配置图例¶

在可视化图形中使用图例，同时为图形元素分配不同标签。前面已有一些例子，现在我们中细节处探讨图例的绘制。

In [37]:

import matplotlib.pyplot as plt
plt.style.use('seaborn-v0_8-whitegrid')
plt.rcParams['font.sans-serif'] =['SimHei']  #设置字体为SimHei
plt.rcParams['axes.unicode_minus'] = False   #负号显式正常

import matplotlib.pyplot as plt plt.style.use('seaborn-v0_8-whitegrid') plt.rcParams['font.sans-serif'] =['SimHei'] #设置字体为SimHei plt.rcParams['axes.unicode_minus'] = False #负号显式正常

In [39]:

%matplotlib inline
import numpy as np

%matplotlib inline import numpy as np

In [41]:

x = np.linspace(0, 10, 1000)
fig, ax = plt.subplots()
ax.plot(x, np.sin(x), '-b', label='Sine')
ax.plot(x, np.cos(x), '--r', label='Cosine')
ax.axis('equal')
leg = ax.legend();

x = np.linspace(0, 10, 1000) fig, ax = plt.subplots() ax.plot(x, np.sin(x), '-b', label='Sine') ax.plot(x, np.cos(x), '--r', label='Cosine') ax.axis('equal') leg = ax.legend();

如果我们希望对图例设计进行个性化，则需要对各种参数比较熟悉。

In [44]:

ax.legend(loc='upper left', frameon=False)
fig

ax.legend(loc='upper left', frameon=False) fig

Out[44]:

也可以使用 ncol 命令来设置图例的标签的列数。

In [47]:

ax.legend(frameon=False, loc='lower center', ncol=2)
fig

ax.legend(frameon=False, loc='lower center', ncol=2) fig

Out[47]:

当然，还可以定制一个图例的圆角边框 (使用fancybox) ，或者添加阴影，改变外框透明程度 (framealpha 值) 等等，

In [50]:

ax.legend(fancybox=True, framealpha=0.9, shadow=True, borderpad=1)
fig

ax.legend(fancybox=True, framealpha=0.9, shadow=True, borderpad=1) fig

Out[50]:

选择图例的显示元素¶

默认情况下，使用图例会显示所有标记的图形要素。如果我们只希望显示部分图形要素的图例，可以通过 plt.plot() 绘制多条图形，返回线条实例列表。这样有两种方法显示部分线条图例。一是将需要显示的线条传入plt.legend()中；第二种方法是只为需要显示的列表设置标签即可。

In [53]:

#第一种方法
y = np.sin(x[:, np.newaxis] + np.pi * np.arange(0, 2, 0.5))
lines = plt.plot(x, y)

# 读入需要显示的图形列表
plt.legend(lines[:2], ['first', 'second']);

#第一种方法 y = np.sin(x[:, np.newaxis] + np.pi * np.arange(0, 2, 0.5)) lines = plt.plot(x, y) # 读入需要显示的图形列表 plt.legend(lines[:2], ['first', 'second']);

在实践中第一种方法更为清晰直接。在默认情况下，有标签的线条图例才会显示，只需要为显示的线条设定标签即可。

In [56]:

#第二种方法
plt.plot(x, y[:, 0], label='first')
plt.plot(x, y[:, 1], label='second')
plt.plot(x, y[:, 2:])
plt.legend(framealpha=1, frameon=True);

#第二种方法 plt.plot(x, y[:, 0], label='first') plt.plot(x, y[:, 1], label='second') plt.plot(x, y[:, 2:]) plt.legend(framealpha=1, frameon=True);

图例中显示不同尺寸的点¶

很多时候，默认的图例不能够满足我们的需求，如当你使用不同大小的点表示不同特征，也希望创建图例来说明，就需要针对性进行设置了。在下面的例子中，我们使用美国加州不同城市的人口数量，如果希望通过不同尺寸点来表示不同的人口规模，就可以通过一些隐藏的标签来实现。

In [59]:

import pandas as pd
cities = pd.read_csv('data/california_cities.csv')

# Extract the data we're interested in
lat, lon = cities['latd'], cities['longd']
population, area = cities['population_total'], cities['area_total_km2']

# Scatter the points, using size and color but no label
plt.scatter(lon, lat, label=None,
            c=np.log10(population), cmap='viridis',
            s=area, linewidth=0, alpha=0.5)
#plt.axis(aspect='equal')
plt.xlabel('经度')
plt.ylabel('纬度')
plt.colorbar(label='log$_{10}$(population)')
plt.clim(3, 7)

# 创建图例:
# 画一些带有标签和尺寸的空列表
for area in [100, 300, 500]:
    plt.scatter([], [], c='k', alpha=0.3, s=area,
                label=str(area) + ' km$^2$')
plt.legend(scatterpoints=1, frameon=False, labelspacing=1, title='城市区域')

plt.title('加州城市: 区域与人口');

import pandas as pd cities = pd.read_csv('data/california_cities.csv') # Extract the data we're interested in lat, lon = cities['latd'], cities['longd'] population, area = cities['population_total'], cities['area_total_km2'] # Scatter the points, using size and color but no label plt.scatter(lon, lat, label=None, c=np.log10(population), cmap='viridis', s=area, linewidth=0, alpha=0.5) #plt.axis(aspect='equal') plt.xlabel('经度') plt.ylabel('纬度') plt.colorbar(label='log$_{10}$(population)') plt.clim(3, 7) # 创建图例: # 画一些带有标签和尺寸的空列表 for area in [100, 300, 500]: plt.scatter([], [], c='k', alpha=0.3, s=area, label=str(area) + ' km$^2$') plt.legend(scatterpoints=1, frameon=False, labelspacing=1, title='城市区域') plt.title('加州城市: 区域与人口');

图例是图形中对象的参照，因此，如果我们希望显示何种图形，就需要先行画出来。但在本例中，我们想要的对象（灰色圆圈）并不在图形中，因此我们使用空列表将其画出来，由于图例不显示未作标签的点，因此创建了该类型图例。

需要说明，在地理信息数据处理时候，如果可以将州边界的图形显示出来，效果会更逼真。我们可以使用Matplotlib中的Basemap（底图）插件工具箱来实现。这部分内容我们会在地图绘制部分介绍。