Напиши код на питоне, отображающий корреляционные плеяды: плеяды должны быть в…
- User
Напиши код на питоне, отображающий корреляционные плеяды: плеяды должны быть в чёрно-белом стиле. Вот эти данные: Копинг-стратегия rS Жизнестойкость (суммарный показатель) Стрессоустойчивость Снижение значения 0,569396** 0,456470** Самоодобрение 0,433096** 0,264605* Самооправдание 0,562062** 0,491853** Отвлечение 0,570737** 0,412497** Замещение 0,611584** 0,477012** Самоутверждение 0,613830** 0,572066** Психомышечная релаксация 0,534910** 0,405464** Контроль над ситуацией 0,642145** 0,505721** Самоконтроль 0,650619** 0,542279** Позитивная самомотивация 0,522509** 0,384182** Поиск социальной поддержки –0,338233** –0,225177 Антиципирующее избегание –0,495930** –0,454909** Бегство от стрессовой ситуации –0,150345 –0,158840 Социальная замкнутость –0,130122 –0,055698 Заезженная пластинка –0,110317 –0,118082* Беспомощность –0,398868** –0,272497* Жалость к себе –0,712386** –0,559201** Самообвинение –0,528319** –0,351987** Агрессия –0,494614** –0,366506** Прием лекарств –0,409118** –0,319972**
Assistant
Вот код на Python для отображения корреляционных плеяд в черно-белом стиле:
import pandas as pd import numpy as np import matplotlib.pyplot as plt import networkx as nx # Создаем DataFrame из данных data = { 'Копинг-стратегия': [ 'Снижение значения', 'Самоодобрение', 'Самооправдание', 'Отвлечение', 'Замещение', 'Самоутверждение', 'Психомышечная релаксация', 'Контроль над ситуацией', 'Самоконтроль', 'Позитивная самомотивация', 'Поиск социальной поддержки', 'Антиципирующее избегание', 'Бегство от стрессовой ситуации', 'Социальная замкнутость', 'Заезженная пластинка', 'Беспомощность', 'Жалость к себе', 'Самообвинение', 'Агрессия', 'Прием лекарств' ], 'Жизнестойкость': [ 0.569396, 0.433096, 0.562062, 0.570737, 0.611584, 0.613830, 0.534910, 0.642145, 0.650619, 0.522509, -0.338233, -0.495930, -0.150345, -0.130122, -0.110317, -0.398868, -0.712386, -0.528319, -0.494614, -0.409118 ], 'Стрессоустойчивость': [ 0.456470, 0.264605, 0.491853, 0.412497, 0.477012, 0.572066, 0.405464, 0.505721, 0.542279, 0.384182, -0.225177, -0.454909, -0.158840, -0.055698, -0.118082, -0.272497, -0.559201, -0.351987, -0.366506, -0.319972 ] } df = pd.DataFrame(data) # Функция для создания корреляционных плеяд def plot_correlation_pleiad(df, threshold=0.3): # Создаем граф G = nx.Graph() # Добавляем узлы G.add_node("Жизнестойкость", pos=(0, 0)) G.add_node("Стрессоустойчивость", pos=(10, 0)) # Добавляем узлы копинг-стратегий и связи for i, row in df.iterrows(): strategy = row['Копинг-стратегия'] G.add_node(strategy, pos=(5, i)) # Добавляем связи, если корреляция выше порога if abs(row['Жизнестойкость']) >= threshold: G.add_edge("Жизнестойкость", strategy, weight=abs(row['Жизнестойкость']), style='solid' if row['Жизнестойкость'] > 0 else 'dashed') if abs(row['Стрессоустойчивость']) >= threshold: G.add_edge("Стрессоустойчивость", strategy, weight=abs(row['Стрессоустойчивость']), style='solid' if row['Стрессоустойчивость'] > 0 else 'dashed') # Получаем позиции узлов pos = nx.get_node_attributes(G, 'pos') # Создаем рисунок plt.figure(figsize=(12, 14)) # Рисуем узлы nx.draw_networkx_nodes(G, pos, nodelist=["Жизнестойкость", "Стрессоустойчивость"], node_size=2000, node_color='black') nx.draw_networkx_nodes(G, pos, nodelist=[n for n in G.nodes() if n not in ["Жизнестойкость", "Стрессоустойчивость"]], node_size=1500, node_color='white', edgecolors='black') # Рисуем ребра с разной толщиной в зависимости от веса for (u, v, d) in G.edges(data=True): if d['style'] == 'solid': nx.draw_networkx_edges(G, pos, edgelist=[(u, v)], width=d['weight']*3, edge_color='black') else: nx.draw_networkx_edges(G, pos, edgelist=[(u, v)], width=d['weight']*3, edge_color='black', style='dashed') # Добавляем метки nx.draw_networkx_labels(G, pos, font_size=10, font_family='sans-serif') plt.axis('off') plt.title('Корреляционные плеяды копинг-стратегий', fontsize=16) plt.tight_layout() plt.show() # Строим корреляционные плеяды с порогом 0.3 plot_correlation_pleiad(df, threshold=0.3)Хотите, чтобы я объяснил или разбил этот код?
