背景
弦图以其直观、精美的展示方式受到越来越多人的关注，它不仅能够有效展示两个变量之间的联系，还能同时展现多个变量间的复杂互动，本文将通过Python语言中的pycirclize库，带你深入了解如何绘制弦图，并展示三种不同的数据结构与可视化方式
什么是弦图？
弦图是一种圆形可视化方法，通常用于展示两组对象之间的相互联系和权重，弧线代表对象，弦代表对象之间的连接，弦的宽度表示关系的强弱，弦图直观地反映了多个对象之间的复杂联系，使其非常适用于社交网络、基因表达、系统架构等领域的数据展示
为什么选择 pycirclize？
在 Python 中，有多个库可以用于绘制弦图，例如 matplotlib 和 plotly，然而，pycirclize 是一个专门用于生成环形可视化（弦图、同心环图等）的库，它具备以下优点：
- 简单直观的 API： 它的接口设计简洁，易于上手，适合快速生成弦图
- 灵活自定义： 提供丰富的配置项，能够对图形的各个方面进行调整，包括弧、弦、颜色、标签等
- 高效绘 制： 即使是比较大的数据集，pycirclize 也能够快速生成精美的图形
接下来，我们将通过三种常见的数据表示方式，展示如何使用 pycirclize 库绘制弦图
代码实现
使用矩阵数据绘制弦图
from pycirclize import Circos
import pandas as pd
# 定义行名称和列名称
row_names = ["S1", "S2", "S3"] # 行标签，表示 S1, S2, S3
col_names = ["E1", "E2", "E3", "E4", "EE5", "E6"] # 列标签，表示 E1, E2, E3, E4, EE5, E6
# 定义矩阵数据，表示 S1-S3 与 E1-E6 之间的联系值
matrix_data = [
[4, 14, 13, 17, 5, 2], # S1 与各列的数值
[7, 1, 6, 8, 12, 15], # S2 与各列的数值
[9, 10, 3, 16, 11, 18] # S3 与各列的数值
]
# 创建一个 DataFrame，用于表示矩阵，行和列分别是 row_names 和 col_names
matrix_df = pd.DataFrame(matrix_data, index=row_names, columns=col_names)
# 使用 pycirclize 初始化 Circos 图
circos = Circos.initialize_from_matrix(
matrix_df, # 矩阵数据
start=-265, # 起始角度，-265度
end=95, # 结束角度，95度
space=5, # 各个弧之间的间距
r_lim=(93, 100), # 环的半径范围，93到100
cmap='tab10', # 使用 'tab10' 颜色映射表
label_kws=dict(
r=94, # 标签的距离圆心的半径为94
size=12, # 标签的字体大小为12
color='white' # 标签颜色为白色
),
link_kws=dict(
ec='black', # 弦的边框颜色为黑色
lw=0.5 # 弦的线宽为0.5
)
)
print(matrix_df)
# 绘制 Circos 图
fig = circos.plotfig()
fig.savefig("1.pdf", format='pdf', bbox_inches='tight', dpi=1200)
首先，可以使用一个矩阵数据来展示不同对象之间的关系，这里我们定义了三个对象（S1 到 S3），并且它们与六个其他对象（E1 到 E6）之间存在某些数值联系，最后使用 pycirclize 库，从矩阵数据生成弦图，展示 S1-S3 与 E1-E6 间的联系和权重，并通过设置自定义的图形参数（如起始角度 -265 度，间距 5 度，颜色映射表 tab10 及弦的边框颜色 黑色）来调整图形外观
随机生成大规模矩阵数据的弦图
from pycirclize import Circos
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
# 生成一个10x10的随机整数矩阵
row_names = [f"S{i+1}" for i in range(10)] # 行名称，S1 到 S10
col_names = [f"E{i+1}" for i in range(10)] # 列名称，E1 到 E10
matrix_data = np.random.randint(1, 20, size=(10, 10)) # 生成随机1到20之间的整数
# 将矩阵数据转换为 DataFrame，以方便后续操作
matrix_df = pd.DataFrame(matrix_data, index=row_names, columns=col_names)
# 初始化 Circos 图
circos = Circos.initialize_from_matrix(
