NetLogo细胞仿真结果分析：从数据到可视化证据链

如果跟着这个系列走到现在，你应该已经在 NetLogo 里搭出一群“会动”的细胞了。它们按你设定的规则分裂、游走、发生接触抑制，甚至在不同参数下呈现出完全不一样的群落面貌。但模型能跑只是第一步，真正的挑战从“跑完了”才开始：满屏的 agent 和一堆 tick 数据，到底怎么转成一张张能说明问题的图、一句句能支撑结论的话？

很多人第一次做细胞群体动力学仿真时，会陷入两种极端。要么盯着一张彩色快照反复看，觉得“好像有规律但说不出来”；要么把 BehaviorSpace 导出的表格直接扔进 Excel，面对几千行数据完全失去耐心。这两种状态我都经历过。第 9 期这个阶段，核心任务就一句话：把仿真结果变成能被自己理解、也能被别人信服的证据链。这篇文章我会结合 NetLogo 里真正好用的原生工具，以及外部数据分析和可视化的常见套路，把“结果分析”这件事讲透。适合那些已经跑通细胞模型基础逻辑、现在想认真对待输出数据的人阅读。

1. 先想清楚：细胞群体仿真里，结果分析到底要看什么

动手画图之前，先别急着按“Plot”按钮。仿真结果分析最大的坑，不是工具不会用，而是根本没想清楚自己要看哪一层数据。

1.1 微观、中观与宏观三个尺度的数据

细胞群体动力学和普通物理仿真不太一样，它的核心输出天然分布在三个尺度上。

微观层面关注的是单个细胞的行为。某个细胞从出生到分裂经历了多长时间？它在迁移过程中方向是不是随机？它是否长时间贴着另一个细胞不动？这些事件在 NetLogo 的 View 里看得最直观，你可以临时暂停模型，用鼠标右键点击一个细胞，点 Inspect，直接看它的 turtle 变量和状态。做机制类研究时，微观事件往往是模型规则的直接体现。

中观层面关注的是细胞群在空间上的分布模式。细胞是均匀铺开，还是聚成一团？迁移前沿是整齐的直线还是参差不齐的“指状凸起”？空间格局这类信息，单看全局数量曲线根本抓不到，但它往往是生物学现象里最有趣的部分。

宏观层面就是大家最熟悉的群体统计量：总细胞数随时间的变化、不同亚群的比例、平均增殖代数、死亡率。这些东西适合用 Plot 和 BehaviorSpace 来记录。分析时最好先把想回答的科学问题写下来，再去判断它落在哪个尺度上。否则很容易出现这种情况——做了几十次批量实验，最后只导出一张“平均总数量曲线”，完全浪费了空间信息，也丢掉了关键机制差异。

1.2 可复现实验：随机性和重复运行的基本功

NetLogo 几乎内置了随机过程。细胞移动方向、分裂概率、初始位置，只要涉及随机数，重复运行同一组参数，结果就一定会有波动。初学者最容易犯的错误，是拿单次运行的结果当“标准答案”。

一个规范的分析流程至少要在同一个参数组合下跑 5 到 10 次重复。重复次数太少，均值不稳定；太多，耗时成倍上涨。比较不同参数组时，如果两组数据的波动区间明显重叠，那它们之间的差异很可能来自随机性而不是机制差异。

想严格复现某次实验结果，NetLogo 里可以用random-seed 数字在 setup 阶段固定随机种子。平时做正式扫描时我更建议用不同种子跑多次，看的是整体稳定性；只有当你想回放某一次“特别有意思的异常演化”时，才需要去固定种子。

这里还有个小习惯，模型里引入了随机数，最终输出数据时一定要记录种子和重复编号。BehaviorSpace 默认会给每次运行一个 run number，但如果你是在代码里手动循环，很容易漏掉这个信息，后面做统计分析就抓瞎。

