3. 雷达图的原理与可视化优势总结

雷达图，也叫蜘蛛网图或极坐标图。说白了一点，它就是用来展示多个维度的综合能力。你想想看，我们在评估一个先导化合物的时候，是不是要看它的活性、选择性、溶解度、代谢稳定性这一大堆指标？把这些东西堆在一张表格里，眼睛都看花了。但放在雷达图上，一张图就能告诉你这个分子好不好。

3.1 雷达图的构造逻辑

雷达图的底子其实很简单。它就像一个圆形的坐标网格，从中心点往外辐射出N条轴，每条轴对应一个指标。中心是最低点，圆周是最高点。我刚开始用的时候，总觉得它就是个花架子。直到有一次，我要在项目汇报里比较五个分子的六项参数，表格贴了三页纸，领导直接问了句——「你直接告诉我哪个最好？」。

嗯，从那以后我就老老实实画雷达图了。

雷达图的几个核心部件：

• 轴（维度）：每个轴代表一个评估指标，比如 logP、溶解度、IC50 值。轴的数量从3到20都能画，但我个人建议别超过10个，否则图会变得跟蜘蛛网一样密，看不清了。
• 同心圆网格：用来标定数值刻度，通常是0%、25%、50%、75%、100%。
• 数据多边形：把每个轴上的点连起来，形成一个闭合的多边形。这个多边形形状越饱满，说明分子在这个体系里的综合表现越均衡。

一个标准的雷达图构建流程是这样的：

# 简化版雷达图坐标计算（极坐标转直角坐标）
import math

def radar_coords(values, labels):
    n = len(values)
    angles = [2 * math.pi * i / n for i in range(n)]
    coords = []
    for i in range(n):
        x = values[i] * math.cos(angles[i])
        y = values[i] * math.sin(angles[i])
        coords.append((x, y))
    # 闭合多边形
    coords.append(coords[0])
    return coords

# 示例：三个指标的坐标
vals = [0.8, 0.6, 0.9]  # 归一化后的数值
pts = radar_coords(vals, ['活性', '选择性', '溶解度'])
print(pts)

3.2 核心原理：极坐标下的数据编码

雷达图的本质是什么？它其实是一种极坐标下的平行坐标图。每个轴之间的夹角相等，所有数据点都落在相同的角度网格上。为什么它能同时比较那么多维度？因为它在几何上做了一件很聪明的事——面积编码。

你想想看，我们在药物化学里比较两个分子，A分子的各项指标都在中上水平，B分子有两项特别突出但另外三项很差。表格里很难一眼看出差异。但雷达图上，A的面积是饱满的八边形，B则是缺角的畸形形状。这就是视觉的直觉力量。

我回忆有一次优化一个激酶抑制剂项目，两个候选分子在Excel表里分数几乎一样，但雷达图一画，一个像完好的盾牌，一个像被啃过的饼干。团队一致选择了那个形状更好的分子——后来的实验数据也确实验证了这个判断。

雷达图的数学原理可以概括为三点：

3.3 为什么说雷达图最适合做先导化合物优化对比

这个问题我问过自己很多次。条形图不也能比吗？热图不也能看吗？是的，都能看，但雷达图有它不可替代的地方。我总结了五条核心优势：

1. 一目了然的「形状记忆」：人脑对形状的识别速度远快于数字。看到一个饱满的六边形，你就知道这是个均衡的分子。看到一个歪歪扭扭的形状，你就知道它有问题。
2. 多维度同时对比：我可以在同一张图上叠加优化前后的状态，用不同颜色区分。这个能力是条形图很难做到的——条形图叠在一起会打架。
3. 短板暴露无遗：哪个轴上的点缩进去了一大截，那就是你需要关注的问题点。我在项目里经常说「你看它的代谢稳定性那根轴，都快缩到中心了」。
4. 归一化后直接比较：不同量纲的指标（比如 nM 和 mg/mL）归一化到0-1后，放在同一张图上完全不违和。不用管单位，只看趋势。
5. 适合决策汇报：给非技术背景的同事看，他们也能看懂哪条线更好。我一般就说「线围起来的面积越大，这个分子越靠谱」。

一个实战经验：我记得有次评审会，一个组把七个优化版本的雷达图叠在一起，用透明度区分。那张图一放出来，所有人都沉默了五秒钟——然后直接指出了两个最强的候选。这就是雷达图的力量。它不是展示数据，它是帮你「看见」数据。

3.4 避坑指南：雷达图的三个常见误区

用了这么多年雷达图，我也栽过不少跟头。下面几个坑，我建议大家提前避开。

我曾经遇到过一次惨痛教训。在那个项目中，我把溶解度、代谢稳定性、血脑屏障穿透性三个指标放在同一张雷达图上，结果血脑屏障穿透性这个指标是「越低越好」，其他指标是「越高越好」。一画出来，那个分子的形状极其诡异。后来我才意识到，必须把所有指标统一成「越高越好」的方向，否则雷达图会误导你。

下面这个表是我踩过的坑，直接列出来帮你省时间：

误区	表现	正确的做法
指标方向不一致	有些越高越好，有些越低越好	统一归一化方向，或者对逆向指标做倒数变换
轴数过多	超过12个轴导致图形混乱	合并同类指标，或者只保留最关键的8-10个
忽略重叠的线	优化前后线条完全重合	使用透明度（alpha）或线宽区分，或者只展示有显著变化的维度

一个小技巧：如果你发现优化前后的雷达图几乎完全重叠，别急着说「没效果」。先检查一下是不是数据归一化的范围太窄了。我习惯把每个指标的最大值设定为「理想值」，而不是「当前最大值」。这样才有比较的空间。

3.5 雷达图的整体知识框架

下面这张SVG图，我把雷达图的整个知识体系串了一下。从原始数据收集、归一化处理，到极坐标映射、图形绘制，最终落到多分子对比和决策支持。你可以把它当作一个思维导图来看。

3.6 小结：雷达图不是万能的，但它是目前最好的

写到这里，我想你应该能看出来，雷达图在药物化学领域的地位就跟质谱在结构鉴定里的地位一样——不是唯一的工具，但却是最趁手的那个。我做了这么多年数据可视化，坦白说，真正能在汇报里「一图胜千言」的图表类型并不多，雷达图算一个。

当然，雷达图也有它的局限性。比如它不适合做精确定量——你想知道A分子比B分子好多少百分比？直接读数字吧，不要看图。还有，当维度超过12条时，图上的线条就会密集到让人头疼。这种情况我建议你改用平行坐标图或者分面雷达图。

但话说回来，在先导化合物优化这个场景里，我们关注的核心问题是什么？是「这个分子比上一个进步了没有」。而雷达图给出的答案是——「你看，它的形状变饱满了」。这就够了。

回顾一下今天的内容：

• 雷达图基于极坐标系，每条轴对应一个指标，多边形面积代表综合表现。
• 归一化是关键：必须统一指标方向，全部变成「越高越好」。
• 优势在于形状记忆和多维度同时对比，特别适合做优化前后对照。
• 注意避免过量维度、方向不一致、以及线条重叠带来的误导。
← 上一章 📖 返回目录 下一章 →