- User
На линиях пиши коэффициенты корреляции. От черных кругов откажись. И сделай так, чтобы плеяда все-таки хорошо различалась. Внизу оставь примечание под звёздочкой как отображены прямые и обратные связи.
Assistant
Вот обновленный код с учетом ваших требований:
import pandas as pd import numpy as np import matplotlib.pyplot as plt import networkx as nx # Создаем DataFrame из данных data = { 'Копинг-стратегия': [ 'Снижение значения', 'Самоодобрение', 'Самооправдание', 'Отвлечение', 'Замещение', 'Самоутверждение', 'Психомышечная релаксация', 'Контроль над ситуацией', 'Самоконтроль', 'Позитивная самомотивация', 'Поиск социальной поддержки', 'Антиципирующее избегание', 'Бегство от стрессовой ситуации', 'Социальная замкнутость', 'Заезженная пластинка', 'Беспомощность', 'Жалость к себе', 'Самообвинение', 'Агрессия', 'Прием лекарств' ], 'Жизнестойкость': [ 0.569396, 0.433096, 0.562062, 0.570737, 0.611584, 0.613830, 0.534910, 0.642145, 0.650619, 0.522509, -0.338233, -0.495930, -0.150345, -0.130122, -0.110317, -0.398868, -0.712386, -0.528319, -0.494614, -0.409118 ], 'Стрессоустойчивость': [ 0.456470, 0.264605, 0.491853, 0.412497, 0.477012, 0.572066, 0.405464, 0.505721, 0.542279, 0.384182, -0.225177, -0.454909, -0.158840, -0.055698, -0.118082, -0.272497, -0.559201, -0.351987, -0.366506, -0.319972 ] } df = pd.DataFrame(data) # Функция для создания корреляционных плеяд def plot_correlation_pleiad(df, threshold=0.3): # Создаем граф G = nx.Graph() # Добавляем узлы G.add_node("Жизнестойкость", pos=(0, 0)) G.add_node("Стрессоустойчивость", pos=(10, 0)) # Словари для хранения меток ребер edge_labels_zhizn = {} edge_labels_stress = {} # Добавляем узлы копинг-стратегий и связи for i, row in df.iterrows(): strategy = row['Копинг-стратегия'] G.add_node(strategy, pos=(5, i)) # Добавляем связи, если корреляция выше порога if abs(row['Жизнестойкость']) >= threshold: G.add_edge("Жизнестойкость", strategy, weight=abs(row['Жизнестойкость']), style='solid' if row['Жизнестойкость'] > 0 else 'dashed', correlation=row['Жизнестойкость']) edge_labels_zhizn[("Жизнестойкость", strategy)] = f"{row['Жизнестойкость']:.2f}" if abs(row['Стрессоустойчивость']) >= threshold: G.add_edge("Стрессоустойчивость", strategy, weight=abs(row['Стрессоустойчивость']), style='solid' if row['Стрессоустойчивость'] > 0 else 'dashed', correlation=row['Стрессоустойчивость']) edge_labels_stress[(strategy, "Стрессоустойчивость")] = f"{row['Стрессоустойчивость']:.2f}" # Получаем позиции узлов pos = nx.get_node_attributes(G, 'pos') # Создаем рисунок plt.figure(figsize=(14, 16)) # Рисуем узлы nx.draw_networkx_nodes(G, pos, node_size=1800, node_color='white', edgecolors='black') # Рисуем ребра с разной толщиной в зависимости от веса solid_edges = [(u, v) for u, v, d in G.edges(data=True) if d['style'] == 'solid'] dashed_edges = [(u, v) for u, v, d in G.edges(data=True) if d['style'] == 