参考资料：小红书、知乎、日常翻阅论文多积累。

生信相关可视化图表参考：Single Cell绘图【肘部图、PCA、UMAP、tSNE、热图、小提琴图、等高线图、密度图、火山图、山脊图、和弦图、GSEA富集图】

配色

参考网站

常见搭配

小红书@科研百味：

scAgents的一张配图(笔者自配)：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
morandi_colors = {
    'Transformer': '#C7B8D3',  # 淡紫色
    'Attention': '#A2D2D6',    # 浅蓝色
    'GNN': '#FFD3B6',          # 淡橙色
    'VAE': '#D9EAD3',          # 淡绿色
    'MLP': '#F0E6F7',          # 淡粉色
    'RNN': '#BDE0FE',          # 浅蓝色
    'CNN': '#FFCAA6',          # 淡粉色
    'GAN': '#CFD9E6',          # 淡蓝色
    'XGBoost': '#E6E0F0',      # 淡紫色
    'Ensemble Learning': '#D9E6E0',  # 淡绿色
    'Contrastive Learning': '#E0F0F7',  # 浅蓝色
    'Neural ODE': '#F7E0E0'    # 淡红色
}

prompt

1
2
3
4
5
6
7
你是科研论文配图大师，擅长设计图表、配色、写python代码画图。

我要给顶刊顶会投稿，请采用配色合理、适合科研论文的的莫兰迪色系(或者这里直接提供色号)，

帮我设计如下图表，输出python代码：

这里有xxx数据，我想证明xxx有关联性，设计x张xx图给以下x个任务。

icon素材

参考网站

神经网络类绘图素材：
链接: https://pan.baidu.com/s/1CUkOiQz3YI8gdvYSMJR77w?pwd=9yab 提取码: 9yab

流程图

总体workflow

  1. 先把内容输入gpt，让gpt设计几个版本供自己参考布局。
  2. 图是撑满的、方形结构。常见布局类型见下例。
  3. 模块配色，统一黑白风格/同色系渐变彩色风格/红黄蓝绿经典对比色。
  4. 步骤标题用圆角框套叠，调整弧度。

eg:
AI Scientist的流程图：

CellForge的流程图:


GETER的流程图: 原文 (有点松散了，主要学习底色配色)

含LLM对话展示的流程图: 原文

具体流程组件参考流程图: 原文 (有一点点密)


模块详细架构

  1. 对应模块找对应icon(标题、专家小人、任务内容等)，风格统一。
  • svg格式可以换色，注意色系统一
  1. 适当添加输入输出的框，里面放例子。
  2. 框里套框，加一个合适的底色凸显内容。
  3. 靠字体大小粗细与宽度间隔区分，关系更紧密的内容靠的更近。
  4. 核心卖点必须放大，足够突出。
  5. 如果整体架构图有用底色区分模块(如整体中Module B为橙色)，后续单独模块的配图颜色应统一于整体图(单一Moulde B详细图选择橙色系)。

eg：
Popper 的流程图对话框示例:

神经网络时序等组件类 的流程图示例:(这里的矩形ppt绘制/现成ppt素材库)


ppt绘制技巧

  1. 善用组合键与取消组合。
  2. 善用置于顶层、置于底层，尤其是调整文本框背景色的时候。
  3. 一些图形可以利用基础图形图标组合/遮挡创造出来。

结果可视化图表

柱状图

Bar Chart

作用

柱状图用于比较不同类别或组之间的数值大小，能够直观地展示数据的分布和对比关系。

参数

  • x：指定 x 轴的类别或组别，通常是离散的文本标签或分类变量。
  • height：指定每个柱子的高度，表示对应的数值大小。
  • width：指定柱子的宽度，默认值通常为 0.8，可通过调整该值改变柱子之间的间距和整体布局。
  • bottom：指定柱子的起始位置，默认为 0，可用于堆叠柱状图等场景。
  • align：指定柱子的对齐方式，默认为'center'，也可选择'edge'。
  • color：指定柱子的颜色，可以是单一颜色或颜色列表，用于区分不同的类别或组。

