跳转至

单组柱状图

快速出图

柱状图（bar chart）是一种常用的图形工具，用于展示不同类别之间的数值对比。 它通过一组垂直或水平的矩形条来表示各类别的值，条的高度（或长度）对应数据的大小。 柱状图直观、清晰，适合用于比较组间的均值，尤其适用于离散类别数据的可视化。 在科研和数据分析中，柱状图常用于呈现实验组与对照组之间的差异。 plotfig 基于强大的 matplotlib 开发，简化了画图流程，使得多组数据的对比更加直观。

例如，我们有3组数据（分别有9个样本、10个样本、11个样本）通过柱状图展示它们之间的差异。

import numpy as np
from plotfig import plot_one_group_bar_figure

data1 = np.random.normal(1, 1, 9)
data2 = np.random.normal(2, 1, 10)
data3 = np.random.normal(3, 1, 11)

ax = plot_one_group_bar_figure([data1, data2, data3])

png

多子图

借助 matplotlib，我们可以在外部预先创建 figure 和 axes，从而灵活绘制多个子图，实现更复杂的图形布局。 关于更高级的子图排版方式，详见matplotlib中的教程。

import numpy as np
import matplotlib.pyplot as plt
from plotfig import plot_one_group_bar_figure

ax1_bar1 = np.random.normal(0, 1, 7)
ax1_bar2 = np.random.normal(0, 1, 8)
ax2_bar1 = np.random.normal(0, 1, 9)
ax2_bar2 = np.random.normal(0, 1, 10)

fig, axes = plt.subplots(1, 2, figsize=(6, 3))

ax1 = plot_one_group_bar_figure([ax1_bar1, ax1_bar2], ax=axes[0])
ax2 = plot_one_group_bar_figure([ax2_bar1, ax2_bar2], ax=axes[1])

png

更多 axes 。

import numpy as np
import matplotlib.pyplot as plt
from plotfig import plot_one_group_bar_figure

ax1_bar1 = np.random.normal(3, 1, 7)
ax1_bar2 = np.random.normal(3, 1, 8)
ax2_bar1 = np.random.normal(3, 1, 9)
ax2_bar2 = np.random.normal(3, 1, 10)
ax3_bar1 = np.random.normal(3, 1, 11)
ax3_bar2 = np.random.normal(3, 1, 12)
ax4_bar1 = np.random.normal(3, 1, 13)
ax4_bar2 = np.random.normal(3, 1, 14)


fig, axes = plt.subplots(2, 2, figsize=(6, 6))
fig.subplots_adjust(wspace=0.5, hspace=0.5)

ax1 = plot_one_group_bar_figure([ax1_bar1, ax1_bar2], ax=axes[0,0], labels_name=["A", "B"])
ax2 = plot_one_group_bar_figure([ax2_bar1, ax2_bar2], ax=axes[0,1], labels_name=["C", "D"])
ax3 = plot_one_group_bar_figure([ax3_bar1, ax3_bar2], ax=axes[1,0], labels_name=["E", "F"])
ax4 = plot_one_group_bar_figure([ax4_bar1, ax4_bar2], ax=axes[1,1], labels_name=["G", "H"])

png

图的美化

参数设置

我们可以在外部创建 fig 对象，以便灵活控制图像大小。 plotfig 提供了丰富的选项用于自定义图形样式。 下面展示的是 plot_one_group_bar_figure 函数中部分常用参数的示例用法。

完整参数说明请参阅 plot_one_group_bar_figure 的 API 文档。

import numpy as np
import matplotlib.pyplot as plt
from plotfig import plot_one_group_bar_figure

data1 = np.random.normal(7, 1, 10)
data2 = np.random.normal(8, 1, 9)

fig, ax = plt.subplots(figsize=(3, 3))

ax = plot_one_group_bar_figure(
    [data1, data2],
    ax=ax,
    labels_name=["A", "B"],
    x_label_name="x",
    y_label_name="y",
    title_name="Title name",
    title_fontsize=15,
    width=0.8,
    show_dots=True,
    dots_size=50,
    dots_alpha=0.9,
    dots_markers=["x", "^"],
    colors=["#4573a5", "orange"],
    color_alpha=0.7,
    errorbar_type="sd",
    errorbar_mode="upper",
    errorbar_capsize=10,
)

