如何用Seaborn绘制带梯度连线的分组散点图？

完全可以用Seaborn实现这类配对实验的可视化，核心是结合散点图函数展示分组分布，再手动绘制每个样本的配对连线（还能让连线随变化量呈现梯度色彩），以下是具体实现方法：

1. 准备配对格式的数据 #

配对实验的数据需要整理为长格式DataFrame，包含三列：

• 样本ID：标记每个配对的样本
• 分组：区分对照组（Control）和处理组（Treated）
• 测量值：对应分组的实验数据

2. 基础版：带灰色连线的散点图 #

用swarmplot避免散点重叠，再循环绘制每个样本的配对连线：

import seaborn as sns
import matplotlib.pyplot as plt
import pandas as pd
import numpy as np

# 模拟配对实验数据
np.random.seed(42)
sample_ids = [f"Sample_{i}" for i in range(1, 21)]
control_vals = np.random.normal(loc=10, scale=1.5, size=20)
treated_vals = control_vals + np.random.normal(loc=2, scale=0.8, size=20)

# 整理成长格式DataFrame
df = pd.DataFrame({
    "Sample": sample_ids * 2,
    "Group": ["Control"]*20 + ["Treated"]*20,
    "Value": np.concatenate([control_vals, treated_vals])
})

# 创建画布
plt.figure(figsize=(8, 6))

# 绘制无重叠的散点图
sns.swarmplot(data=df, x="Group", y="Value", hue="Group", size=8, palette="Set2")

# 绘制每个样本的配对连线
for sample in sample_ids:
    control_val = df[(df["Sample"] == sample) & (df["Group"] == "Control")]["Value"].values[0]
    treated_val = df[(df["Sample"] == sample) & (df["Group"] == "Treated")]["Value"].values[0]
    # x坐标对应分组位置：0=Control，1=Treated
    plt.plot([0, 1], [control_val, treated_val], color="gray", alpha=0.5, linestyle="-")

# 优化图表样式
plt.title("配对样本：对照组vs处理组", fontsize=14)
plt.ylabel("测量值", fontsize=12)
plt.xlabel("分组", fontsize=12)
plt.legend([],[], frameon=False)  # 隐藏重复图例
plt.tight_layout()
plt.show()

3. 进阶版：带梯度色彩的连线 #

如果要让连线颜色随处理前后的差值呈现梯度变化（更直观展示样本变化幅度和方向），可以结合颜色映射实现：

import seaborn as sns
import matplotlib.pyplot as plt
import pandas as pd
import numpy as np
from matplotlib import cm

# 复用之前的模拟数据
np.random.seed(42)
sample_ids = [f"Sample_{i}" for i in range(1, 21)]
control_vals = np.random.normal(loc=10, scale=1.5, size=20)
treated_vals = control_vals + np.random.normal(loc=2, scale=0.8, size=20)
df = pd.DataFrame({
    "Sample": sample_ids * 2,
    "Group": ["Control"]*20 + ["Treated"]*20,
    "Value": np.concatenate([control_vals, treated_vals])
})

# 计算每个样本的处理差值
diff_df = df.pivot(index="Sample", columns="Group", values="Value")
diff_df["Diff"] = diff_df["Treated"] - diff_df["Control"]

# 创建画布
plt.figure(figsize=(9, 6))

# 绘制散点图
sns.swarmplot(data=df, x="Group", y="Value", hue="Group", size=8, palette="Set2")

# 设置颜色映射规则
norm = plt.Normalize(diff_df["Diff"].min(), diff_df["Diff"].max())
cmap = cm.get_cmap("coolwarm")  # 冷色对应负差值，暖色对应正差值

# 绘制带梯度色彩的配对连线
for sample in sample_ids:
    control_val = df[(df["Sample"] == sample) & (df["Group"] == "Control")]["Value"].values[0]
    treated_val = df[(df["Sample"] == sample) & (df["Group"] == "Treated")]["Value"].values[0]
    diff = diff_df.loc[sample, "Diff"]
    # 根据差值匹配颜色
    plt.plot([0, 1], [control_val, treated_val], color=cmap(norm(diff)), alpha=0.7)

# 添加差值颜色条
sm = cm.ScalarMappable(norm=norm, cmap=cmap)
sm.set_array([])
plt.colorbar(sm, label="处理组 - 对照组 差值")

# 优化样式
plt.title("配对样本：对照组vs处理组（差值梯度连线）", fontsize=14)
plt.ylabel("测量值", fontsize=12)
plt.xlabel("分组", fontsize=12)
plt.legend([],[], frameon=False)
plt.tight_layout()
plt.show()

补充说明 #

• 如果样本量很大，swarmplot可能会有显示问题，可以换成stripplot(data=df, x="Group", y="Value", hue="Group", jitter=True, size=6)实现带抖动的散点图。
• 连线的颜色、透明度、线型都可以根据需求调整，比如用linestyle="--"改成虚线。

内容的提问来源于stack exchange，提问作者arash