如何修改Python代码在Taylor Diagram中显示负相关？

核心原理调整 #

泰勒图中相关系数r与极角θ的映射关系为 r = cos(θ)，原代码通常仅处理r≥0的场景（对应θ∈[0, π/2]）。要支持负相关，只需将r<0的情况映射到θ∈[π/2, π]——arccos(r)本身就能覆盖r∈[-1,1]的全范围：当r=-1时，θ=π（对应极坐标左端点）；r=0时，θ=π/2（上端点）；r=1时，θ=0（右端点）。

具体代码修改 #

原代码常见问题点 #

无法显示负相关的典型原因：

• 主动过滤了r<0的样本，直接丢弃负相关数据
• 角度计算时强制将负r转为正值，导致负相关点被错误映射到正相关区域
• 极坐标角度范围被限制在[0, π/2]，未开放到[0, π]

修改后的完整可运行代码 #

import numpy as np
import matplotlib.pyplot as plt

def taylor_diagram(ref, models, model_names=None, figsize=(8,8)):
    # 计算参考序列标准差
    ref_std = np.std(ref)
    
    # 批量计算模型的标准差、相关系数
    model_stats = []
    for mod in models:
        mod_std = np.std(mod)
        corr = np.corrcoef(ref, mod)[0,1]
        model_stats.append((mod_std, corr))
    
    # 初始化极坐标画布
    fig = plt.figure(figsize=figsize)
    ax = fig.add_subplot(111, polar=True)
    
    # 适配泰勒图惯例：极角顺时针递增，r=1对应正右方
    ax.set_theta_direction(-1)
    ax.set_theta_offset(np.pi/2)
    # 开放角度范围到180度，支持负相关映射
    ax.set_thetamin(0)
    ax.set_thetamax(180)
    
    # 绘制参考点（自身相关系数为1，对应0度）
    ax.plot(0, ref_std, 'ko', markersize=10, label='Reference')
    
    # 绘制标准差同心圆刻度
    max_std = max(ref_std, max(s for s, r in model_stats)) * 1.1
    std_levels = np.linspace(0, max_std, 5)
    for std in std_levels:
        ax.plot(np.linspace(0, np.pi, 100), np.full(100, std), 'k--', alpha=0.5)
    
    # 绘制包含负相关的径向刻度线
    corr_levels = np.array([-1, -0.75, -0.5, 0, 0.5, 0.75, 1])
    for corr in corr_levels:
        theta = np.arccos(corr)
        ax.plot([theta, theta], [0, max_std], 'k:', alpha=0.5)
    
    # 绘制所有模型点（含负相关）
    colors = plt.cm.viridis(np.linspace(0,1,len(models)))
    for i, (std, corr) in enumerate(model_stats):
        theta = np.arccos(corr)  # 直接用arccos处理正负相关
        ax.plot(theta, std, 'o', color=colors[i], markersize=8, 
                label=model_names[i] if model_names else f'Model {i+1}')
    
    # 配置坐标轴与图例
    ax.set_ylim(0, max_std)
    ax.set_ylabel('Standard Deviation', labelpad=20)
    ax.set_xticks(np.arccos(corr_levels))
    ax.set_xticklabels([f'{c:.2f}' for c in corr_levels])
    plt.legend(loc='upper right', bbox_to_anchor=(1.3, 1.1))
    plt.title('Taylor Diagram with Negative Correlation Support')
    plt.show()

# 测试数据集：涵盖正相关、负相关、弱相关模型
np.random.seed(42)
ref_data = np.random.normal(0, 2, 100)
pos_corr_model = ref_data * 0.8 + np.random.normal(0, 0.5, 100)  # 正相关
neg_corr_model = -ref_data * 0.6 + np.random.normal(0, 0.7, 100) # 负相关
weak_corr_model = np.random.normal(0, 1.5, 100)                  # 弱相关

# 生成带负相关支持的泰勒图
taylor_diagram(ref_data, [pos_corr_model, neg_corr_model, weak_corr_model],
               model_names=['Positive Corr', 'Negative Corr', 'Weak Corr'])

关键修改说明 #

• 极坐标范围开放：通过set_thetamax(180)允许角度覆盖0~π，对应相关系数1~-1
• 角度计算逻辑：直接使用theta = np.arccos(corr)，无需额外处理正负值，函数原生支持全范围相关系数映射
• 刻度标签补充：添加负相关刻度（-1、-0.75等），让负相关区域的含义直观清晰
• 数据全量保留：不对负相关系数做截断或过滤，确保所有模型数据都能正确展示

测试效果 #

运行代码后可观察到：

• 正相关模型点位于极坐标右半区域（靠近0度刻度）
• 负相关模型点位于极坐标左半区域（靠近180度刻度）
• 弱相关模型点靠近90度刻度位置

内容的提问来源于stack exchange，提问作者William Jacondino