Matplotlib Annotate：轻松为图表添加注释和标记|极客教程

Matplotlib Annotate：轻松为图表添加注释和标记

Matplotlib是Python中最流行的数据可视化库之一，它提供了丰富的功能来创建各种类型的图表和绘图。在数据可视化中，为图表添加注释和标记是一个非常重要的步骤，它可以帮助我们突出显示重要信息，解释数据点的含义，或者为图表添加额外的上下文。Matplotlib的annotate函数就是为此而设计的，它允许我们在图表上添加文本注释和箭头，使我们的可视化更加清晰和信息丰富。

在本文中，我们将深入探讨Matplotlib的annotate函数，了解它的用法、参数和各种应用场景。我们将通过多个示例来展示如何使用annotate函数来增强图表的可读性和表现力。无论你是数据科学家、研究人员还是学生，掌握annotate函数都将帮助你创建更专业、更有洞察力的数据可视化。

1. Matplotlib Annotate的基本用法

annotate函数是Matplotlib中用于添加注释的主要工具。它的基本语法如下：

plt.annotate(text, xy, xytext=None, xycoords='data', textcoords='data', arrowprops=None, **kwargs)

让我们来看一个简单的例子，了解annotate的基本用法：

import matplotlib.pyplot as plt
import numpy as np

# 创建数据
x = np.linspace(0, 10, 100)
y = np.sin(x)

# 创建图表
plt.figure(figsize=(10, 6))
plt.plot(x, y, label='sin(x)')

# 添加注释
plt.annotate('Maximum', xy=(np.pi/2, 1), xytext=(np.pi/2, 1.2),
             arrowprops=dict(facecolor='black', shrink=0.05),
             horizontalalignment='center')

plt.title('Sine Wave with Annotation - how2matplotlib.com')
plt.xlabel('x')
plt.ylabel('y')
plt.legend()
plt.grid(True)
plt.show()

Output:

Matplotlib Annotate：轻松为图表添加注释和标记

在这个例子中，我们绘制了一个正弦波，并在其最大值处添加了一个注释。annotate函数的主要参数如下：

text：要显示的注释文本。
xy：要标注的点的坐标。
xytext：注释文本的坐标。如果不指定，默认与xy相同。
arrowprops：箭头的属性，这里我们设置了箭头的颜色和收缩比例。

2. 自定义注释样式

annotate函数提供了多种方式来自定义注释的样式。我们可以调整文本的大小、颜色、字体，以及箭头的样式和颜色。下面是一个更复杂的例子：

import matplotlib.pyplot as plt
import numpy as np

x = np.linspace(0, 10, 100)
y = np.exp(-x/10) * np.cos(2*np.pi*x)

plt.figure(figsize=(12, 7))
plt.plot(x, y)

plt.annotate('Damped oscillation', xy=(5, 0.3), xytext=(7, 0.4),
             arrowprops=dict(facecolor='red', shrink=0.05, width=2, headwidth=10),
             fontsize=14, color='blue',
             bbox=dict(boxstyle="round,pad=0.5", fc="yellow", ec="b", lw=2))

plt.title('Customized Annotation Style - how2matplotlib.com')
plt.xlabel('Time')
plt.ylabel('Amplitude')
plt.grid(True)
plt.show()

Output:

Matplotlib Annotate：轻松为图表添加注释和标记

在这个例子中，我们使用了以下技巧来自定义注释：

使用fontsize和color参数来设置文本的大小和颜色。
使用arrowprops字典来详细定义箭头的属性，包括颜色、宽度和箭头大小。
使用bbox参数为文本添加一个背景框，并自定义其样式。

3. 使用不同的坐标系

annotate函数允许我们使用不同的坐标系来指定注释的位置。这在某些情况下非常有用，例如当我们想要相对于图表的某个特定位置放置注释时。以下是一些常用的坐标系：

'data'：默认值，使用数据坐标系。
'axes'：使用轴的相对坐标（0-1）。
'figure'：使用图形的相对坐标（0-1）。
'offset points'：相对于xy点的偏移（以点为单位）。