png

plot_one_group_bar_figure 支持将柱状图绘制为渐变色样式，适用于展示不同对象之间的关联结果。

例如，当我们计算了“人-黑猩猩、人-猕猴、黑猩猩-猕猴”之间的同源脑区（共 20 个）结构连接的 Pearson 相关性时，可以考虑使用这种方式进行可视化展示。

import numpy as np
import matplotlib.pyplot as plt
from plotfig import plot_one_group_bar_figure


human_color = "#e38a48"
chimp_color = "#919191"
macaque_color = "#4573a5"

human_chimp = np.random.random(20)
human_macaque = np.random.random(20)
chimp_macaque = np.random.random(20)

fig, ax = plt.subplots(figsize=(7, 5))

ax = plot_one_group_bar_figure(
    [human_chimp, human_macaque, chimp_macaque],
    ax=ax,
    labels_name=["Human-Chimp", "Human-Macaque", "Chimp-Macaque"],
    y_label_name="Pearson Correlation",
    width=0.7,
    gradient_color=True,
    colors_start=[human_color, human_color, chimp_color],
    colors_end=[chimp_color, macaque_color, macaque_color],
)

png

关于x轴

当 x 轴标签较长时，可以通过旋转角度来避免重叠，提升可读性。

import numpy as np
import matplotlib.pyplot as plt
from plotfig import plot_one_group_bar_figure

data1 = np.random.normal(3, 1, 10)
data2 = np.random.normal(4, 1, 9)

fig, axes = plt.subplots(1, 2, figsize=(6, 3))
fig.subplots_adjust(wspace=0.5)

ax1 = plot_one_group_bar_figure(
    [data1, data2],
    ax=axes[0],
    x_tick_fontsize=10,
    labels_name=["AAAAAAAAAAA", "BBBBBBBBBB"],
    y_label_name="y",
    title_name="Long labels\nwith default rotation",
)
ax2 = plot_one_group_bar_figure(
    [data1, data2],
    ax=axes[1],
    x_tick_fontsize=10,
    labels_name=["AAAAAAAAAAA", "BBBBBBBBBB"],
    y_label_name="y",
    title_name="Long labels\nwith custom rotation",
    x_tick_rotation=10,
    x_label_ha="center",
)

png

关于y轴

plot_one_group_bar_figure 默认会自动计算最高点与最低点之间的距离，并将其设置为 y 轴长度的 0.618（即黄金比例），以优化视觉效果。 如果希望手动设置 y 轴范围，可以使用 y_lim 参数来自定义。

import numpy as np
import matplotlib.pyplot as plt
from plotfig import plot_one_group_bar_figure

data1 = np.random.normal(3, 1, 10)
data2 = np.random.normal(4, 1, 9)

fig, axes = plt.subplots(1, 2, figsize=(6, 3))
fig.subplots_adjust(wspace=0.5)

ax1 = plot_one_group_bar_figure(
    [data1, data2],
    ax=axes[0],
    labels_name=["A", "B"],
    y_label_name="y",
    title_name="Golden ratio",
)
ax2 = plot_one_group_bar_figure(
    [data1, data2],
    ax=axes[1],
    labels_name=["A", "B"],
    y_label_name="y",
    title_name="Custom y-axis limit",
    y_lim=(2, 6)
)

png

有时我们希望将 ax 的底端固定为 0，但不确定最大刻度的具体数值，可以使用 ax_bottom_is_0 来设置 ax 底端固定为0。

import numpy as np
import matplotlib.pyplot as plt
from plotfig import plot_one_group_bar_figure

data1 = np.random.normal(1,  1, 10)
data2 = np.random.normal(2, 1, 9)

fig, axes = plt.subplots(1, 2, figsize=(6, 3))
fig.subplots_adjust(wspace=0.5)

