Python实战：用Plotly轻松绘制Bland-Altman图（附完整代码）

在数据分析和生物医学研究的日常工作中，我们常常会遇到一个看似简单却至关重要的问题：如何评估两种测量方法或两个评估者之间的一致性？无论是比较新型自动化检测设备与实验室“金标准”的差异，还是验证不同算法对同一批数据的处理效果，仅仅依靠相关系数或简单的散点图往往是不够的。它们可能掩盖了系统性的偏差或测量误差随测量值大小而变化的趋势。这时，一个诞生于上世纪80年代的经典工具——Bland-Altman图，便成为了研究者手中的利器。

然而，许多教程在介绍Bland-Altman图时，要么偏重于复杂的统计学理论，让初学者望而却步；要么提供的绘图代码过于简陋，生成的图表在美观度和信息呈现上难以满足学术发表或商业报告的要求。对于数据分析师和生物医学研究者而言，我们需要的是一套既严谨又高效的解决方案，能够将原始数据快速转化为直观、专业且可高度定制化的分析图表。

本文将带你绕过那些繁琐的理论推导，直接切入实战。我们将全程使用Python生态中交互性极强的Plotly库，从数据模拟与准备开始，一步步构建出功能完整的Bland-Altman图。你不仅将获得可以直接复用的完整代码，还将掌握如何调整图表的每一个视觉细节，以及如何专业地解读图中的关键信息，从而让你在实际研究项目中的数据分析工作既快又准。

1. 理解Bland-Altman图的核心逻辑

在动手写代码之前，花几分钟厘清Bland-Altman图到底在“画”什么，能让我们后续的定制化操作更有方向。简单来说，这张图的核心目的是可视化两种测量方法之间差异的分布模式，而非仅仅展示它们的相关性。

想象一下，你手头有两套设备测量同一批样本的血糖值。设备A是医院检验科的金标准，设备B是新采购的便携式检测仪。你关心的是：设备B的读数在多大程度上可以替代设备A？如果两者总是相差一个固定的数值（比如设备B普遍偏高2个单位），这就是一种系统偏倚；如果差值会随着血糖值本身的升高而变大，这就意味着存在比例偏倚。Bland-Altman图能将这些信息一目了然地呈现出来。

图的构建基于三个关键计算：

1. 横坐标 (X-axis): 对于每个样本，计算两种方法测量值的平均值。(方法A值 + 方法B值) / 2。这代表了该样本测量值的“最佳估计”。
2. 纵坐标 (Y-axis): 计算两种方法测量值的差值。通常是 方法A值 - 方法B值（顺序可根据习惯定义，但必须在全文中保持一致）。
3. 三条关键水平线:
   • 均值线: 所有差值的平均值，代表了平均的系统偏倚。
   • 一致性界限线: 均值线 ± 1.96倍差值标准差。在差值服从正态分布的假设下，这意味着大约95%的数据点会落在这两条线之间。
   • 零线: 差值为0的参考线。

注意：选择“差值 = A - B”还是“B - A”会影响图中均值线的正负位置和解读。在报告时，必须明确说明差值的定义，例如“图中差值表示金标准测量值减去新方法测量值”。

下面这个表格总结了图中各元素的统计学含义和实际解读：

图表元素	计算方法	解读意义
数据点	横坐标=(A+B)/2，纵坐标=A-B	展示每个样本的差异情况。点越分散，一致性越差。
均值线 (蓝色实线)	所有(A-B)差值的平均值 (mean_diff)	系统偏倚。线在零线之上，表示方法A普遍高于方法B；之下则相反。
一致性上限 (红色虚线)	mean_diff + 1.96 * std_diff	95%一致性区间的上界。
一致性下限 (红色虚线)	mean_diff - 1.96 * std_diff	95%一致性区间的下界。
零线 (橙色虚线)	y = 0	无差异的参考基准。理想情况下，均值线应与之重合。

理解了这些，我们就知道在代码中需要计算哪些量，以及最终图表需要包含哪些必不可少的组件。

2. 环境准备与模拟数据生成

工欲善其事，必先利其器。我们首先确保拥有必要的工具，并创建一份用于演示的模拟数据集。模拟数据的好处是，我们可以控制其中的偏倚和变异程度，从而更清楚地观察图表的变化。