matrix_df, # 传入矩阵数据
space=5, # 每个单元之间的间隔设为5度
r_lim=(93, 100), # 设置圆形图的半径范围为93到100
cmap='tab10', # 使用颜色映射方案 'tab10'，可以生成多种颜色
ticks_interval=30, # 设置刻度间隔，每隔20个单位标记一个刻度
label_kws=dict(
r=94, # 标签的半径距离为94
size=12, # 标签的字体大小设为12
color='white' # 标签的字体颜色为白色
),
link_kws=dict(
ec='black', # 弦的边框颜色为黑色
lw=0.5 # 弦的线宽设为0.5
)
)
# 绘制 Circos 图
fig = circos.plotfig()
print(matrix_df)
fig.savefig("2.pdf", format='pdf', bbox_inches='tight', dpi=1200)
使用 pycirclize 库生成一个 10x10 的随机矩阵，并将其可视化为弦图，矩阵中的行和列分别表示 S1-S10 与 E1-E10 的对象，通过自定义参数调整图形的外观，包括弦的颜色映射、环形半径、标签格式、以及弦的边框颜色等，最终生成的弦图展示了各对象之间的关系及其权重，并保存为 PDF 文件
使用 from-to 表格数据绘制弦图
from pycirclize.parser import Matrix
import pandas as pd
from pycirclize import Circos
# 创建一个包含 'from'、'to' 和 'value' 列的 DataFrame
# 该表表示从某个节点到另一个节点的联系及其权重
fromto_table_df = pd.DataFrame([
["A", "B", 10], # A到B的权重为10
["A", "C", 5], # A到C的权重为5
["A", "D", 15], # A到D的权重为15
["A", "E", 20], # A到E的权重为20
["A", "F", 3], # A到F的权重为3
["B", "A", 3], # B到A的权重为3
["B", "G", 15], # B到G的权重为15
["F", "D", 13], # F到D的权重为13
["F", "E", 13], # F到E的权重为13
["E", "A", 20], # E到A的权重为20
["E", "D", 6] # E到D的权重为6
], columns=["from", "to", "value"]) # 设置列名为 'from'，'to'，'value'
# 使用 Matrix 类的 parse_fromto_table 方法将 'from-to' 表解析为矩阵
matrix = Matrix.parse_fromto_table(fromto_table_df)
# 使用解析后的矩阵初始化 Circos 图
circos = Circos.initialize_from_matrix(
matrix, # 传入解析后的矩阵
space=3, # 每个单元之间的间隔设置为3度
cmap="viridis", # 使用 'viridis' 颜色映射表
ticks_interval=5, # 设置刻度间隔为5
label_kws=dict( # 设置标签的关键字参数
size=12, # 标签字体大小为12
r=110 # 标签距离圆心的半径为110
),
link_kws=dict( # 设置弦的样式
direction=1, # 设定弦的方向
ec="black", # 弦的边框颜色为黑色
lw=0.5 # 弦的线宽设置为0.5
)
)
# 打印 from-to 表的内容，方便调试或查看
print(fromto_table_df.to_string(index=False))
# 绘制 Circos 图
fig = circos.plotfig()
fig.savefig("3.pdf", format='pdf', bbox_inches='tight', dpi=1200)
除了矩阵数据，pycirclize 还支持使用 from-to 格式的数据，使用 pycirclize 库中的 Matrix 类，通过解析 from-to 表格数据，生成一个弦图来可视化不同节点之间的联系及其权重。数据表示了从一个节点（如 A）到另一个节点（如 B）的连接强度（权重），通过设置自定义的参数，包括弦的间隔、颜色映射、标签位置、以及弦的方向与边框样式，最终生成了一张反映节点间关系的图表
往期推荐
不止 SHAP 力图：LIME 实现任意黑盒模型的单样本解释
从零开始：手把手教你部署顶刊机器学习在线预测APP并解读模型结果
微信号｜deep_ML
欢迎添加作者微信进入Python、ChatGPT群
进群请备注Python或AI进入相关群
无需科学上网、同步官网所有功能、使用无限制
如果你对类似于这样的文章感兴趣。
欢迎关注、点赞、转发~
个人观点，仅供参考