如何用seaborn或matplotlib绘制带95%CI的分作物分年份产量误差点图

完全可以通过Seaborn+Matplotlib实现目标可视化效果，无需额外复杂依赖，核心是逐行匹配绘制对应图表元素，再按规则做色彩分层。

核心实现逻辑 #

• 为每个Crop类别分配独立的基础主色调，保证不同作物的视觉区分度
• 对同一Crop下的不同Year，在对应主色基础上调整明度生成深浅渐变的同系色彩，实现同作物下年份的视觉区分
• 逐行绘制对应元素：绘制从Lower CI到Upper CI的垂直区间竖线，竖线两端加短横杠标记区间端点，再在Yield对应位置绘制实心圆点标记均值
• 对同Crop下的不同Year做轻微横轴位置错位，避免区间元素重叠遮挡

可直接运行的示例代码 #

import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
from matplotlib.colors import to_rgb, to_hex

# 构造匹配给定结构的示例数据集
df = pd.DataFrame({
    "Region": ["Argentina"]*4,
    "Year": [2017.0, 2018.0, 2019.0, 2020.0],
    "Crop": ["Soya", "Soya", "Soya", "Maize"],
    "Yield": [2770.885366, 3442.598073, 3472.638859, 6203.009997],
    "Lower CI": [2647.711922, 3375.280283, 3415.621142, 6020.164203],
    "Upper CI": [2937.259244, 3512.806645, 3536.144550, 6387.457295]
})

def generate_shade_color(base_hex, shade_factor):
    """基于基础主色生成不同深浅的同系色彩，shade_factor取值0-1，数值越大颜色越深"""
    r, g, b = to_rgb(base_hex)
    return to_hex((r*shade_factor, g*shade_factor, b*shade_factor))

# 定义不同作物的基础主色
crop_base_palette = {
    "Soya": "#2c7fb8",
    "Maize": "#d95f0e"
}

# 预计算每个样本对应的配色和横轴位置
color_lookup = {}
x_pos_lookup = {}
grouped_crop_years = df.groupby("Crop")["Year"].unique()
current_base_x = 0
group_offset = 1.2
within_group_step = 0.25

for crop, year_list in grouped_crop_years.items():
    sorted_years = sorted(year_list)
    for year_idx, year in enumerate(sorted_years):
        # 同组内颜色从浅到深按年份排序渐变
        shade_level = 0.4 + (year_idx / max(len(sorted_years)-1, 1)) * 0.6
        color_lookup[(crop, year)] = generate_shade_color(crop_base_palette[crop], shade_level)
        # 同组内横轴轻微错位避免遮挡
        x_pos_lookup[(crop, year)] = current_base_x + year_idx * within_group_step
    current_base_x += group_offset

# 开始绘图
plt.figure(figsize=(8,5), dpi=120)
for _, row in df.iterrows():
    current_crop = row["Crop"]
    current_year = row["Year"]
    x = x_pos_lookup[(current_crop, current_year)]
    c = color_lookup[(current_crop, current_year)]
    # 绘制垂直置信区间线
    plt.plot([x, x], [row["Lower CI"], row["Upper CI"]], color=c, linewidth=2)
    # 绘制区间两端的短横帽
    cap = 0.1
    plt.plot([x-cap, x+cap], [row["Lower CI"], row["Lower CI"]], color=c, linewidth=2)
    plt.plot([x-cap, x+cap], [row["Upper CI"], row["Upper CI"]], color=c, linewidth=2)
    # 绘制均值圆点
    plt.scatter(x, row["Yield"], color=c, s=40, zorder=10)

# 设置横轴刻度，将作物标签放在对应组的中心位置
xticks = []
xtick_labels = []
current_base_x = 0
for crop, year_list in grouped_crop_years.items():
    n_years = len(year_list)
    group_center = current_base_x + (n_years-1)*within_group_step/2
    xticks.append(group_center)
    xtick_labels.append(crop)
    current_base_x += group_offset

plt.xticks(xticks, xtick_labels)
plt.ylabel("作物产量")
plt.title("分作物产量均值及95%置信区间")
sns.despine()
plt.tight_layout()
plt.show()

效果适配说明 #

• 不同作物的主色差异明显，同作物下的年份色彩深浅沿时间线渐变，可快速区分不同时间的统计值
• 图表元素和参考样式完全匹配：垂直竖线对应95%置信区间的上下跨度，两端带短横标记区间边界，中间圆点为Yield均值
• 横轴错位逻辑可根据数据量调整偏移步长，避免多组数据重叠

内容的提问来源于stack exchange，提问作者user308827