2.1 安装与导入核心库

我们将主要依赖plotly进行绘图，pandas进行数据处理，numpy用于数值计算。如果你使用的是Anaconda，这些库通常已预装。若需安装，可以使用pip：

pip install plotly pandas numpy

接下来，在Python脚本或Jupyter Notebook的开头导入它们：

import plotly.graph_objects as go
import plotly.express as px
import numpy as np
import pandas as pd

• plotly.graph_objects (go) 提供了底层、灵活的图表构建接口，适合这种需要精细控制的定制化图表。
• plotly.express (px) 是高级接口，适合快速绘制常见图表，这里我们可能用它来辅助检查数据。
• numpy 用于生成随机数和进行数组运算。
• pandas 用于将数据组织成易于处理的DataFrame结构。

2.2 创建一份具有典型特征的模拟数据

在实际研究中，你的数据可能来自CSV文件或数据库。这里，我们模拟一种常见场景：一种新方法（Method_B）相对于金标准（Method_A）存在轻微的正向系统偏倚，并且其随机误差（标准差）会随着测量值的增大而略微增加。

# 设置随机种子以保证结果可复现
np.random.seed(42)

# 模拟100个样本
n_samples = 100

# 生成Method_A的测量值（假设服从正态分布，均值50，标准差10）
method_a = np.random.normal(loc=50, scale=10, size=n_samples)

# 生成Method_B的测量值：
# 1. 包含一个固定的系统偏倚（+2.5）
# 2. 包含一个与测量值大小成比例的随机误差
systematic_bias = 2.5
# 误差的标准差基础值为2，并随method_a值线性增加（比例系数0.05）
error_std = 2 + 0.05 * method_a
method_b = method_a + systematic_bias + np.random.normal(loc=0, scale=error_std, size=n_samples)

# 将数据整理到DataFrame中
df = pd.DataFrame({
    'Sample_ID': range(1, n_samples+1),
    'Method_A': method_a,
    'Method_B': method_b
})

# 预览前5行数据
print(df.head())

运行这段代码，你会得到一个包含Sample_ID、Method_A、Method_B三列的DataFrame。Method_B的值普遍比Method_A高一些，且波动更大。这正是我们想要用Bland-Altman图来揭示的模式。

3. 构建基础Bland-Altman图

有了数据，我们现在开始计算Bland-Altman图所需的各项指标，并用Plotly绘制出第一个版本。

3.1 计算核心统计量

根据第一节的公式，我们需要计算每个样本的均值、差值，以及整体的统计量。

# 计算每个样本两种方法的平均值和差值（A-B）
df['Average'] = (df['Method_A'] + df['Method_B']) / 2
df['Difference'] = df['Method_A'] - df['Method_B'] # 注意这里定义为A-B

# 计算整体统计量
mean_diff = df['Difference'].mean()
std_diff = df['Difference'].std()
limit_of_agreement = 1.96 * std_diff

upper_limit = mean_diff + limit_of_agreement
lower_limit = mean_diff - limit_of_agreement

print(f"平均差值 (偏倚): {mean_diff:.3f}")
print(f"差值标准差: {std_diff:.3f}")
print(f"95%一致性上限: {upper_limit:.3f}")
print(f"95%一致性下限: {lower_limit:.3f}")

输出会显示具体的数值，例如平均差值可能在-2.5左右（因为我们模拟时让B比A高2.5，而差值定义为A-B，所以为负），这证实了系统偏倚的存在。

3.2 使用Plotly绘制基础图表

我们将使用go.Scatter来绘制数据点，用go.Layout和go.Figure来构建图表。

# 创建图形对象
fig = go.Figure()

# 1. 添加数据点（散点）
fig.add_trace(go.Scatter(
    x=df['Average'],
    y=df['Difference'],
    mode='markers',
    marker=dict(size=8, color='lightseagreen', opacity=0.7),
    name='数据点',
    hovertemplate='平均值: %{x:.2f}<br>差值: %{y:.2f}<extra></extra>' # 自定义悬停文本
))

