火山图

绘制火山图，输入是两个datafreme，行是样本名，列是基因名。使用T-test检验绘制基因表达情况。

def minmax_scale(data):
    import numpy as np
    # # 示例数据
    # data = np.array([2, 4, 6, 8, 10])

    # 进行Min-Max标准化
    min_val = np.min(data)
    max_val = np.max(data)
    scaled_data = (data - min_val) / (max_val - min_val)

    # 输出标准化后的数据
    # print("标准化后的数据：", scaled_data)
    return scaled_data


# t-test检验 表达量上调还是下调
def gene_exp(group1, group2, is_scale=False):
    from scipy import stats
    import numpy as np
    # # 两组样本数据
    # group1 = np.array([1.2, 1.5, 1.8, 2.1, 2.4])
    # group2 = np.array([0.9, 1.3, 1.6, 2.3, 2.7, 3.0])
    
    if is_scale:
        group1 = minmax_scale(group1)
        group2 = minmax_scale(group2)
    
    # 执行差异表达分析（两组独立样本的t检验）
    t_statistic, p_value = stats.ttest_ind(group1, group2, equal_var=False)

    # 设置显著性水平（例如0.05）
    alpha = 0.05

    # # 判断基因的上调或下调情况
    # fold_change = np.mean(group2) / np.mean(group1)

    # if fold_change > 1 + alpha:
    #     # print("该基因上调")
    #     return 'Up', fold_change, p_value
    # elif fold_change < 1 - alpha:
    #     # print("该基因下调")
    #     return 'Down', fold_change, p_value
    # else:
    #     # print("该基因未表现出显著的上调或下调")
    #     return 'Unknown', fold_change, p_value
    
    # 计算基因的折叠变化（fold change）
    fold_change = np.log2(np.mean(group2) / np.mean(group1))

    # 判断基因的上调或下调情况
    if fold_change > 0 and p_value < alpha:
        # regulation = 'Upregulated'
        return 'Up', fold_change, p_value
    elif fold_change < 0 and p_value < alpha:
        # regulation = 'Downregulated'
        return 'Down', fold_change, p_value
    else:
        # regulation = 'No significant change'
        return 'Unknown', fold_change, p_value

# 生成需要的颜色list
def clst(lst):
    tlst = []
    for i in lst:
        if i == 'Up':
            tlst.append('r')
        elif i == 'Down':
            tlst.append('g')
        else:
            tlst.append('k')
    return tlst

           
def data_exp(df1, df2, is_scale=False):
    """
    df1: 数据1
    df2: 数据2
    数据1和数据2 dataframe格式，行是样本名（可以是不同样本数），列是基因名（相同的列）
    """
    from collections import OrderedDict
    cols = df1.columns
    rmk_lst = []
    fc_lst = []
    pv_lst = []
    # exp_dic = OrderedDict()
    for k in cols:
        rmk, fc, pv = gene_exp(list(df1[k]), list(df2[k]), is_scale=is_scale)
        # 可能出现nan和inf
        if np.isnan(fc) or np.isnan(pv) or np.isinf(fc) or np.isinf(pv):
            print(':'.join(k)+'\t'+rmk+'\t'+str(fc)+'\t'+str(pv))
            continue
        
        rmk_lst.append(rmk)
        fc_lst.append(fc)
        pv_lst.append(pv)
        # exp_dic[k] = [rmk, pv]
        print(':'.join(k)+'\t'+rmk+'\t'+str(fc)+'\t'+str(pv))
    # return exp_dic
    return rmk_lst, fc_lst, pv_lst


def plot_volcano(fold_change, p_value, title, pltcolor=False, regulation=[]):
    # 绘制火山图
    fig, ax = plt.subplots()

    # 计算-log10(p-value)
    # neg_log_pval = -np.log10(p_value) 
    # 计算-log10(p-value)，避免出现负数问题
    neg_log_pval = -np.log10(np.maximum(p_value, np.finfo(float).eps))

    # 绘制散点图
    if pltcolor:
        # 根据上调/下调与否设置点的颜色
        # colors = np.where(regulation=='Up', 'r', np.where(regulation=='Down', 'g', 'k'))
        colors = clst(regulation)
        ax.scatter(fold_change, neg_log_pval, c=colors)
    else:
        ax.scatter(fold_change, neg_log_pval) # , c=colors)

    # 设置坐标轴标签和标题
    ax.set_xlabel('Fold Change (log2)')
    ax.set_ylabel('-log10(p-value)')
    ax.set_title('Volcano Plot[%s]' % title)

    # 绘制水平线（显著性水平）
    ax.axhline(-np.log10(alpha), color='gray', linestyle='--')

    # 显示图形
    plt.show() 

使用方法：

# 获取表达上下调结果、foldchange、pvalue：
mklst, fclst, pvlst = data_exp(data_df1, data_df2, is_scale=True)

# 绘制火山图
plot_volcano(list(fclst), list(pvlst), title="mytitle", pltcolor=True, regulation=rmklst)

条形图

代码问题：左右标签没有对齐

import pandas as pd
import matplotlib.pyplot as plt

# 创建示例的 DataFrame 1
data1 = {'城市': ['北京', '上海', '广州', '深圳', '成都'],
         '人口': [2154, 2423, 1404, 1303, 1682]}
df1 = pd.DataFrame(data1)

# 创建示例的 DataFrame 2
data2 = {'城市': ['纽约', '伦敦', '巴黎', '东京', '新加坡'],
         '人口': [8537, 9304, 2141, 13929, 5894]}
df2 = pd.DataFrame(data2)

# 计算辅助变量
n = len(df1)  # 数据长度
width = 0.35  # 每个条形图的宽度

# 创建画布和主轴
fig, ax = plt.subplots(figsize=(10, 6))

# 绘制左侧的条形图
ax.barh(df1.index, df1['人口'], height=width, color='blue', label='DataFrame 1')

# 绘制右侧的条形图
ax.barh(df2.index, -df2['人口'], height=width, color='red', label='DataFrame 2')

# 设置纵坐标标签和刻度
ax.set_yticks(df1.index)
ax.set_yticklabels(df1['城市'])

# 设置右侧纵坐标标签和刻度，并逆序显示
ax2 = ax.twinx()
ax2.set_yticks(df1.index)
ax2.set_yticklabels(df2['城市'][::-1])  # 逆序显示右侧坐标标签

# 调整左右坐标轴的位置对齐
ax.tick_params(axis="y", direction="inout", length=6, pad=10)  # 左侧标签
ax2.tick_params(axis="y", direction="inout", length=6, pad=10)  # 右侧标签

# 显示图例
ax.legend()

# 显示图表
plt.show()