'dashed'] # Получаем веса для ребер solid_weights = [G[u][v]['weight']*2 for u, v in solid_edges] dashed_weights = [G[u][v]['weight']*2 for u, v in dashed_edges] # Рисуем ребра nx.draw_networkx_edges(G, pos, edgelist=solid_edges, width=solid_weights, edge_color='black') nx.draw_networkx_edges(G, pos, edgelist=dashed_edges, width=dashed_weights, edge_color='black', style='dashed') # Добавляем метки узлов nx.draw_networkx_labels(G, pos, font_size=11, font_family='sans-serif') # Добавляем метки ребер (коэффициенты корреляции) nx.draw_networkx_edge_labels(G, pos, edge_labels=edge_labels_zhizn, font_size=9) nx.draw_networkx_edge_labels(G, pos, edge_labels=edge_labels_stress, font_size=9) plt.axis('off') plt.title('Корреляционные плеяды копинг-стратегий', fontsize=16) # Добавляем примечание внизу plt.figtext(0.5, 0.01, "* Сплошные линии - прямые связи (положительная корреляция)\n" "* Пунктирные линии - обратные связи (отрицательная корреляция)", ha="center", fontsize=12, bbox={"facecolor":"white", "alpha":0.8, "pad":5}) plt.tight_layout(rect=[0, 0.03, 1, 0.97]) # Оставляем место для примечания plt.show() # Строим корреляционные плеяды с порогом 0.3 plot_correlation_pleiad(df, threshold=0.3)Хотите, чтобы я объяснил или разбил этот код?
- User
Ок, этот вариант очень неплох. Только фон должен быть белым, а коэффициенты отделяются не точкой, а запятой целые и десятичные части.
Assistant
Вот обновленный код с белым фоном и коэффициентами, где десятичные части отделены запятой:
import pandas as pd import numpy as np import matplotlib.pyplot as plt import networkx as nx import matplotlib as mpl # Настройка для использования запятой вместо точки в числах mpl.rcParams['axes.formatter.use_locale'] = True import locale locale.setlocale(locale.LC_NUMERIC, 'ru_RU.UTF-8') # Установка русской локали # Создаем DataFrame из данных data = { 'Копинг-стратегия': [ 'Снижение значения', 'Самоодобрение', 'Самооправдание', 'Отвлечение', 'Замещение', 'Самоутверждение', 'Психомышечная релаксация', 'Контроль над ситуацией', 'Самоконтроль', 'Позитивная самомотивация', 'Поиск социальной поддержки', 'Антиципирующее избегание', 'Бегство от стрессовой ситуации', 'Социальная замкнутость', 'Заезженная пластинка', 'Беспомощность', 'Жалость к себе', 'Самообвинение', 'Агрессия', 'Прием лекарств' ], 'Жизнестойкость': [ 0.569396, 0.433096, 0.562062, 0.570737, 0.611584, 0.613830, 0.534910, 0.642145, 0.650619, 0.522509, -0.338233, -0.495930, -0.150345, -0.130122, -0.110317, -0.398868, -0.712386, -0.528319, -0.494614, -0.409118 ], 'Стрессоустойчивость': [ 0.456470, 0.264605, 0.491853, 0.412497, 0.477012, 0.572066, 0.405464, 0.505721, 0.542279, 0.384182, -0.225177, -0.454909, -0.158840, -0.055698, -0.118082, -0.272497, -0.559201, -0.351987, -0.366506, -0.319972 ] } df = pd.DataFrame(data) # Функция для создания корреляционных плеяд def plot_correlation_pleiad(df, threshold=0.3): # Создаем