# 2. 添加均值线（蓝色实线）
fig.add_hline(y=mean_diff, line_dash="solid", line_color="blue", line_width=2,
              annotation_text=f"均值: {mean_diff:.2f}",
              annotation_position="bottom right")

# 3. 添加95%一致性界限线（红色虚线）
fig.add_hline(y=upper_limit, line_dash="dash", line_color="red", line_width=1.5,
              annotation_text=f"+1.96SD: {upper_limit:.2f}",
              annotation_position="top right")
fig.add_hline(y=lower_limit, line_dash="dash", line_color="red", line_width=1.5,
              annotation_text=f"-1.96SD: {lower_limit:.2f}",
              annotation_position="bottom right")

# 4. 添加零线（橙色虚线）作为参考
fig.add_hline(y=0, line_dash="dot", line_color="orange", line_width=1,
              annotation_text="零线")

# 设置图表布局
fig.update_layout(
    title='Bland-Altman 图：Method_A vs Method_B',
    xaxis_title='两种方法的平均值',
    yaxis_title='差值 (Method_A - Method_B)',
    showlegend=True,
    template='plotly_white', # 使用干净的白色主题
    height=600,
    width=800
)

# 显示图表（在Jupyter中）
fig.show()
# 如果是在脚本中，可以保存为HTML
# fig.write_html("bland_altman_basic.html")

执行后，一个交互式的Bland-Altman图就出现了。你可以用鼠标悬停在数据点上查看具体数值，缩放图表区域。基础图表已经包含了所有核心元素：数据点、均值线、一致性界限和零线。但为了学术发表或内部报告，我们通常需要对它进行更深度的美化和定制。

4. 高级定制与美化技巧

一张专业的图表，在视觉清晰度和信息传达效率上都有更高要求。Plotly的强大之处在于其无与伦比的定制能力。

4.1 增强数据点的信息维度

有时，数据点本身可能带有其他属性，比如来自不同的实验批次、不同的受试者组别。我们可以用颜色或大小来编码这些信息。

假设我们的模拟数据中，前50个样本来自“组1”，后50个来自“组2”。我们可以这样可视化：

# 为数据添加分组信息
df['Group'] = ['组1'] * 50 + ['组2'] * 50

fig = go.Figure()

# 分别添加不同组的数据点
for group_name in df['Group'].unique():
    group_df = df[df['Group'] == group_name]
    fig.add_trace(go.Scatter(
        x=group_df['Average'],
        y=group_df['Difference'],
        mode='markers',
        marker=dict(size=8, opacity=0.7),
        name=group_name,
        hovertemplate='组别: ' + group_name + '<br>平均值: %{x:.2f}<br>差值: %{y:.2f}<extra></extra>'
    ))

# 重新添加统计线（略，同上例）
fig.add_hline(y=mean_diff, line_dash="solid", line_color="blue", line_width=2)
fig.add_hline(y=upper_limit, line_dash="dash", line_color="red", line_width=1.5)
fig.add_hline(y=lower_limit, line_dash="dash", line_color="red", line_width=1.5)
fig.add_hline(y=0, line_dash="dot", line_color="orange", line_width=1)

fig.update_layout(
    title='Bland-Altman 图（按组别着色）',
    xaxis_title='两种方法的平均值',
    yaxis_title='差值 (Method_A - Method_B)',
    template='plotly_white'
)
fig.show()

4.2 优化统计线的标注与样式

默认的标注可能重叠或位置不佳。我们可以更精细地控制它们。例如，将统计线的标注统一放在图表外侧的固定位置，并使用文本框增强可读性。

fig = go.Figure()

# 添加数据点
fig.add_trace(go.Scatter(x=df['Average'], y=df['Difference'], mode='markers', name='数据点'))

# 添加统计线，但不使用自动annotation，稍后手动添加
fig.add_hline(y=mean_diff, line_dash="solid", line_color="blue", line_width=2)
fig.add_hline(y=upper_limit, line_dash="dash", line_color="red", line_width=1.5)
fig.add_hline(y=lower_limit, line_dash="dash", line_color="red", line_width=1.5)
fig.add_hline(y=0, line_dash="dot", line_color="orange", line_width=1)