示例代码

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
import matplotlib.pyplot as plt
import numpy as np
# 示例数据

tasks = ['drug', 'gene', 'cytokines']
metrics = ['Hal↑', 'Rel↓', 'Utl↓']
original_data = {
    'drug': [0.70, 0.25, 0.29],
    'gene': [0.72, 0.26, 0.29],
    'cytokines': [0.64, 0.30, 0.33],
}

new_data = {
    'drug': [0.75, 0.22, 0.28],
    'gene': [0.74, 0.23, 0.2655],
    'cytokines': [0.67, 0.26, 0.31],
}


# 莫兰迪色系（蓝色和绿色）
colors_blue = {
    'drug': '#5d7a94',
    'gene': '#7fb9d9',
    'cytokines': '#a5c5e0'
}

colors_green = {
    'drug': '#5e8b7e',
    'gene': '#8fb9a8',
    'cytokines': '#c4e0d4'
}

# 创建图表
fig, ax = plt.subplots(figsize=(12, 7))

# 设置柱子宽度和位置
bar_width = 0.25  # 增加柱子宽度
small_gap = 0.05  # 小组内的间隔
large_gap = 0.3   # 大组间的间隔

# 计算每种指标的起始位置
hal_start = 0
rel_start = hal_start + 3 * (2 * bar_width + small_gap) + large_gap
utl_start = rel_start + 3 * (2 * bar_width + small_gap) + large_gap

# 绘制柱状图
for i, task in enumerate(tasks):
    # Hal↑指标
    # 原始RAG系统（绿色）
    pos_hal_original = hal_start + i * (2 * bar_width + small_gap)
    bar_hal_original = ax.bar(pos_hal_original, original_data[task][0], bar_width, color=colors_green[task])
    ax.bar_label(bar_hal_original, padding=3, fmt='%.2f', fontweight='bold')

    # 新方法（蓝色）
    pos_hal_new = pos_hal_original + bar_width
    bar_hal_new = ax.bar(pos_hal_new, new_data[task][0], bar_width, color=colors_blue[task])
    ax.bar_label(bar_hal_new, padding=3, fmt='%.2f', fontweight='bold')

    # Rel↓指标
    # 原始RAG系统（绿色）
    pos_rel_original = rel_start + i * (2 * bar_width + small_gap)
    bar_rel_original = ax.bar(pos_rel_original, original_data[task][1], bar_width, color=colors_green[task])
    ax.bar_label(bar_rel_original, padding=3, fmt='%.2f', fontweight='bold')

    # 新方法（蓝色）
    pos_rel_new = pos_rel_original + bar_width
    bar_rel_new = ax.bar(pos_rel_new, new_data[task][1], bar_width, color=colors_blue[task])
    ax.bar_label(bar_rel_new, padding=3, fmt='%.2f', fontweight='bold')

    # Utl↓指标
    # 原始RAG系统（绿色）
    pos_utl_original = utl_start + i * (2 * bar_width + small_gap)
    bar_utl_original = ax.bar(pos_utl_original, original_data[task][2], bar_width, color=colors_green[task])
    ax.bar_label(bar_utl_original, padding=3, fmt='%.2f', fontweight='bold')

    # 新方法（蓝色）
    pos_utl_new = pos_utl_original + bar_width
    bar_utl_new = ax.bar(pos_utl_new, new_data[task][2], bar_width, color=colors_blue[task])
    ax.bar_label(bar_utl_new, padding=3, fmt='%.2f', fontweight='bold')

# 设置 X 轴刻度和标签
ax.set_xticks([hal_start + 3 * (bar_width + small_gap/2),
               rel_start + 3 * (bar_width + small_gap/2),
               utl_start + 3 * (bar_width + small_gap/2)])
ax.set_xticklabels(metrics, fontweight='bold')

# 设置 Y 轴标签
ax.set_ylabel('Score', fontweight='bold')

# 添加标题
ax.set_title('RAG System Evaluation Comparison', fontweight='bold')

# 添加图例
ax.legend(['Normal RAG-drug', 'Agentic RAG-drug', 'Normal RAG-gene', 'Agentic RAG-gene', 'Normal RAG-cytokines', 'Agentic RAG-cytokines',
           ],
          loc='upper right')