ax1 = plot_one_group_bar_figure(
    [data1, data2],
    ax=axes[0],
    labels_name=["A", "B"],
    y_label_name="y",
    title_name="Golden ratio",
)
ax2 = plot_one_group_bar_figure(
    [data1, data2],
    ax=axes[1],
    labels_name=["A", "B"],
    y_label_name="y",
    title_name="No negative values",
    ax_bottom_is_0=True,
)

png

有时我们希望将 y 轴的刻度最大值限制为 1，例如当 y 轴表示经过 Fisher z 转换的相关系数时，可以设置y_max_tick_to_one来固定 y 轴的刻度最大值为1。

import numpy as np
import matplotlib.pyplot as plt
from plotfig import plot_one_group_bar_figure

data1 = np.random.normal(0.9, 0.1, 10)
data2 = np.random.normal(0.9, 0.1, 9)

fig, axes = plt.subplots(1, 2, figsize=(6, 3))
fig.subplots_adjust(wspace=0.5)

ax1 = plot_one_group_bar_figure(
    [data1, data2],
    ax=axes[0],
    labels_name=["A", "B"],
    y_label_name="y",
    title_name="Golden ratio",
)
ax2 = plot_one_group_bar_figure(
    [data1, data2],
    ax=axes[1],
    labels_name=["A", "B"],
    y_label_name="y",
    title_name="y-axis max tick is 1",
    y_max_tick_is_1=True,
)

png

有时我们可能希望更改 y 轴的显示格式，例如使用科学计数法来呈现数值，可以使用 math_text 参数来设置。

import numpy as np
import matplotlib.pyplot as plt
from plotfig import plot_one_group_bar_figure

data1 = np.random.normal(10000, 1000, 10)
data2 = np.random.normal(11000, 1000, 9)
data3 = np.random.normal(0.0001, 0.0001, 11)
data4 = np.random.normal(0.001, 0.0001, 12)

fig, axes = plt.subplots(2, 2, figsize=(6, 6))
fig.subplots_adjust(wspace=0.5, hspace=0.5)

ax1 = plot_one_group_bar_figure(
    [data1, data2],
    ax=axes[0,0],
    labels_name=["A", "B"],
    y_label_name="y",
    title_name="Scientific notation",
)
ax2 = plot_one_group_bar_figure(
    [data1, data2],
    ax=axes[0,1],
    labels_name=["A", "B"],
    y_label_name="y",
    title_name="No scientific notation",
    math_text=False,
)
ax3 = plot_one_group_bar_figure(
    [data3, data4],
    ax=axes[1,0],
    labels_name=["A", "B"],
    y_label_name="y",
    title_name="Scientific notation",
)
ax4 = plot_one_group_bar_figure(
    [data3, data4],
    ax=axes[1,1],
    labels_name=["A", "B"],
    y_label_name="y",
    title_name="No scientific notation",
    math_text=False,
)

png

有时我们希望将 Y 轴显示为百分比格式。

Warning

percentage 格式会与 math_text 冲突。 而math_text 默认打开，需显式关闭。

import numpy as np
import matplotlib.pyplot as plt
from plotfig import plot_one_group_bar_figure

data1 = np.random.normal(0.5,  0.1, 10)
data2 = np.random.normal(0.5, 0.1, 9)

fig, axes = plt.subplots(1, 2, figsize=(6, 3))
fig.subplots_adjust(wspace=0.5)

ax1 = plot_one_group_bar_figure(
    [data1, data2],
    ax=axes[0],
    labels_name=["A", "B"],
    y_label_name="y",
    title_name="Default",
)
ax2 = plot_one_group_bar_figure(
    [data1, data2],
    ax=axes[1],
    labels_name=["A", "B"],
    y_label_name="y",
    title_name="Show percentages",
    math_text=False,
    percentage=True,
)

png

关于散点

plot_one_group_bar_figure 允许为每个散点分配颜色，可用于区分不同来源的数据。

import numpy as np
import matplotlib.pyplot as plt
from plotfig import plot_one_group_bar_figure