# 手动添加更美观的标注（使用annotation）
fig.add_annotation(xref="paper", x=1.02, y=mean_diff,
                   text=f"偏倚<br>{mean_diff:.2f}",
                   showarrow=False, font=dict(color="blue"), align="left")
fig.add_annotation(xref="paper", x=1.02, y=upper_limit,
                   text=f"+1.96SD<br>{upper_limit:.2f}",
                   showarrow=False, font=dict(color="red"), align="left")
fig.add_annotation(xref="paper", x=1.02, y=lower_limit,
                   text=f"-1.96SD<br>{lower_limit:.2f}",
                   showarrow=False, font=dict(color="red"), align="left")

fig.update_layout(
    title='Bland-Altman 图（优化标注）',
    xaxis_title='平均值',
    yaxis_title='差值 (A - B)',
    template='plotly_white',
    margin=dict(r=120), # 为右侧标注留出空间
    showlegend=False
)
fig.show()

4.3 添加置信区间带与百分比边界

在更严谨的分析中，我们可能希望展示一致性界限本身的置信区间（例如，通过Bootstrap法计算），或者标出落在95%界限外的数据点百分比。下面演示如何添加一个一致性界限的置信区间带（灰色阴影区域）。

# 假设我们通过Bootstrap计算了上下限的95%置信区间（这里为演示简单模拟）
upper_ci_high = upper_limit + 0.5
upper_ci_low = upper_limit - 0.5
lower_ci_high = lower_limit + 0.5
lower_ci_low = lower_limit - 0.5

fig = go.Figure()

# 先添加置信区间带（使用fill='tonexty'需要按顺序添加区域）
# 添加上限置信区间带
fig.add_trace(go.Scatter(
    x=[df['Average'].min(), df['Average'].max()],
    y=[upper_ci_high, upper_ci_high],
    mode='lines',
    line=dict(width=0),
    showlegend=False,
    hoverinfo='skip'
))
fig.add_trace(go.Scatter(
    x=[df['Average'].min(), df['Average'].max()],
    y=[upper_ci_low, upper_ci_low],
    mode='lines',
    line=dict(width=0),
    fill='tonexty',
    fillcolor='rgba(255, 0, 0, 0.1)',
    name='95% LoA 置信区间',
    hoverinfo='skip'
))
# 添加下限置信区间带（类似操作，略）

# 再添加数据点
fig.add_trace(go.Scatter(x=df['Average'], y=df['Difference'], mode='markers', name='数据点'))

# 最后添加实线
fig.add_hline(y=mean_diff, line_dash="solid", line_color="blue", line_width=2)
fig.add_hline(y=upper_limit, line_dash="dash", line_color="red", line_width=1.5)
fig.add_hline(y=lower_limit, line_dash="dash", line_color="red", line_width=1.5)

fig.update_layout(
    title='Bland-Altman 图（带一致性界限置信区间）',
    xaxis_title='平均值',
    yaxis_title='差值',
    template='plotly_white'
)
fig.show()

5. 结果解读与常见问题排查

图表绘制完成，最终的一步是从中提取有意义的结论，并检查分析过程是否可靠。

5.1 系统性解读图表信息

面对一张Bland-Altman图，你可以按照以下流程进行解读：

1. 观察数据点分布：
   • 点是否随机、均匀地分布在均值线上下？如果呈现扇形、漏斗形或曲线趋势，则提示存在比例偏倚（差异随测量值增大而改变）。
   • 点是否密集地集中在某个区域？这反映了测量精度。
2. 评估系统偏倚：
   • 查看蓝色均值线与橙色零线的距离。距离越大，系统偏倚越大。统计上可以对该均值进行t检验，判断其是否与0有显著差异。
3. 评估一致性界限：
   • 计算落在红色虚线（95% LoA）之外的数据点百分比。理论上应为5%左右。如果远高于5%，说明两种方法的一致性较差。
   • 最关键的一步：结合你的专业领域知识判断，这个一致性界限的宽度（upper_limit - lower_limit）在临床上或实际应用中是否可以被接受？例如，血糖仪允许的误差范围是±15%，那么计算出的LoA宽度是否小于这个阈值？
4. 检查异常值：
   • 识别那些远离其他点的异常值。它们可能是测量错误、数据录入错误，或是某种特殊情况的真实反映。需要回溯原始数据进行检查。

