f0ff"], # 方案10: Cool Steel Gray-Blue（钢蓝冷灰色系，低调严谨）    11: ["#20115b", "#3d1375", "#5a1389", "#780f98", "#9702a1", "#b400a4", "#cf00a2", "#e61a9b", "#f74390", "#ff6b87"], # 方案11: Neon Violet（霓虹紫红，显著分界渐变）    12: ["#004c6d", "#1c6080", "#317493", "#458aab", "#59a0c3", "#6db6dc", "#82cdf5", "#9be3ff", "#b4f0ff", "#cefaff"], # 方案12: Ice Blue（冰蓝渐变，冷色调数据）    13: ["#4a1005", "#671a0c", "#852512", "#a33118", "#c23e1e", "#e14c24", "#fd5c2a", "#ff7343", "#ff8c5e", "#ffa57a"], # 方案13: Warm Amber/Rust（铁锈红到暖橙，暖色调系列）    14: ["#053061", "#1e539b", "#3c76b4", "#6699c7", "#9cc2df", "#c7e0f0", "#ebd2c8", "#f4a582", "#d6604d", "#b2182b"], # 方案14: Blue-Red Diverging（蓝红发散配色，正负值对比）    15: ["#276419", "#4d9221", "#7fbc41", "#b8e186", "#e6f5d0", "#fde0ef", "#f1b6da", "#de77ae", "#c51b7d", "#8e0152"], # 方案15: Green-Pink Diverging（绿粉发散配色，双向数据对比）    16: ["#00441b", "#006d2c", "#238b45", "#41ab5d", "#74c476", "#a1d99b", "#c7e9c0", "#e5f5e0", "#f7fcf5", "#ffffff"], # 方案16: Monochrome Green（单色渐变绿，表达梯度）    17: ["#023858", "#045a8d", "#0570b0", "#3690c0", "#67a9cf", "#bdc9e1", "#f1eef6", "#fff7bc", "#fec44f", "#fe9929"], # 方案17: Deep Blue to Gold（深蓝到黄金色，华丽高对比）    18: ["#313695", "#4575b4", "#74add1", "#abd9e9", "#e0f3f8", "#fee090", "#fdae61", "#f46d43", "#d73027", "#a50026"], # 方案18: Spectral Diverging（经典光谱发散， Nature常用）    19: ["#1b9e77", "#d95f02", "#7570b3", "#e7298a", "#66a61e", "#e6ab02", "#a6761d", "#666666", "#2b83ba", "#abdda4"], # 方案19: Qualitative Mixed（高辨识离散配色，多组类别）    20: ["#000000", "#1a1a1a", "#333333", "#4d4d4d", "#666666", "#808080", "#999999", "#b3b3b3", "#cccccc", "#e6e6e6"]  # 方案20: Grayscale Scientific（标准科研黑白灰梯度）}

import osimport numpy as npimport pandas as pdimport matplotlib.pyplot as plt# ---------------------------------------------------------# 20种符合主流期刊标准的专业科研配色方案字典 (10色渐变)# ---------------------------------------------------------COLOR_SCHEMES = {    1: ["#111111", "#26103c", "#46196e", "#6b1d84", "#90258a", "#b83280", "#da496d", "#ed6858", "#f68f48", "#f7bc67"],  # 方案1: Magma（暗紫/黑到黄橙，适合连续渐变）}# 选择配色方案编号 (1 - 20)SCHEME_INDEX = 5# 1. 自动创建“图表”文件夹os.makedirs("图表", exist_ok=True)# 2. 自动读取同目录下的 Excel 文件excel_path = "data.xlsx"df_raw = pd.read_excel(excel_path, sheet_name="Raw_Data")df_summary = pd.read_excel(excel_path, sheet_name="Summary_Data")# 3. 设置符合主流科研期刊的绘图参数plt.rcParams['font.family'] = 'DejaVu Sans'plt.rcParams['font.size'] = 10plt.rcParams['axes.linewidth'] = 1.2plt.rcParams['xtick.major.width'] = 1.2plt.rcParams['ytick.major.width'] = 1.2plt.rcParams['xtick.major.size'] = 4plt.rcParams['ytick.major.size'] = 4fig, axes = plt.subplots(2, 2, figsize=(10, 6), sharex=True)fig.subplots_adjust(hspace=0.25, wspace=0.35)# X轴阶段顺序stages = ["pre", "1", "2", "3", "4", "5", "6", "7", "8", "9"]# 加载选择的配色方案colors = COLOR_SCHEMES[SCHEME_INDEX]# 子图配置参数plot_configs = [    {        "ax": axes[0, 0],        "key": "entry_memory",        "ylabel": "inferred entry memory\nalongwind (mm/s)",        "has_trend": True,        "ylim": (-3.5, 3.5),        "yticks": [-2, 0, 