# 添加底部和左侧的数轴线
ax.spines['top'].set_visible(False)
ax.spines['right'].set_visible(False)
ax.spines['left'].set_visible(True)
ax.spines['bottom'].set_visible(True)

# 去掉误差线和网格线
ax.grid(False)

# 调整 Y 轴范围以确保数值标注完全显示
ax.set_ylim(0, 0.8)

# 显示图表
plt.tight_layout()
plt.show()

散点图

Scatter Plot

作用

散点图用于展示两个变量之间的关系，可以揭示数据的分布模式、相关性以及异常值等。

参数

  • x：指定 x 轴的数值变量。
  • y：指定 y 轴的数值变量。
  • s：指定点的大小，默认值通常为 20，可以是单一数值或数组，用于表示第三个变量的大小。
  • c：指定点的颜色，默认为'blue'，可以是单一颜色、颜色列表或数值数组（用于颜色映射）。
  • marker：指定点的形状，默认为'o'，可选择如','、'.'、's'、'P'等。
  • alpha：指定点的透明度，默认为 1，可用于处理重叠点的可视化问题。

示例代码

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
import seaborn as sns
import matplotlib.pyplot as plt
import pandas as pd
import numpy as np

# 设置中文字体
plt.rcParams['font.sans-serif'] = ['SimHei']  # 用来正常显示中文标签
plt.rcParams['axes.unicode_minus'] = False  # 用来正常显示负号

# 创建示例数据
np.random.seed(42)
n_samples = 100
data = pd.DataFrame({
    '特征1': np.random.normal(0, 1, n_samples),
    '特征2': np.random.normal(0, 1, n_samples),
    '类别': np.random.choice(['A', 'B', 'C'], n_samples),
    '大小': np.random.uniform(10, 200, n_samples)
})

# 创建图形
plt.figure(figsize=(10, 8))

# 使用 seaborn 绘制散点图
scatter = sns.scatterplot(
    data=data,
    x='特征1',
    y='特征2',
    hue='类别',  # 根据类别设置不同颜色
    size='大小',  # 根据大小设置不同点的大小
    sizes=(20, 200),  # 设置点的大小范围
    alpha=0.6,  # 设置透明度
    palette='Set2'  # 设置颜色主题
)

# 添加标题和标签
plt.title('散点图示例', fontsize=15, pad=15)
plt.xlabel('特征1', fontsize=12)
plt.ylabel('特征2', fontsize=12)

# 添加网格线
plt.grid(True, linestyle='--', alpha=0.7)

# 调整图例
plt.legend(title='类别', bbox_to_anchor=(1.05, 1), loc='upper left')

# 添加相关系数
correlation = data['特征1'].corr(data['特征2'])
plt.text(0.05, 0.95, f'相关系数: {correlation:.2f}', 
         transform=plt.gca().transAxes, 
         bbox=dict(facecolor='white', alpha=0.8))

# 调整布局
plt.tight_layout()

# 显示图形
plt.show()
高级用法
  1. 添加回归线：
1
2
# 在散点图上添加回归线
sns.regplot(data=data, x='特征1', y='特征2', scatter=False, color='red')
  1. 添加置信区间：
1
2
3
4
# 添加置信区间
sns.regplot(data=data, x='特征1', y='特征2', scatter=False, 
            ci=95,  # 95%置信区间
            color='red')
  1. 多子图展示：
1
2
3
4
5
6
# 创建多个子图
fig, axes = plt.subplots(2, 2, figsize=(12, 10))
sns.scatterplot(data=data, x='特征1', y='特征2', ax=axes[0,0])
sns.scatterplot(data=data, x='特征1', y='特征2', hue='类别', ax=axes[0,1])
sns.scatterplot(data=data, x='特征1', y='特征2', size='大小', ax=axes[1,0])
sns.scatterplot(data=data, x='特征1', y='特征2', hue='类别', size='大小', ax=axes[1,1])
  1. 添加核密度估计：
1
2
# 添加核密度估计
sns.jointplot(data=data, x='特征1', y='特征2', kind='scatter')
  1. 自定义样式：
1
2
3
4
# 设置 seaborn 样式
sns.set_style("whitegrid")
sns.set_context("paper", font_scale=1.2)
sns.set_palette("husl")  # 设置颜色主题