граф G = nx.Graph() # Добавляем узлы G.add_node("Жизнестойкость", pos=(0, 0)) G.add_node("Стрессоустойчивость", pos=(10, 0)) # Словари для хранения меток ребер edge_labels_zhizn = {} edge_labels_stress = {} # Добавляем узлы копинг-стратегий и связи for i, row in df.iterrows(): strategy = row['Копинг-стратегия'] G.add_node(strategy, pos=(5, i)) # Добавляем связи, если корреляция выше порога if abs(row['Жизнестойкость']) >= threshold: G.add_edge("Жизнестойкость", strategy, weight=abs(row['Жизнестойкость']), style='solid' if row['Жизнестойкость'] > 0 else 'dashed', correlation=row['Жизнестойкость']) # Используем запятую вместо точки edge_labels_zhizn[("Жизнестойкость", strategy)] = f"{row['Жизнестойкость']:.2f}".replace('.', ',') if abs(row['Стрессоустойчивость']) >= threshold: G.add_edge("Стрессоустойчивость", strategy, weight=abs(row['Стрессоустойчивость']), style='solid' if row['Стрессоустойчивость'] > 0 else 'dashed', correlation=row['Стрессоустойчивость']) # Используем запятую вместо точки edge_labels_stress[(strategy, "Стрессоустойчивость")] = f"{row['Стрессоустойчивость']:.2f}".replace('.', ',') # Получаем позиции узлов pos = nx.get_node_attributes(G, 'pos') # Создаем рисунок с белым фоном plt.figure(figsize=(14, 16), facecolor='white') ax = plt.gca() ax.set_facecolor('white') # Рисуем узлы nx.draw_networkx_nodes(G, pos, node_size=1800, node_color='white', edgecolors='black') # Рисуем ребра с разной толщиной в зависимости от веса solid_edges = [(u, v) for u, v, d in G.edges(data=True) if d['style'] == 'solid'] dashed_edges = [(u, v) for u, v, d in G.edges(data=True) if d['style'] == 'dashed'] # Получаем веса для ребер solid_weights = [G[u][v]['weight']*2 for u, v in solid_edges] dashed_weights = [G[u][v]['weight']*2 for u, v in dashed_edges] # Рисуем ребра nx.draw_networkx_edges(G, pos, edgelist=solid_edges, width=solid_weights, edge_color='black') nx.draw_networkx_edges(G, pos, edgelist=dashed_edges, width=dashed_weights, edge_color='black', style='dashed') # Добавляем метки узлов nx.draw_networkx_labels(G, pos, font_size=11, font_family='sans-serif') # Добавляем метки ребер (коэффициенты корреляции) nx.draw_networkx_edge_labels(G, pos, edge_labels=edge_labels_zhizn, font_size=9) nx.draw_networkx_edge_labels(G, pos, edge_labels=edge_labels_stress, font_size=9) plt.axis('off') plt.title('Корреляционные плеяды копинг-стратегий', fontsize=16) # Добавляем примечание внизу plt.figtext(0.5, 0.01, "* Сплошные линии - прямые связи (положительная корреляция)\n" "* Пунктирные линии - обратные связи (отрицательная корреляция)", ha="center", fontsize=12, bbox={"facecolor":"white", "alpha":1.0, "pad":5}) plt.tight_layout(rect=[0, 0.03, 1, 0.97]) # Оставляем место для примечания plt.show() # Строим корреляционные плеяды с порогом 0.3 plot_correlation_pleiad(df, threshold=0.3)Хотите, чтобы я объяснил или разбил этот код?
