如何用绘图工具复现论文中的分布偏移结果？

一、数据预处理（关键前提） #

确保你的数据是长格式（long-form），适配seaborn的绘图逻辑。示例数据结构如下：

如果数据是宽格式（每列对应一个指标），用pd.melt()转换：

import pandas as pd
# 假设宽格式数据df包含列：shift_ratio, model_f1, human_f1
df_long = pd.melt(df, id_vars='shift_ratio', value_vars=['model_f1', 'human_f1'],
                  var_name='metric_type', value_name='f1_score')
# 重命名标签匹配论文样式
df_long['metric_type'] = df_long['metric_type'].replace({'model_f1': 'Model F1', 'human_f1': 'Human F1'})

二、复现论文图表样式（lineplot + regplot组合） #

针对seaborn绘图效果不达预期的问题，重点调整线条样式、标记、颜色、坐标轴配置，对齐论文风格：

import seaborn as sns
import matplotlib.pyplot as plt

# 设置全局样式（匹配论文的字体、线条宽度）
sns.set_style("ticks")
plt.rcParams['font.family'] = 'Arial'  # 替换成论文使用的字体
plt.rcParams['lines.linewidth'] = 2
plt.rcParams['markers.size'] = 6

# 创建画布
fig, ax = plt.subplots(figsize=(8, 5))

# 1. 绘制带标记的折线图（展示原始数据点+趋势）
sns.lineplot(data=df_long, x='shift_ratio', y='f1_score', hue='metric_type',
             style='metric_type', markers=True, ax=ax)

# 2. 添加拟合回归线（对应regplot需求）
model_data = df_long[df_long['metric_type'] == 'Model F1']
human_data = df_long[df_long['metric_type'] == 'Human F1']

sns.regplot(data=model_data, x='shift_ratio', y='f1_score', 
            scatter=False, color=sns.color_palette()[0], 
            line_kws={'linestyle': '--'}, ax=ax)
sns.regplot(data=human_data, x='shift_ratio', y='f1_score', 
            scatter=False, color=sns.color_palette()[1], 
            line_kws={'linestyle': ':'}, ax=ax)

# 3. 对齐论文的坐标轴与标签
ax.set_xlabel('Distribution Shift Ratio', fontsize=12)
ax.set_ylabel('F1 Score', fontsize=12)
ax.set_title('Performance vs. Distribution Shift', fontsize=14)
ax.legend(title='Metric', bbox_to_anchor=(1.05, 1), loc='upper left')  # 调整图例位置
ax.set_ylim(0.5, 1.0)  # 根据论文数据范围设置y轴边界
sns.despine()  # 移除多余边框

plt.tight_layout()
plt.show()

样式调整关键点： #

• 线条/标记匹配：用style参数区分不同指标的线条样式，markers=True显示数据点，和论文的标记形状对齐
• 拟合线样式：通过line_kws设置虚线/点线，区分模型和人类的拟合趋势
• 字体与刻度：统一字体、坐标轴标签大小，确保和论文排版一致

三、分布偏移分析 #

从图表中可提取以下关键结论：

1. 趋势对比：观察两条折线的下降斜率——若Model F1的下降幅度远大于Human F1，说明模型对分布偏移的鲁棒性弱于人类
2. 量化分析：计算偏移程度与F1值的相关系数，量化偏移对性能的影响：

# 计算皮尔逊相关系数（负相关表示偏移越大，F1越低）
model_corr = model_data['shift_ratio'].corr(model_data['f1_score'])
human_corr = human_data['shift_ratio'].corr(human_data['f1_score'])
print(f"Model F1与偏移程度的相关系数: {model_corr:.2f}")
print(f"Human F1与偏移程度的相关系数: {human_corr:.2f}")

3. 拐点分析：找到模型性能骤降的偏移阈值（比如shift_ratio=0.4时F1突然下跌），可标注在图表中：

ax.axvline(x=0.4, color='gray', linestyle='-.', label='Performance Drop Threshold')
ax.legend()

内容的提问来源于stack exchange，提问作者user325923