饼图

Pie Chart

作用

饼图用于展示各部分占整体的比例关系，强调各分类在总量中的占比情况。

参数

  • x：指定各部分的数值大小，决定了饼图中各扇形的面积占比。
  • labels：指定各部分的标签，用于标识每个扇形代表的分类。
  • explode：指定各扇形的偏移距离，默认为None，可用于突出显示某个部分。
  • colors：指定各扇形的颜色，默认为 Matplotlib 的默认颜色循环，可以是颜色列表。
  • autopct：指定在扇形内部显示的文本格式，如'%1.1f%%'用于显示百分比。
  • startangle：指定饼图的起始角度，默认为 0，用于调整饼图的起始方向。

示例代码

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
import matplotlib.pyplot as plt
# 绘制每个数据集的饼图
for i, (dataset_name, components) in enumerate(datasets.items()):
    ax = axs[i // 3, i % 3]
    
    # 提取组件名称和数值
    labels = list(components.keys())
    sizes = list(components.values())
    
    # 绘制饼图
    wedges, texts, autotexts = ax.pie(
        sizes, 
        labels=labels, 
        autopct='%1.1f%%', #显示数据的小数点位数
        startangle=90,
        colors=[morandi_colors[label] for label in labels],
        wedgeprops=dict(width=0.75, edgecolor='w') #中空
    )
    
    # 设置标题和样式
    ax.set_title(dataset_name, fontsize=18, fontweight='bold', color='#1A3A5F')  # 设置标题颜色为深蓝色
    ax.grid(True, linestyle='-', linewidth=0.5)
    
    # 设置文本样式
    plt.setp(texts, size=13, fontweight='bold')
    plt.setp(autotexts, size=11.2, fontweight='bold')

eg：



雷达图

Radar Chart

作用

雷达图用于展示多维数据的各个特征值，能够直观地比较不同样本在多个变量上的表现，常用于性能评估、特征分析等场景。

参数

  • data：指定每个样本在各个特征上的数值。
  • labels：指定各个特征的标签，用于标注雷达图的轴。
  • radar_range：指定每个特征的数值范围，默认通常为[0, 100]，可根据实际数据调整，以确保数据在合理范围内展示。
  • color：指定雷达图填充的颜色，默认为'blue'，通过透明度和渐变效果展示不同样本的覆盖范围。
  • fill：指定是否填充雷达图的区域，默认为True，用于突出样本的综合表现区域。
  • alpha：指定填充区域的透明度，默认为 0.25，方便多个雷达图叠加时观察重叠区域。

示例代码

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
import numpy as np
import matplotlib.pyplot as plt

# 数据
labels = np.array(['Feature 1', 'Feature 2', 'Feature 3', 'Feature 4', 'Feature 5'])
data1 = np.array([80, 90, 70, 85, 75])
data2 = np.array([70, 85, 90, 65, 80])

# 计算雷达图的角度
angles = np.linspace(0, 2 * np.pi, len(labels), endpoint=False).tolist()

# 闭合数据
data1 = np.concatenate((data1, [data1[0]]))
data2 = np.concatenate((data2, [data2[0]]))
angles += angles[:1]

# 创建雷达图
fig, ax = plt.subplots(figsize=(6, 6), subplot_kw=dict(polar=True))
ax.fill(angles, data1, color='red', alpha=0.25)
ax.fill(angles, data2, color='blue', alpha=0.25)
ax.plot(angles, data1, color='red', linewidth=2, label='Sample 1')
ax.plot(angles, data2, color='blue', linewidth=2, label='Sample 2')
ax.set_yticklabels([])
ax.set_xticks(angles[:-1])
ax.set_xticklabels(labels)