- User
Копинг-стратегия rS Жизнестойкость (суммарный показатель) Стрессоустойчивость Снижение значения 0,569396** 0,456470** Самоодобрение 0,433096** 0,264605* Самооправдание 0,562062** 0,491853** Отвлечение 0,570737** 0,412497** Замещение 0,611584** 0,477012** Самоутверждение 0,613830** 0,572066** Психомышечная релаксация 0,534910** 0,405464** Контроль над ситуацией 0,642145** 0,505721** Самоконтроль 0,650619** 0,542279** Позитивная самомотивация 0,522509** 0,384182** Поиск социальной поддержки –0,338233** –0,225177 Антиципирующее избегание –0,495930** –0,454909** Бегство от стрессовой ситуации –0,150345 –0,158840 Социальная замкнутость –0,130122 –0,055698 Заезженная пластинка –0,110317 –0,118082* Беспомощность –0,398868** –0,272497* Жалость к себе –0,712386** –0,559201** Самообвинение –0,528319** –0,351987** Агрессия –0,494614** –0,366506** Прием лекарств –0,409118** –0,319972** И не теряй значения. Где-то не прорисованы корреляции к жизнестойкости
Assistant
Вот обновленный код, который сохраняет все значения корреляций и обеспечивает отображение всех связей с жизнестойкостью:
import pandas as pd import numpy as np import matplotlib.pyplot as plt import networkx as nx # Создаем DataFrame из данных data = { 'Копинг-стратегия': [ 'Снижение значения', 'Самоодобрение', 'Самооправдание', 'Отвлечение', 'Замещение', 'Самоутверждение', 'Психомышечная релаксация', 'Контроль над ситуацией', 'Самоконтроль', 'Позитивная самомотивация', 'Поиск социальной поддержки', 'Антиципирующее избегание', 'Бегство от стрессовой ситуации', 'Социальная замкнутость', 'Заезженная пластинка', 'Беспомощность', 'Жалость к себе', 'Самообвинение', 'Агрессия', 'Прием лекарств' ], 'Жизнестойкость': [ 0.569396, 0.433096, 0.562062, 0.570737, 0.611584, 0.613830, 0.534910, 0.642145, 0.650619, 0.522509, -0.338233, -0.495930, -0.150345, -0.130122, -0.110317, -0.398868, -0.712386, -0.528319, -0.494614, -0.409118 ], 'Стрессоустойчивость': [ 0.456470, 0.264605, 0.491853, 0.412497, 0.477012, 0.572066, 0.405464, 0.505721, 0.542279, 0.384182, -0.225177, -0.454909, -0.158840, -0.055698, -0.118082, -0.272497, -0.559201, -0.351987, -0.366506, -0.319972 ], 'Значимость_Жизнестойкость': [ '**', '**', '**', '**', '**', '**', '**', '**', '**', '**', '**', '**', '', '', '', '**', '**', '**', '**', '**' ], 'Значимость_Стрессоустойчивость': [ '**', '*', '**', '**', '**', '**', '**', '**', '**', '**', '', '**', '', '', '*', '*', '**', '**', '**', '**' ] } df = pd.DataFrame(data) # Функция для создания корреляционных плеяд def plot_correlation_pleiad(df, threshold=0.0): # Изменен порог на 0.0, чтобы отображать все связи # Создаем граф G = nx.Graph() # Добавляем узлы G.add_node("Жизнестойкость", pos=(0, 0)) G.add_node("Стрессоустойчивость", pos=(10, 0)) # Словари для хранения меток ребер edge_labels_zhizn = {} edge_labels_stress = {} # Добавляем узлы копинг-стратегий и связи for i, row in df.iterrows(): strategy = row['Копинг-стратегия'] G.add_node(strategy, pos=(5, i)) # Добавляем связи для жизнестойкости corr_zhizn = row['Жизнестойкость'] sign_zhizn = row['Значимость_Жизнестойкость'] G.add_edge("Жизнестойкость", strategy, weight=abs(corr_zhizn), style='solid' if corr_zhizn > 0 else 'dashed', correlation=corr_zhizn) # Формируем метку с запятой и звездочками label_zhizn = f"{corr_zhizn:.2f}".replace('.', ',') if sign_zhizn: label_zhizn += sign_zhizn edge_labels_zhizn[("Жизнестойкость", strategy)] = label_zhizn # Добавляем связи для стрессоустойчивости corr_stress = row['Стрессоустойчивость'] sign_stress = row['Значимость_Стрессоустойчивость'] G.add_edge("Стрессоустойчивость", strategy, weight=abs(corr_stress), style='solid' if corr_stress > 0 else 'dashed', correlation=corr_stress) # Формируем метку с запятой и звездочками label_stress = f"{corr_stress:.2f}".replace('.', ',') if sign_stress: label_stress += sign_stress edge_labels_stress[(strategy, "Стрессоустойчивость")] = label_stress # Получаем позиции узлов pos = nx.get_node_attributes(G, 'pos') # Создаем рисунок с белым фоном plt.figure(figsize=(14, 16), facecolor='white') ax = plt.gca() ax.set_facecolor('white') # Рисуем узлы nx.draw_networkx_nodes(G, pos, node_size=1800, node_color='white', edgecolors='black') # Рисуем ребра с разной толщиной в зависимости от веса solid_edges = [(u, v) for u, v, d in G.edges(data=True) if d['style'] == 'solid'] dashed_edges = [(u, v) for u, v, d in G.edges(data=True) if d['style'] == 'dashed'] # Получаем веса для ребер solid_weights = [max(G[u][v]['weight']*2, 0.5) for u, v in solid_edges] # Минимальная толщина 0.5 dashed_weights = [max(G[u][v]['weight']*2, 0.5) for u, v in dashed_edges] # Минимальная толщина 0.5 # Рисуем ребра nx.draw_networkx_edges(G, pos, edgelist=solid_edges, width=solid_weights, edge_color='black') nx.draw_networkx_edges(G, pos, edgelist=dashed_edges, width=dashed_weights, edge_color='black', style='dashed') # Добавляем метки узлов nx.draw_networkx_labels(G, pos, font_size=11, font_family='sans-serif') # Добавляем метки ребер (коэффициенты корреляции) nx.draw_networkx_edge_labels(G, pos, edge_labels=edge_labels_zhizn, font_size=9) nx.draw_networkx_edge_labels(G, pos, edge_labels=edge_labels_stress, font_size=9) plt.axis('off') plt.title('Корреляционные плеяды копинг-стратегий', fontsize=16) # Добавляем примечание внизу plt.figtext(0.5, 0.01, "* Сплошные линии - прямые связи (положительная корреляция)\n" "* Пунктирные линии - обратные связи (отрицательная корреляция)\n" "* p < 0,05; ** p < 0,01", ha="center", fontsize=12, bbox={"facecolor":"white", "alpha":1.0, "pad":5}) plt.tight_layout(rect=[0, 0.03, 1, 0.97]) # Оставляем место для примечания plt.show() # Строим корреляционные плеяды, отображая все связи plot_correlation_pleiad(df)Хотите, чтобы я объяснил или разбил этот код?
- User
Выпрями линии корреляции так, чтобы не смазывались коэффициенты корреляции по краям, а также сделай более явным знак минус к отрицательным корреляциям
Assistant
Вот обновленный код с прямыми линиями корреляции и более явным отображением отрицательных корреляций:
import pandas as pd import numpy as np import matplotlib.pyplot as plt import networkx as nx import matplotlib.patheffects as pe # Создаем DataFrame из данных data = { 'Копинг-стратегия': [ 'Снижение значения', 'Самоодобрение', 'Самооправдание', 'Отвлечение', 'Замещение', 'Самоутверждение', 'Психомышечная релаксация', 'Контроль над ситуацией', 'Самоконтроль', 'Позитивная самомотивация', 'Поиск социальной поддержки', 'Антиципирующее избегание', 'Бегство от стрессовой ситуации', 'Социальная замкнутость', 'Заезженная пластинка', 'Беспомощность', 'Жалость к себе', 'Самообвинение', 'Агрессия', 'Прием лекарств' ], 'Жизнестойкость': [ 0.569396, 0.433096, 0.562062, 0.570737, 0.611584, 0.613830, 0.534910, 0.642145, 0.650619, 0.522509, -0.338233, -0.495930, -0.150345, -0.130122, -0.110317, -0.398868, -0.712386, -0.528319, -0.494614, -0.409118 ], 'Стрессоустойчивость': [ 0.456470, 0.264605, 0.491853, 0.412497, 0.477012, 0.572066, 0.405464, 0.505721, 0.542279, 0.384182, -0.225177, -0.454909, -0.158840, -0.055698, -0.118082, -0.272497, -0.559201, -0.351987, -0.366506, -0.319972 ], 'Значимость_Жизнестойкость': [ '**', '**', '**', '**', '**', '**', '**', '**', '**', '**', '**', '**', '', '', '', '**', '**', '**', '**', '**' ], 'Значимость_Стрессоустойчивость': [ '**', '*', '**', '**', '**', '**', '**', '**', '**', '**', '', '**', '', '', '*', '*', '**', '**', '**', '**' ] } df = pd.DataFrame(data) # Функция для создания корреляционных плеяд def plot_correlation_pleiad(df): # Создаем