5.2 诊断与处理常见数据问题

在分析过程中，你可能会遇到一些典型问题，以下是一些排查思路：

• 差值不服从正态分布：Bland-Altman图的95% LoA基于正态分布假设。你可以通过绘制差值的直方图、Q-Q图或进行Shapiro-Wilk检验来验证。

  import plotly.figure_factory as ff
  # 创建差值的分布图
  fig = ff.create_distplot([df['Difference'].values], ['Difference'], bin_size=1)
  fig.update_layout(title='差值分布检查')
  fig.show()
  

  • 如果非正态：可以考虑对原始数据进行转换（如对数转换），或使用非参数方法计算百分位数界限（如使用2.5%和97.5%分位数代替±1.96SD）。
• 存在明显的比例偏倚：当差值随平均值增大而系统性变化时，直接使用固定LoA可能不合理。解决方法包括：
  • 使用百分比差异图：将纵坐标改为 (A-B)/Average * 100%。这适用于测量值范围很宽的情况。
  • 进行回归分析：建立差值对平均值的回归模型，然后计算基于回归的、随平均值变化的LoA。
• 方法间存在重复测量或配对数据：如果每个样本被两种方法多次测量，数据间存在相关性，标准的Bland-Altman方法需要扩展。可以考虑使用专门处理重复测量数据的混合效应模型。

5.3 生成可复现的分析报告

将整个分析流程脚本化，并保存最终图表，是保证研究可复现性的关键。我习惯将核心绘图函数封装起来，方便在不同项目中调用。

def create_bland_altman_plot(df, method_a_col, method_b_col, title_suffix=""):
    """
    创建Bland-Altman图的函数
    参数:
        df: 包含数据的DataFrame
        method_a_col: 方法A的列名
        method_b_col: 方法B的列名
        title_suffix: 图表标题的后缀
    返回:
        plotly.graph_objects.Figure 对象
    """
    df_plot = df.copy()
    df_plot['Average'] = (df_plot[method_a_col] + df_plot[method_b_col]) / 2
    df_plot['Difference'] = df_plot[method_a_col] - df_plot[method_b_col]

    mean_diff = df_plot['Difference'].mean()
    std_diff = df_plot['Difference'].std()
    upper_loa = mean_diff + 1.96 * std_diff
    lower_loa = mean_diff - 1.96 * std_diff

    fig = go.Figure()
    # ... (此处插入前面优化过的绘图代码)
    fig.add_trace(go.Scatter(x=df_plot['Average'], y=df_plot['Difference'], mode='markers'))
    fig.add_hline(y=mean_diff, line_dash="solid", line_color="blue")
    fig.add_hline(y=upper_loa, line_dash="dash", line_color="red")
    fig.add_hline(y=lower_loa, line_dash="dash", line_color="red")
    fig.add_hline(y=0, line_dash="dot", line_color="orange")

    fig.update_layout(
        title=f'Bland-Altman Plot {title_suffix}',
        xaxis_title='Average of Methods',
        yaxis_title=f'Difference ({method_a_col} - {method_b_col})',
        template='plotly_white'
    )
    return fig, {'mean_bias': mean_diff, 'upper_loa': upper_loa, 'lower_loa': lower_loa}

# 使用函数
fig, stats = create_bland_altman_plot(df, 'Method_A', 'Method_B', title_suffix="(Simulated Data)")
fig.show()
print(f"分析统计量: {stats}")
# 保存图表
fig.write_html("final_bland_altman_analysis.html")
fig.write_image("final_bland_altman_analysis.png", scale=2) # 需要安装kaleido

将图表保存为HTML可以在浏览器中保留交互性，保存为PNG或PDF则可以方便地插入论文或演示文稿。在实际项目中，这套从数据准备、计算、绘图到解读和封装的完整流程，能显著提升你处理一致性评价任务的效率与专业性。