2. NetLogo 原生可视化的三件套：View、Plot 与 BehaviorSpace

很多人总觉得 NetLogo 的可视化能力弱，其实它自带的三件套在群体仿真里非常顺手，只是需要分别用对地方。

2.1 View：用来“观察过程”而不只是“出最终效果”

View 窗口最大的价值是让你在模型运行过程中看到动态过程。细胞的状态变化、位置的迁移、空间冲突，这些只有动起来才看得清。

设置 View 时有几个实用技巧。如果你用颜色编码细胞状态，不要只为了好看。比如正在增殖的细胞用亮色，进入静息状态或接触抑制的细胞变灰，观察时能一眼看出空间里哪些区域“活跃”，哪些区域“卡住”。NetLogo 支持根据变量动态改颜色，常见写法是在细胞状态变化时执行：

ask cells [ ifelse proliferating? [ set color orange ] [ set color gray ] ]

颜色太统一会导致分辨不清，颜色太多后期看图也累。一般建议不超过 5 种状态色，另外利用label变量标注个别特殊细胞或克隆系，比所有细胞都标注要干净得多。

暂停键是这个阶段最好的朋友。在模型跑到你关心的关键节点时暂停，手动拖动视图里的细胞去看看局部情况，往往能找到 plot 曲线里解释不了的现象。

2.2 Plot：让关键指标跟着 tick 走

Plot 是 NetLogo 内置的“实时趋势图”。如果你还没有使用 Plot，建议模型的所有核心指标至少都保留一个预览图。Plot 的配置入口在界面栏的 Plot 控件里，代码里也可以动态控制。

常用的代码逻辑是在 setup 里初始化画笔，在 go 里更新数据：

to setup-plot set-current-plot "种群数量" set-current-plot-pen "总数" plot count cells end to go ... update-plot end to update-plot set-current-plot "种群数量" set-current-plot-pen "总数" plot count cells end

实践中 Plot 最需要注意的是画布缩放。很多情况下折线初期暴涨，后期被压成一条直线，是因为 NetLogo 默认的自动缩放一直跟着最大值调整纵轴。这时选中 Plot 控件，在 Plot 设置里把 y 轴上下限固定，或是用代码设置：

set-plot-y-range 0 500

没有 y 轴范围的规划，画出来的曲线会误导自己。

Plot 控件并不适合做最终出版用图，它是让你在仿真过程中快速判断“这轮运行是否合理”的工具。当你看到曲线突变、长时间不增长或数值无限发散，马上可以暂停模型排查规则，而不是等到批量实验跑完才发现数据无效。

2.3 BehaviorSpace：批量参数扫描和报表输出

BehaviorSpace 是 NetLogo 的批量实验模块，它的地位在结果分析里几乎是不可替代的。你需要回答“初始密度从 50 到 200 时，系统怎么变”，手工一次次改参数不现实，BehaviorSpace 用一张表搞定。

新建实验时主要配置几个地方。第一是 Repetitions，也就是每组参数重复运行的次数。第二是 Measure runs using these reporters，即你希望在每一步记录哪些指标。这里建议把你关心的数字全部写成全局可调用的 report，例如count cells、mean [age] of cells、count patches with [pcolor = gray]。第三是 Measure every，这个值决定每隔多少 tick 记录一行。最小可以填 1，意味着每个 tick 都输出，但如果总模拟步数很长，文件会迅速膨胀。

用表格式输出时，NetLogo 会生成一个带[run number]、[step]和各参数列的表格。它在分析上非常方便，但缺点是每次实验只能保存成一个 txt 格式的文件，后续直接读入比较繁琐。

如果想更优雅地对接 Python，记得给模型添加 CSV 扩展：

extensions [csv] to export-current-csv csv:to-file "results/experiment1.csv">import pandas as pd df = pd.read_csv( "behavior_output.txt", sep="\t", # NetLogo 默认输出常常以 tab 分隔 skipinitialspace=True ) # 列名里通常包含 [run number] 之类的字段 df.columns = [c.strip().replace(" ", "_").replace("[", "").replace("]", "") for c in df.columns] # 真正关心的数值列转成 float for col in ["step", "count_cells", "mean_age"]: df[col] = pd.to_numeric(df[col], errors="coerce") # 去掉 step 为空的首行 df = df.dropna(subset=["step"]) # 按 run number 分组看数据 print(df.groupby("run_number")["step"].max())

一个值得注意的点是，NetLogo 导出时不同 run 之间会插入额外的元信息行。直接用 pandas 读入后，这些行会变成全是 NaN 的坏行，需要手动清洗。如果使用的版本支持直接导出 CSV，尽量走 CSV 路线，少一步转换，少一份麻烦。

