如何基于Scikit-learn核密度估计绘制极坐标等高线图？

问题核心 #

你之前的代码仅分别计算了旋转角和倾斜角的一维核密度，而极坐标等高线图需要的是这两个变量的二维联合核密度，并非一维密度的简单线性组合，这是导致结果与预期不符的根本原因。

解决方案步骤 #

要正确生成极投影的等高线图，需要拟合两个角度的二维联合分布，再基于二维网格计算密度值作为Z参数：

1. 将旋转角与倾斜角组合成二维数据集
2. 使用Scikit-learn的KernelDensity拟合二维数据
3. 生成极坐标对应的二维网格（注意角度单位转换）
4. 计算网格每个点的联合密度值，重塑为网格形状作为Z
5. 用Matplotlib绘制极投影的等高线图

完整代码示例 #

import numpy as np
import matplotlib.pyplot as plt
from sklearn.neighbors import KernelDensity

# 假设已加载数据：rotation_angles、tiltangles 均为 shape=(2031,) 的数组
# 1. 构造二维联合数据集
data_2d = np.vstack([rotation_angles, tiltangles]).T  # shape=(2031, 2)

# 2. 拟合二维高斯核密度
kde = KernelDensity(kernel='gaussian', bandwidth=10).fit(data_2d)

# 3. 生成极坐标网格
# 旋转角（极角θ）范围0-360度，倾斜角（极径r）根据实际数据范围调整
theta = np.linspace(0, 360, 100)
r = np.linspace(np.min(tiltangles), np.max(tiltangles), 100)
theta_grid, r_grid = np.meshgrid(theta, r)

# 4. 计算网格点的联合密度值
grid_points = np.vstack([theta_grid.ravel(), r_grid.ravel()]).T
log_dens = kde.score_samples(grid_points)
Z = np.exp(log_dens).reshape(theta_grid.shape)

# 5. 绘制极投影等高线图
fig, ax = plt.subplots(subplot_kw={'projection': 'polar'})
# Matplotlib极坐标要求极角为弧度，转换角度单位
theta_rad = np.deg2rad(theta_grid)
contour = ax.contourf(theta_rad, r_grid, Z, cmap='viridis')
plt.colorbar(contour, label='Kernel Density')
ax.set_title('Joint KDE of Protein Rotation & Tilt Angles')
plt.show()

关键细节说明 #

• 二维KDE才能准确反映两个角度变量的关联关系，一维KDE的组合无法体现变量间的相关性
• 调整bandwidth参数优化密度平滑度：带宽过小会导致密度图噪声大，过大则会丢失细节
• 若你的倾斜角范围不是0-90度，需修改r的linspace参数匹配实际数据的最小/最大值
• Matplotlib的极投影默认极角从x轴正方向逆时针计算，需确保旋转角的定义与该逻辑匹配

内容的提问来源于stack exchange，提问作者hutchcha