# 添加标题
plt.title('Radar Chart Example')

# 添加图例
plt.legend(loc='upper right', bbox_to_anchor=(0.1, 0.1))

# 显示图表
plt.show()

箱线图

Boxplot

作用

箱线图用于展示数据的分布特征，包括中位数、四分位数、异常值等，能够快速识别数据的中心位置、离散程度以及异常值情况。

参数

  • data：指定输入数据，可以是数组或数组列表，用于绘制一个或多个箱线图。
  • vert：指定箱线图的方向，默认为True（垂直），设置为False时为水平方向。
  • widths：指定箱体的宽度，默认为 0.5，对于水平箱线图则是箱体的高度。
  • patch_artist：指定是否使用PatchArtist绘制箱体，默认为False，设置为True时可以自定义箱体的颜色和样式。
  • sym：指定异常值的标记样式，默认为'b+'，可指定颜色和标记形状。
  • whis：指定须的长度，默认为 1.5，表示须的范围是四分位距的 1.5 倍，超出此范围的值被视为异常值。

示例代码

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
import matplotlib.pyplot as plt

# 数据
data = [[1, 2, 3, 4, 5], [2, 3, 4, 5, 6], [3, 4, 5, 6, 7]]

# 创建箱线图
plt.boxplot(data, vert=True, patch_artist=True, widths=0.5, sym='r+', whis=1.5)

# 添加标题和标签
plt.title('Boxplot Example')
plt.xlabel('Groups')
plt.ylabel('Values')

# 显示图表
plt.show()

ROC 曲线

ROC Curve

作用

ROC 曲线用于评估二分类模型的性能，通过绘制真正例率与假正例率之间的关系，能够直观地展示模型在不同阈值下的分类能力，帮助选择最优的分类阈值。

参数

  • fpr：假正例率数组，表示在不同阈值下模型将负类错误分类为正类的比例。
  • tpr：真正例率数组，表示在不同阈值下模型正确识别正类的比例。
  • roc_auc：ROC 曲线下的面积（AUC），用于量化模型的整体性能，值越大表示模型性能越好。
  • label：图例标签，默认为None，用于标识不同模型或条件下的 ROC 曲线。
  • color：曲线的颜色，默认为'blue'，可通过指定颜色参数区分多条曲线。
  • lw：线宽，默认为 2，可根据需要调整曲线的粗细以增强可视化效果。

示例代码

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
import numpy as np
import matplotlib.pyplot as plt
from sklearn.metrics import roc_curve, auc

# 数据
y_true = np.array([0, 0, 1, 1])
y_scores = np.array([0.1, 0.4, 0.35, 0.8])

# 计算 ROC 曲线和 AUC
fpr, tpr, thresholds = roc_curve(y_true, y_scores)
roc_auc = auc(fpr, tpr)

# 创建 ROC 曲线图
plt.plot(fpr, tpr, color='blue', lw=2, label=f'ROC curve (AUC = {roc_auc:.2f})')
plt.plot([0, 1], [0, 1], color='gray', lw=1, linestyle='--')
plt.xlim([0.0, 1.0])
plt.ylim([0.0, 1.05])
plt.xlabel('False Positive Rate')
plt.ylabel('True Positive Rate')
plt.title('ROC Curve Example')
plt.legend(loc='lower right')

# 显示图表
plt.show()

桑基图

Sankey Diagram

作用

桑基图用于展示数据的流向和转换关系，能够直观地呈现不同节点之间的流量或转移情况，常用于能源流向、资金流动、用户转化等场景。

参数

  • data：指定节点之间的流量数据，通常为包含源节点、目标节点和流量的列表或 DataFrame。
  • nodeWidth：指定节点的宽度，默认通常为 20，可根据需要调整节点的大小以适应不同数据规模和布局。
  • nodePadding：指定节点之间的间距，默认通常为 10，用于避免节点重叠，确保图表的可读性。
  • splinePadding：指定流向曲线与节点之间的距离，默认通常为 8，用于调整曲线的形状和布局。
  • colors：指定节点的颜色，默认为'd3.schemeCategory10'，可通过颜色映射或自定义颜色列表区分不同节点类别。
  • marginTop、marginRight、marginBottom、marginLeft：指定图表的上、右、下、左外边距，默认通常为 0，可根据需要调整图表在容器中的位置和布局。