data1 = np.random.normal(0.5,  0.1, 10)
data2 = np.random.normal(0.5, 0.1, 9)

dots_color1 = [["blue"]*10, ["red"]*9]
dots_color2 = [["green"]*5+["pink"]*5, ["orange"]*4+["purple"]*5]

fig, axes = plt.subplots(1, 2, figsize=(6, 3))
fig.subplots_adjust(wspace=0.5)

ax1 = plot_one_group_bar_figure(
    [data1, data2],
    ax=axes[0],
    labels_name=["A", "B"],
    y_label_name="y",
    title_name="Scatter points\nwith the same color",
    dots_color=dots_color1,  # 散点颜色
)
ax2 = plot_one_group_bar_figure(
    [data1, data2],
    ax=axes[1],
    labels_name=["A", "B"],
    y_label_name="y",
    title_name="Scatter points\nwith different colors",
    dots_color=dots_color2,
)

png

统计

plot_one_group_bar_figure 可快速实现柱间统计比较。当前支持以下统计方法：

  1. 独立样本 t 检验（ttest_ind）
  2. 配对样本 t 检验（ttest_rel）
  3. 单样本 t 检验（ttest_1samp）
  4. Mann-Whitney U 检验（mannwhitneyu）
  5. 外部统计检验 （external）

使用时需先通过 statistic 选项启用统计功能，并在 test_method 中指定方法名。

import numpy as np
import matplotlib.pyplot as plt
from plotfig import plot_one_group_bar_figure

np.random.seed(42)

data1 = np.random.normal(3, 1, 30)
data2 = np.random.normal(4, 1, 31)
data3 = np.random.normal(5, 1, 31)
data4 = np.random.normal(2, 1, 9)
data5 = np.random.normal(4, 1, 10)

fig, axes = plt.subplots(2, 2, figsize=(6, 6))
fig.subplots_adjust(wspace=0.5, hspace=0.5)

ax1 = plot_one_group_bar_figure(
    [data1, data2],
    ax=axes[0,0],
    labels_name=["A", "B"],
    y_label_name="y",
    title_name="Independent samples t-test",
    statistic=True, 
    test_method=["ttest_ind"]
)
ax2 = plot_one_group_bar_figure(
    [data2, data3],
    ax=axes[0,1],
    labels_name=["A", "B"],
    y_label_name="y",
    title_name="Paired samples t-test",
    statistic=True, 
    test_method=["ttest_rel"]
)
ax3 = plot_one_group_bar_figure(
    [data1, data2],
    ax=axes[1,0],
    labels_name=["A", "B"],
    y_label_name="y",
    title_name="One-sample t-test",
    statistic=True,
    test_method=["ttest_1samp"],
    popmean=3,
)
ax4 = plot_one_group_bar_figure(
    [data4, data5],
    ax=axes[1,1],
    labels_name=["A", "B"],
    y_label_name="y",
    title_name="Mann-Whitney U test",
    statistic=True, 
    test_method=["mannwhitneyu"]
)

png

“外部统计检验”（external）指用户可使用其他统计软件完成检验，只需将计算好的 p 值传入函数。 外部统计检验需通过 p_list 额外传入对应的 p 值列表。

Note

当使用“外部统计检验”且有多个柱子需要比较时，传入的 p 值应遵循以下顺序：

  • 1 → 2、1 → 3、…、1 → n
  • 2 → 3、2 → 4、…、2 → n
  • 依此类推
import numpy as np
import matplotlib.pyplot as plt
from plotfig import plot_one_group_bar_figure

np.random.seed(42)

data1 = np.random.normal(5,  1, 20)
data2 = np.random.normal(7, 1, 20)
data3 = np.random.normal(7, 1, 20)
data4 = np.random.normal(9, 1, 20)

p_list = [0.05, 0.01, 0.001, 1, 0.05, 0.01]

fig, ax = plt.subplots(figsize=(6, 6))

ax = plot_one_group_bar_figure(
    [data1, data2, data3, data4],
    ax=ax,
    y_label_name="y",
    title_name="External test",
    statistic=True,
    test_method=["external"],
    p_list=p_list,
)

png

以下4种统计均可以与单样本t检验ttest_1samp同时执行： 1. 独立样本 t 检验（ttest_ind） 2. 配对样本 t 检验（ttest_rel） 3. Mann-Whitney U 检验（mannwhitneyu） 4. 外部统计检验 （external）

