Python绘制高颜值散点图矩阵+相关性分析网络图

# =========================================================================================# ====================================== 1. 环境设置 =======================================# =========================================================================================import pandas as pdimport numpy as npimport seaborn as snsimport matplotlib.pyplot as plt

# =========================================================================================# ======================================2.颜色库=======================================# =========================================================================================COLOR_SCHEMES = {    1: {        'sites': ['#008B8B', '#87CEFA', '#FFA07A', '#FF0000'], 'corr_positive': 'blue',    },}

# =========================================================================================# ======================================4.绘图函数=======================================# =========================================================================================def create_network_scatterplot_matrix(df, color_scheme, save_path="."):    #网格布局    gs = fig.add_gridspec(total_rows,  # 行                          8,  # 列                          wspace=0.1,  # 宽间距                          hspace=0.1,  # 高间距                          left=0.05,  # 左边距                          bottom=0.05,  # 下边距                          right=0.95,  # 右边距                          top=0.95)  # 上边距            #去掉轴标签            ax.set_xlabel('')            ax.set_ylabel('')            # 是否是最后一行            if i == n_bottom - 1 and j < n_bottom - 1:                ax.xaxis.set_ticks_position('bottom');  # X刻度                ax.xaxis.set_label_position('bottom')  # X标签                #设置刻度样式                ax.tick_params(axis='x',  # 轴                               which='major',  # 主刻度                               labelsize=24,  # 字号                               length=TICK_LENGTH,  # 长度                               width=TICK_WIDTH)  # 宽度            else:                ax.set_xticks([])            # 是否是最左侧            if j == 0 and i > 0:                ax.yaxis.set_ticks_position('left');  # Y刻度                ax.yaxis.set_label_position('left')  # Y标签                # 设置刻度样式                ax.tick_params(axis='y',   # 轴                               labelsize=24,  # 字号                               length=TICK_LENGTH,  # 长度                               width=TICK_WIDTH)  # 宽度            else:                ax.set_yticks([])            # 上三角            if i < j:                ax.set_visible(False)  # 隐藏子

    bottom_matrix_node_pos = {}  # 存放底部矩阵节点位置    network_node_pos = {}  # 存放网络节点位置    ellipse_height_data = 0.024  # 定义节点高    ellipse_width_data = ellipse_height_data * (8 / 16) * 1.5  # 定义节点宽    # 定义节点样式    node_style = {        'marker': 'o',  # 圆形        'markersize': 25,  # 大小        'color': color_scheme['node'],  # 颜色        'zorder': 10,  # 层        'markeredgecolor': 'black',  # 边框色        'linestyle': 'None',  # 无线        'clip_on': False  # 不裁剪    }        ax_main.text(label_pos[0],  # x                     label_pos[1],  # y                     f'${label}$',  # 文本                     ha='left',  # 水平                     va='center',  # 垂直                     fontsize=34,  # 字号                     fontweight='bold',  # 加粗                     zorder=101,  # 层                     color=color_scheme['legend_text'])  # 文本颜色

    arc_radius_base = -0.1  # 定义基础曲率半径    # 遍历网络变量起点    for var1 in network_vars:        features_to_connect = scatter_vars_bottom  # 连接散点目标变量                dynamic_arc_radius = arc_radius_base  # 原弧度            control_offset = np.linalg.norm(dist_vec) * dynamic_arc_radius  # 控制点偏移            control_point = midpoint + perp_vec * control_offset  # 控制点坐标            verts = [pos1, control_point, pos2]  # 控制点列表            codes = [Path.MOVETO, Path.CURVE3, Path.CURVE3]  # 贝塞尔路径指令            path = Path(verts, codes)  # 构造路径对象            # 创建曲线            patch = PathPatch(path,  # 路径对象                              facecolor='none',  # 背景色                              edgecolor=color,  # 轮廓颜色                              lw=linewidth,  # 线粗                              linestyle=linestyle,  # 线样式                              zorder=8,  # 层                              alpha=0.9,  # 透明度                              clip_on=False)  # 不裁剪            ax_main.add_patch(patch)  # 添加到图上

    ax_legend = fig.add_subplot(gs[:, 6])  # 添加图例轴    ax_legend.axis('off')  # 隐藏图例边框    current_y -= group_spacing  # 间距    #设置散点形状图例    ax_legend.text(0.35,  # x                   current_y,  # y                   'Leaf_type',  # 标题                   fontdict=title_font_props,  # 字体                   va='top')   # 垂直    current_y -= y_step * 1.2  # 更新    ax_legend.plot([x_icon - 0.05, x_icon + 0.05],  # x                   [current_y, current_y],  # y                   color=color_scheme['corr_negative'],  # 颜色                   lw=3,  # 粗细                   clip_on=False)  # 防裁剪    ax_legend.plot([x_icon - 0.05, x_icon + 0.15],  # x    current_y -= y_step  # 更新    ax_legend.plot([x_icon - 0.05, x_icon + 0.15],  # x                   [current_y, current_y],  # y                   color=color_scheme['legend_text'],  # 线色                   dashes=(2, 2),  # 虚线                   lw=4,   # 粗细                   clip_on=False)  # 防裁剪

# =========================================================================================# ======================================2.颜色库=======================================# =========================================================================================if __name__ == '__main__':  # 读取数据    all_vars_to_check = network_vars + scatter_vars_bottom  # 拼接列名    scheme_id = 20    selected_scheme = COLOR_SCHEMES[scheme_id]    print('正在绘制并保存方案：', scheme_id)    create_network_scatterplot_matrix(main_df, color_scheme=selected_scheme, save_path=output_directory)

data_file_path = r"data.xlsx" 

2.设置绘图结果的保存路径，执行部分：

output_directory = r"分析网络图"  # 输出目录

3.设置是否要进行批量绘图，执行部分：

plot_all = True

network_vars = ['G_wmax', 'V_cmax', 'WUE_i'] 

scatter_vars_bottom = ['Leaf N concentration', 'Chl concentration', 'SLA', 'Stomatal density',                       'Pore length'] 

sites = ['CB: Cold-temperate forest', 'DL: Warm-temperate forest', 'DH: Subtropical forest',         'XSBN: Tropical forest']  

leaf_types = ['Deciduous', 'Evergreen']