2]    },    {        "ax": axes[0, 1],        "key": "exit_memory",        "ylabel": "inferred exit memory\nalongwind (mm/s)",        "has_trend": True,        "ylim": (-2, 18),        "yticks": [0, 10]    },    {        "ax": axes[1, 0],        "key": "entry_direction",        "ylabel": "entry direction\nalongwind projection",        "xlabel": "i-th entry during replay",        "has_trend": False,        "ylim": (-1.3, 1.3),        "yticks": [-1, 0, 1]    },    {        "ax": axes[1, 1],        "key": "exit_direction",        "ylabel": "exit direction\nalongwind projection",        "xlabel": "i-th exit during replay",        "has_trend": False,        "ylim": (-1.3, 1.3),        "yticks": [-1, 0, 1]    }]# 均值点与误差条向左偏移的量offset = 0.24# 4. 遍历配置并基于 Excel 数据绘图for cfg in plot_configs:    ax = cfg["ax"]    key = cfg["key"]    # 提取 Excel 中的数据    sub_raw = df_raw[df_raw["Plot_Type"] == key]    sub_sum = df_summary[df_summary["Plot_Type"] == key]    # 绘制拟合虚线    if cfg["has_trend"]:        trend_vals = sub_sum["Trend_Fit"].values        if not np.isnan(trend_vals).all():            x_numeric = np.arange(len(stages))            ax.plot(x_numeric, trend_vals, color="grey", linestyle="--", linewidth=2.5, alpha=0.8, zorder=1)    # 遍历各个阶段绘制数据    for i, stage in enumerate(stages):        color = colors[i]        # 1) 原始数据散点（分布在主要刻度 i 及其附近）        raw_vals = sub_raw[sub_raw["Stage"] == str(stage)]["Value"].values        if len(raw_vals) > 0:            jitter = np.random.normal(0, 0.08, size=len(raw_vals))            ax.scatter(np.full_like(raw_vals, i) + jitter, raw_vals, color=color, alpha=0.25, s=25, edgecolors='none',                       zorder=2)        # 2) 均值与误差条（画在点的左侧 x = i - offset 位置）        sum_row = sub_sum[sub_sum["Stage"] == str(stage)]        if not sum_row.empty:            mean_val = sum_row["Mean"].values[0]            sd_val = sum_row["SD"].values[0]            # 在左侧绘制垂直粗误差棒            ax.vlines(x=i - offset, ymin=mean_val - sd_val, ymax=mean_val + sd_val, color=color, linewidth=3.5,                      zorder=3)            # 在左侧绘制均值圆点            ax.plot(i - offset, mean_val, marker='o', color=color, markersize=7, zorder=4)    # 隐藏上方与右侧边框    ax.spines['top'].set_visible(False)    ax.spines['right'].set_visible(False)    # 设置 Y 轴标签与刻度    ax.set_ylabel(cfg["ylabel"], fontsize=11, labelpad=8)    if "ylim" in cfg:        ax.set_ylim(cfg["ylim"])    if "yticks" in cfg:        ax.set_yticks(cfg["yticks"])    # 设置 X 轴标签与刻度    if "xlabel" in cfg:        ax.set_xlabel(cfg["xlabel"], fontsize=11, labelpad=8)    ax.set_xticks(range(len(stages)))    ax.set_xticklabels(stages, fontsize=10)# 5. 添加最左侧的 "d" 标号和 "Fly data"fig.text(0.04, 0.92, "d", fontsize=20, fontweight='bold', ha='left', va='center')fig.text(0.12, 0.92, "Fly data", fontsize=15, ha='left', va='center')# 6. 保存图片至 图表/ 目录（包含方案序号后缀）output_png = os.path.join("图表", f"fly_data_replay_{SCHEME_INDEX}.png")plt.savefig(output_png, dpi=300, bbox_inches='tight')plt.close()print(f"图表已更新并保存至: {output_png}")