3.3 匹配场景的图表选择与 Python 示例

数据清洗完，画图前要先想清楚自己想表达什么。根据你强调的内容不同，选图方向也不同。

时间序列趋势用折线图。如果你跑了多组参数，不要在同一个图里画 20 条线，视觉上会直接糊成一团。建议选取 3 到 5 组有代表性的参数，每组用均值曲线加标准差阴影带。

seaborn 里可以直接画置信带：

import seaborn as sns import matplotlib.pyplot as plt sns.lineplot( data=df, x="step", y="count_cells", hue="initial_density", errorbar=("sd", 1), # 显示标准差 ) plt.xlabel("仿真步数 (tick)") plt.ylabel("细胞总数") plt.tight_layout() plt.show()

如果想比较不同参数组合下的终态指标，比如“第 500 tick 时的总数在不同初始密度下的分布”，箱线图比折线图更能表现重复实验之间的离散程度。

空间格局需要把二维网格数据导出来画热力图。NetLogo 里可以提前把每个 patch 的状态记录成带 x、y 坐标的表格，用imshow呈现：

import numpy as np import matplotlib.pyplot as plt grid = np.zeros((60, 60)) for _, row in patch_df.iterrows(): grid[int(row["y"]), int(row["x"])] = row["occupied"] plt.imshow(grid, cmap="magma", origin="lower") plt.colorbar(label="占用状态") plt.axis("off") plt.show()

这种热力图对空间聚集和斑图结构的表达力，远胜于口头“细胞分布挺集中”的描述。

3.4 轨迹分析的可视化

细胞迁移是群体动力学里一块重要内容。如果模型里细胞会移动，单看某时刻位置的热图并不能反映迁移路径。你可以记录一部分标记细胞的轨迹，并用折线或者动态动画展示。

记录轨迹的基本做法是每隔一段时间记录细胞 id 和它的 x、y 坐标。后续用 pandas 按 id 分组画轨迹线：

fig, ax = plt.subplots(figsize=(6, 6)) for cell_id, group in traj_df.groupby("cell_id"): ax.plot(group["x"], group["y"], linewidth=0.5, alpha=0.7) ax.set_xlabel("x 坐标") ax.set_ylabel("y 坐标") ax.set_aspect("equal") plt.show()

一旦看到所有轨迹都朝一个方向偏移，或是大部分细胞在原地振动，你就能立刻反过来检查迁移规则的随机性和步长设置是否合理。

4. 细胞群体动力学的核心分析维度与指标设计

可视化只是分析的手段。真正想从结果得出机制性结论，需要设计一组可计算的指标，让“模式”变得可以被测量和比较。

4.1 时间序列指标：从数量到速率

最基本的指标自然是细胞总数或种群密度随时间的变化。对增殖模型，通常关心增长率。NetLogo 里count cells直接可用，但要计算“平均每 tick 的增殖数”，最好在代码里维护累计事件计数：

globals [birth-events] to setup set birth-events 0 end to birth-one-cell set birth-events birth-events + 1 ... end

由增长率可以进一步判断模型属于指数增长、logistic 增长还是受空间限制的饱和增长。如果只记录总细胞数，很难区分这三种模式。理想做法是把总细胞数曲线的增长区间用ln(N)对 step 做线性拟合，看斜率。

接触抑制类模型，还应该关注“拥挤区域”的面积变化——即有多少 patch 被细胞完全占满。这类指标在 NetLogo 里可以直接用count patches with [not any? turtles-here]反推空白区域。

4.2 空间格局指标：聚集、边界与扩散

细胞群体的空间分布很少是完全随机的，这时空间指标的重要性就显露出来了。

一个常用的简单指标是细胞间的最近邻距离。NetLogo 里计算所有细胞的平均最近邻距离并不复杂：

to-report mean-nearest-neighbor-distance let total 0 ask cells [ let nearest-neighbor min-one-of other cells [distance myself] if nearest-neighbor != nobody [ set total total + distance nearest-neighbor ] ] report total / count cells end