示例代码

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
from bokeh.plotting import figure, show, output_file
from bokeh.models import ColumnDataSource, LabelSet
from bokeh.palettes import Category10

# 数据
nodes = ['A', 'B', 'C', 'D', 'E', 'F']
links = [
    {'source': 'A', 'target': 'B', 'value': 5},
    {'source': 'A', 'target': 'C', 'value': 3},
    {'source': 'B', 'target': 'D', 'value': 4},
    {'source': 'B', 'target': 'E', 'value': 2},
    {'source': 'C', 'target': 'E', 'value': 1},
    {'source': 'C', 'target': 'F', 'value': 2},
    {'source': 'D', 'target': 'F', 'value': 3},
    {'source': 'E', 'target': 'F', 'value': 2}
]

# 创建桑基图
output_file('sankey_example.html')
p = figure(title='Sankey Diagram Example', x_range=nodes, y_range=nodes, plot_width=800, plot_height=600)
p.xgrid.grid_line_color = None
p.ygrid.grid_line_color = None

# 绘制节点
node_coords = [(i, 0) for i in range(len(nodes))]
node_source = ColumnDataSource({'x': [x for x, y in node_coords], 'y': [y for x, y in node_coords], 'names': nodes})
p.circle(x='x', y='y', size=20, source=node_source, color=Category10[10][:len(nodes)], legend_field='names')

# 绘制连接线
for link in links:
    source_idx = nodes.index(link['source'])
    target_idx = nodes.index(link['target'])
    p.quadratic_curve(x0=source_idx, y0=0, x1=target_idx, y1=0, x2=(source_idx + target_idx) / 2, y2=0.5, line_width=link['value'], color='gray')

# 添加标签
labels = LabelSet(x='x', y='y', text='names', level='glyph', source=node_source, text_align='center', text_baseline='middle')
p.add_layout(labels)

# 显示图表
show(p)

网络图

Network Graph

作用

网络图用于展示实体之间的关系和连接结构，能够直观地呈现复杂系统中的交互关系，如社交网络、分子相互作用网络等。

参数

  • nodes：指定网络中的节点，可以是节点的列表或包含节点属性的列表。
  • edges：指定节点之间的连接关系，通常为包含源节点和目标节点的列表或包含权重的列表。
  • node_size：指定节点的大小，默认通常为 300，可根据节点的重要性和数据属性进行调整，如按度中心性大小设置节点尺寸，突出关键节点。
  • node_color：指定节点的颜色，默认为'skyblue'，可以是单一颜色或颜色列表，用于区分不同类型的节点或根据节点属性映射颜色。
  • edge_color：指定边的颜色，默认为'black'，可用于区分不同类型的关系或表示边的权重。
  • width：指定边的宽度，默认为 1.0，可根据边的权重进行调整，反映关系的强弱。
  • edge_cmap：指定边的颜色映射，默认为None，用于根据边的权重或其他属性进行颜色编码，增强关系的可视化效果。
  • style：指定边的线条样式，默认为'solid'，可选择如'dashed'、'dotted'等，用于区分不同类型的边。

示例代码

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
import networkx as nx
import matplotlib.pyplot as plt

# 创建网络图
G = nx.Graph()

# 添加节点
nodes = ['A', 'B', 'C', 'D', 'E']
G.add_nodes_from(nodes)

# 添加边
edges = [('A', 'B'), ('A', 'C'), ('B', 'C'), ('B', 'D'), ('C', 'D'), ('D', 'E')]
G.add_edges_from(edges)

# 绘制网络图
pos = nx.spring_layout(G)  # 使用 Fruchterman-Reingold 布局算法
nx.draw(G, pos, with_labels=True, node_size=500, node_color='skyblue', edge_color='black', linewidths=1, font_size=15)

# 添加标题
plt.title('Network Graph Example')

# 显示图表
plt.show()