即在同一张子图中执行2种检验。

import numpy as np
import matplotlib.pyplot as plt
from plotfig import plot_one_group_bar_figure

np.random.seed(42)

data1 = np.random.normal(3, 1, 30)
data2 = np.random.normal(4, 1, 31)
data3 = np.random.normal(5, 1, 31)
data4 = np.random.normal(2, 1, 9)
data5 = np.random.normal(4, 1, 10)

fig, axes = plt.subplots(2, 2, figsize=(6, 6))
fig.subplots_adjust(wspace=0.5, hspace=0.5)

ax1 = plot_one_group_bar_figure(
    [data1, data2],
    ax=axes[0,0],
    labels_name=["A", "B"],
    y_label_name="y",
    title_name="Independent samples t-test",
    statistic=True, 
    test_method=["ttest_ind", "ttest_1samp"],
    popmean=0
)
ax2 = plot_one_group_bar_figure(
    [data2, data3],
    ax=axes[0,1],
    labels_name=["A", "B"],
    y_label_name="y",
    title_name="Paired samples t-test",
    statistic=True, 
    test_method=["ttest_rel", "ttest_1samp"],
    popmean=4,
)
ax3 = plot_one_group_bar_figure(
    [data4, data5],
    ax=axes[1,0],
    labels_name=["A", "B"],
    y_label_name="y",
    title_name="Mann-Whitney U test",
    statistic=True, 
    test_method=["mannwhitneyu", "ttest_1samp"],
    popmean=2,
)
ax4 = plot_one_group_bar_figure(
    [data1, data2],
    ax=axes[1,1],
    labels_name=["A", "B"],
    y_label_name="y",
    title_name="External test",
    statistic=True,
    test_method=["external", "ttest_1samp"],
    p_list=[0.05],
    popmean=0,
)

png

单组小提琴图

小提琴图（violin plot）是一种结合箱线图（box plot）和核密度估计图（density plot）特点的可视化工具，用于展示数据的分布情况。 它不仅显示数据的均值（白色菱形）、中位数（白线）、四分位数等统计信息（黑色矩形）， 还通过对称的核密度曲线，直观反映数据在不同取值区间的分布形态。

相比传统箱线图，小提琴图能更全面揭示数据的多峰性、偏态等特征，适合比较多个组别的分布差异。 当数据分布不均匀，且采用非参数统计方法时，使用小琴图展示往往更为合适。

在 plotfig 中，绘制小提琴图的函数名为 plot_one_group_violin_figure。 其大部分参数与 plot_one_group_bar_figure 相似，以下是部分演示。

完整参数说明请参阅 plot_one_group_violin_figure 的 API 文档。

import numpy as np
import matplotlib.pyplot as plt
from plotfig import plot_one_group_violin_figure

human_color = "#e38a48"
chimp_color = "#919191"
macaque_color = "#4573a5"

np.random.seed(42)

human_chimp = 0.1 + np.random.normal(0, 0.1, 30)
human_macaque = 0.4 + np.random.normal(0, 0.1, 30)
chimp_macaque = 0.6 + np.random.normal(0, 0.1, 30)

fig, ax = plt.subplots(figsize=(5,5))

ax = plot_one_group_violin_figure(
    [human_chimp, human_macaque, chimp_macaque],
    ax=ax,
    labels_name=["Human-Chimp", "Human-Macaque", "Chimp-Macaque"],
    y_label_name="Pearson Correlation",
    width=0.9,
    show_dots=True,
    dots_size=10,
    gradient_color=True,
    colors_start= [human_color, human_color, chimp_color],
    colors_end= [chimp_color, macaque_color, macaque_color],
    statistic=True,
    test_method=["mannwhitneyu"]
)

png