最近邻距离越小，说明细胞聚集越明显；如果平均值随模拟推进而下降，意味着细胞正在形成致密团块。

另一个更专业的指标是聚集指数或者香农熵。你可以把世界划分成若干个局部区域（例如 10×10 的格子），统计每个格子里的细胞数，计算空间分布熵。如果熵较低，说明细胞集中；熵接近随机分布的理论值，则说明空间上没有明显的聚集结构。

对于前沿推进型的模型，比如“细胞向外扩散”，可以跟踪最大扩张半径：

to-report max-front-radius report max [distancexy 0 0] of cells end

把平均半径对 step 平方根作图，如果呈线性关系，往往意味着扩散过程接近随机游走机制；如果半径增长停滞，可能是空间限制在起作用。

4.3 用“对照实验”验证机制假设

单看一个模型跑出来的曲线，最多只能描述现象，不能说明机制。想确认“接触抑制是否导致了观察到的饱和”，最好的办法是跑一个没有接触抑制的对照版本。

对照实验不需要单独建一个模型文件，在 NetLogo 里通常通过一个全局开关来实现：

globals [contact-inhibition?] to check-proliferation ifelse contact-inhibition? [ if count neighbors with [any? cells-here] < 4 [proliferate] ] [ proliferate ] end

然后在 BehaviorSpace 里把contact-inhibition?设为 true/false 两组，其他初始参数保持一致，各跑 10 次重复。最后比较两条总体增长曲线，或者比较终点时刻的总细胞数分布。如果对照组在达到相同初始条件后依然持续增长，而实验组趋于平稳，那么“接触抑制导致增长停滞”这个判断就更有支撑。

做这种比较时要记得记录足够多的重复，否则随机波动很容易淹没真实差异。得到两组数值后，别只画均值，最好画误差带或者箱线图，必要时用 t 检验或者 Mann-Whitney U 判断差异显著性。NetLogo 本身不做统计检验，把数据导出后用 Python 的scipy.stats是很顺的路径。

5. 一个真实复盘：从 run 数据到结论的完整流程

只讲工具不讲案例，总觉得缺了点什么。这里我以自己做过的一个“细胞接触抑制增殖-迁移模型”为例，复盘一遍从 run 到结论的完整流程。

5.1 模型设置与实验方案

模型的世界是一个 60×60 的网格，初始随机放置 30 个细胞。细胞规则很简单：

• 每个 tick，细胞以一定概率尝试向随机附近的空白格子迁移。
• 如果细胞周围八格中有超过 5 个格子被其他细胞占据，则本轮不分裂，否则按 0.02 的概率分裂出子细胞。

设置实验时的初始扫描变量是“接触抑制阈值”，我把它分别设为 3、5 和 7，以及一个极端的关闭项“无穷大”（即永不抑制），这样能对比阈值高低对群体扩张的影响。每组参数跑 8 个重复，每个重复跑 1000 tick，Measure every 10 tick。

BehaviorSpace 里 reporters 填了count cells、mean-nearest-neighbor-distance和max-front-radius。因为细胞数量在 1000 tick 内会从 30 涨到 2000 到 3000，开着 View 跑会非常缓慢，所以我正式跑的时候关闭了视图，只保留单元格统计输出。

5.2 从原始输出中提取规律

拿到输出后我先画了两张图。第一张是不同阈值下细胞总数随时间变化的折线图，每组画均值曲线并叠加标准差阴影。结果很直观：阈值 7 和阈值无穷大的曲线几乎重合，都表现出明显的增长饱和；阈值 3 的饱和速度更快，最终数量显著更低。

第二张图是平均最近邻距离随时间的曲线。这里出现了一个有意思的现象，阈值无穷大的组里，细胞平均最近邻距离一开始下降很快，随后又回升。原因是肿瘤样的细胞团在扩张过程中不停地挤压空间，部分迁出的细胞形成了新的孤立群落，整体密度反而变低了。若只看总数量曲线，完全看不到这种内部空间重构。

这种“数量趋势一致但空间模式不同”的局面，正好说明多维指标的必要性。一个只看总细胞数的分析，根本区分不了阈值 7 与无穷大之间的行为差异；而加入空间指标后，阈值 7 组还能看到边界更整齐、内部填充更密这类规律。

5.3 从图表中生成结论和图上标注

得到一个有价值的分析后，如果目的是写文章或做汇报，建议把关键图做成“带结论标注”的版本。不要只把图画出来就结束，要在图上标出重要事件点，比如曲线转折、饱和区间开始的位置。

