### 使用 Python 绘制森林图 森林图通常用于展示不同变量之间的效应大小及其置信区间。虽然 `matplotlib` 和 `seaborn` 并未直接提供专门绘制森林图的功能，但可以通过组合这些库中的函数来实现。 #### 方法一：使用 Matplotlib 手动创建森林图 通过手动设置坐标轴并绘制线段和标记可以构建一个简单的森林图： ```python import matplotlib.pyplot as plt import numpy as np # 假设数据如下 labels = ['Group A', 'Group B', 'Group C'] effect_sizes = [0.5, 1.2, -0.7] conf_intervals = [(0.3, 0.7), (0.9, 1.5), (-1.1, -0.3)] fig, ax = plt.subplots() y_positions = range(len(labels)) for idx, label in enumerate(labels): effect_size = effect_sizes[idx] conf_interval = conf_intervals[idx] # 绘制效果量点 ax.plot(effect_size, idx, "o") # 绘制置信区间的水平线 ax.hlines(idx, conf_interval[0], conf_interval[1]) ax.set_yticks(y_positions) ax.set_yticklabels(labels) plt.xlabel('Effect Size') plt.title('Forest Plot Example') plt.tight_layout() plt.show() ``` 这种方法提供了极大的灵活性，可以根据具体需求调整图形样式[^1]。 #### 方法二：利用 Seaborn 结合 Pandas 数据框简化绘图过程 如果希望更简洁地处理复杂的数据集，则可借助 pandas 来准备数据，并结合 seaborn 的功能完成作图： ```python import pandas as pd import seaborn as sns import matplotlib.pyplot as plt data = { 'Label': ['Factor X', 'Factor Y'], 'Effect_Size': [-0.4, 0.8], 'Lower_CI': [-0.6, 0.6], 'Upper_CI': [-0.2, 1.0] } df = pd.DataFrame(data).set_index('Label').sort_values(by='Effect_Size') plt.figure(figsize=(8, 6)) sns.scatterplot(x="Effect_Size", y=df.index, data=df, s=100) for _, row in df.iterrows(): plt.errorbar( x=[row['Lower_CI'], row['Upper_CI']], y=row.name, fmt='|', color='black' ) plt.axvline(0, linestyle="--", color="#bbbbbb") plt.xlim(-1.5, 1.5) plt.ylabel('') plt.title('Simplified Forest Plot with Error Bars') plt.show() ``` 此方法不仅保持了代码的清晰度，还能够方便地与其他统计分析工具集成在一起[^2]。