граф G = nx.Graph() # Добавляем узлы G.add_node("Жизнестойкость", pos=(-5, 0)) G.add_node("Стрессоустойчивость", pos=(5, 0)) # Словари для хранения меток ребер edge_labels = {} # Добавляем узлы копинг-стратегий и связи for i, row in df.iterrows(): strategy = row['Копинг-стратегия'] G.add_node(strategy, pos=(0, -i)) # Добавляем связи для жизнестойкости corr_zhizn = row['Жизнестойкость'] sign_zhizn = row['Значимость_Жизнестойкость'] G.add_edge("Жизнестойкость", strategy, weight=abs(corr_zhizn), style='solid' if corr_zhizn > 0 else 'dashed', correlation=corr_zhizn) # Формируем метку с запятой и звездочками if corr_zhizn < 0: label_zhizn = f"–{abs(corr_zhizn):.2f}".replace('.', ',') # Явный минус else: label_zhizn = f"{corr_zhizn:.2f}".replace('.', ',') if sign_zhizn: label_zhizn += sign_zhizn # Позиционируем метки ближе к центру линии edge_labels[("Жизнестойкость", strategy)] = label_zhizn # Добавляем связи для стрессоустойчивости corr_stress = row['Стрессоустойчивость'] sign_stress = row['Значимость_Стрессоустойчивость'] G.add_edge("Стрессоустойчивость", strategy, weight=abs(corr_stress), style='solid' if corr_stress > 0 else 'dashed', correlation=corr_stress) # Формируем метку с запятой и звездочками if corr_stress < 0: label_stress = f"–{abs(corr_stress):.2f}".replace('.', ',') # Явный минус else: label_stress = f"{corr_stress:.2f}".replace('.', ',') if sign_stress: label_stress += sign_stress edge_labels[(strategy, "Стрессоустойчивость")] = label_stress # Получаем позиции узлов pos = nx.get_node_attributes(G, 'pos') # Создаем рисунок с белым фоном plt.figure(figsize=(14, 16), facecolor='white') ax = plt.gca() ax.set_facecolor('white') # Рисуем узлы nx.draw_networkx_nodes(G, pos, node_size=1800, node_color='white', edgecolors='black') # Рисуем ребра с разной толщиной в зависимости от веса solid_edges = [(u, v) for u, v, d in G.edges(data=True) if d['style'] == 'solid'] dashed_edges = [(u, v) for u, v, d in G.edges(data=True) if d['style'] == 'dashed'] # Получаем веса для ребер solid_weights = [max(G[u][v]['weight']*2, 0.5) for u, v in solid_edges] # Минимальная толщина 0.5 dashed_weights = [max(G[u][v]['weight']*2, 0.5) for u, v in dashed_edges] # Минимальная толщина 0.5 # Рисуем ребра nx.draw_networkx_edges(G, pos, edgelist=solid_edges, width=solid_weights, edge_color='black') nx.draw_networkx_edges(G, pos, edgelist=dashed_edges, width=dashed_weights, edge_color='black', style='dashed') # Добавляем метки узлов nx.draw_networkx_labels(G, pos, font_size=11, font_family='sans-serif') # Добавляем метки ребер (коэффициенты корреляции) с белым фоном для лучшей читаемости for (u, v, d), label in zip(G.edges(data=True), edge_labels.items()): edge_x = (pos[u][0] + pos[v][0]) / 2.0 edge_y = (pos[u][1] + pos[v][1]) / 2.0 # Создаем белый фон для текста plt.text(edge_x, edge_y, edge_labels[label], fontsize=9, horizontalalignment='center', verticalalignment='center', bbox=dict(facecolor='white', alpha=1.0, edgecolor='none', pad=1), zorder=3) # zorder выше, чтобы текст был поверх линий plt.axis('off') plt.title('Корреляционные плеяды копинг-стратегий', fontsize=16) # Добавляем примечание внизу plt.figtext(0.5, 0.01, "* Сплошные линии - прямые связи (положительная корреляция)\n" "* Пунктирные линии - обратные связи (отрицательная корреляция)\n" "* p < 0,05; ** p < 0,01", ha="center", fontsize=12, bbox={"facecolor":"white", "alpha":1.0, "pad":5}) plt.tight_layout(rect=[0, 0.03, 1, 0.97]) # Оставляем место для примечания plt.show() # Строим корреляционные плеяды plot_correlation_pleiad(df)Хотите, чтобы я объяснил или разбил этот код?
Other models, same or similar prompt
Responses were produced in different, uncontrolled contexts (system prompts, settings, prior turns). This is not a benchmark.