像下面这样处理：

• 在折线图里用垂直线标记出“空间发生大面积接触抑制”的 tick。
• 用不同的标记符号区分不同阈值。
• 纵轴如果跨度太大，采用对数刻度能更好地区分早期指数增长段的差异。

我在画这类图时，习惯把 NetLogo 导出的 tick 转换成更有意义的相对时间。比如模型里规定 1 tick 代表 1 小时，那 1000 tick 就是约 42 天。图的横坐标写“天数”而不是“tick”，读起来直观得多，也方便与实验数据做对比。

当然，图上简洁、图下留有补充信息，是让读者理解细节的关键。我会在 figure note 里写明模型初始条件、参数组合、重复次数，保证别人拿着这篇博文也能复现整套分析。

6. 实操中遇到的坑与排查清单参考

工具用久了总会踩坑。下面这些是我在长期做 NetLogo 群体仿真的结果分析和可视化时遇到的典型问题，按“症状—原因—对策”整理出来，你可以直接对照排查。

6.1 常见问题速查表

6.2 排查过程里的几个检测习惯

遇到不合预期的仿真结果，不要马上怀疑可视化代码。第一步应该回模型里加一个 monitor，比如“当前细胞总数”“当前分裂次数”，确认模拟过程与预期一致。很多时候曲线诡异，不是因为绘图代码，而是模型规则里的逻辑有隐藏分支：例如细胞分裂瞬间被新占据的 patch 卡住，导致分裂概率实际远低于设定值。

第二步是“单步复盘”。把模型调到较慢的 tick 速度，在 go 过程中观察少数几个细胞。如果特定区域出现“环形空腔”或“长条状空白”，通常不是偶然，而是模型中相邻细胞间排斥或占据规则在空间尺度上的结果。这样的空间结构在 plot 曲线里永远看不到，一定要结合 View 的图像证据来解释。

第三步是减少变量做对照。如果多个参数同时变化，问题很难归因。例如初始密度和接触抑制阈值一起调，表面看到饱和后的数量差异，到底是哪个变量引起的？用 BehaviorSpace 时尽量单变量扫描，或至少在两变量交叉设计里保留一组“基准对照组”。

6.3 NetLogo 里做可视化分析的个人心得

如果让我给新手一句建议，那就是：所有指标在最开始就要想好“是否能导出成结构化数据”。我发现很多模型跑完，所有信息都只留在屏幕上，最后才想回头统计某个中间过程变量，结果发现代码根本没记录，只能重新跑一遍。

一个好的习惯是，在你的go过程里主动把关键状态写入一个全局列表，比如每个 tick 结束时的细胞数量、空间占用率、接触抑制事件数。这样哪怕 BehaviorSpace 崩了，只要模型不退出，你依然能从内存中提取当时的完整数据。

另外，不要迷信“把图和一切弄得很华丽”就等于分析很好。我见过不少初学者跑完模型，做的第一件事是把 View 截图放到论文里，觉得这就是可视化成果。实际上真正的可视化分析，至少要有动态过程记录、空间结构观测、参数扫描三种信息相互印证。一张静态截图能说明“细胞最终长满了区域”，但说明不了“它是如何一步步长满的”，更说明不了“参数扰动如何影响它”。

最后分享一个我自己的做法：每个模型文件夹里会同时保留模型.nlogo、分析.ipynb、results/三个东西。模型文件之外，把 BehaviorSpace 的配置、读数据代码、画图代码全部写成可复现的脚本。这样做的好处是，哪怕三个月后回头翻这个项目，也还能快速知道当时是怎么跑出那张关键图的。

这期内容基本覆盖了 NetLogo 细胞群体仿真从结果数据到可视化呈现的完整链路。核心思想并不复杂：先明确你要回答的问题，再选择对应层次的数据和指标；NetLogo 原生工具负责过程观察和趋势把握，外部工具负责统计分析和精细呈现；最终让视图、曲线、热图、统计检验共同支撑起结论，而不是靠单一图片讲故事。如果你手头正卡在“跑完模型不知道怎么输出结果”这一步，希望这套流程能帮你顺利跨过去。