让我们看一个使用不同坐标系的例子：

import matplotlib.pyplot as plt
import numpy as np

x = np.linspace(0, 10, 100)
y = np.sin(x)

fig, ax = plt.subplots(figsize=(10, 6))
ax.plot(x, y)

# 使用数据坐标系
ax.annotate('Data coords', xy=(5, 0.5), xycoords='data',
            xytext=(0.8, 0.95), textcoords='axes fraction',
            arrowprops=dict(facecolor='black', shrink=0.05),
            horizontalalignment='right', verticalalignment='top')

# 使用轴坐标系
ax.annotate('Axes coords', xy=(0.2, 0.2), xycoords='axes fraction',
            xytext=(0.8, 0.2), textcoords='axes fraction',
            arrowprops=dict(facecolor='blue', shrink=0.05),
            horizontalalignment='right', verticalalignment='bottom')

# 使用图形坐标系
ax.annotate('Figure coords', xy=(0.1, 0.1), xycoords='figure fraction',
            xytext=(0.9, 0.9), textcoords='figure fraction',
            arrowprops=dict(facecolor='red', shrink=0.05),
            horizontalalignment='right', verticalalignment='top')

plt.title('Different Coordinate Systems - how2matplotlib.com')
plt.xlabel('x')
plt.ylabel('y')
plt.grid(True)
plt.show()

Output:

Matplotlib Annotate：轻松为图表添加注释和标记

在这个例子中，我们使用了三种不同的坐标系来放置注释：

数据坐标系：注释的起点使用数据坐标，而文本位置使用轴的相对坐标。
轴坐标系：注释的起点和文本位置都使用轴的相对坐标。
图形坐标系：注释的起点和文本位置都使用图形的相对坐标。

4. 添加多个注释

在复杂的图表中，我们可能需要添加多个注释来突出显示不同的特征或数据点。以下是一个添加多个注释的例子：

import matplotlib.pyplot as plt
import numpy as np

x = np.linspace(0, 10, 1000)
y1 = np.sin(x)
y2 = np.cos(x)

fig, ax = plt.subplots(figsize=(12, 8))
ax.plot(x, y1, label='sin(x)')
ax.plot(x, y2, label='cos(x)')

# 添加多个注释
ax.annotate('sin(x) maximum', xy=(np.pi/2, 1), xytext=(np.pi/2, 1.3),
            arrowprops=dict(facecolor='black', shrink=0.05))

ax.annotate('cos(x) maximum', xy=(0, 1), xytext=(0, 1.3),
            arrowprops=dict(facecolor='blue', shrink=0.05))

ax.annotate('Intersection', xy=(np.pi/4, np.sqrt(2)/2), xytext=(np.pi/4, 0),
            arrowprops=dict(facecolor='red', shrink=0.05))

plt.title('Multiple Annotations - how2matplotlib.com')
plt.xlabel('x')
plt.ylabel('y')
plt.legend()
plt.grid(True)
plt.show()

Output:

Matplotlib Annotate：轻松为图表添加注释和标记

在这个例子中，我们绘制了正弦和余弦函数，并添加了三个注释：

正弦函数的最大值
余弦函数的最大值
两个函数的交点

通过添加多个注释，我们可以突出显示图表中的多个重要特征，使图表更加信息丰富。

5. 使用注释来创建图例

虽然Matplotlib提供了内置的图例功能，但有时我们可能想要创建自定义的图例或标签。annotate函数可以用来创建这样的自定义图例。以下是一个例子：

import matplotlib.pyplot as plt
import numpy as np

x = np.linspace(0, 10, 100)
y1 = np.sin(x)
y2 = np.cos(x)

fig, ax = plt.subplots(figsize=(10, 6))
ax.plot(x, y1, 'b-')
ax.plot(x, y2, 'r--')

# 使用注释创建自定义图例
ax.annotate('sin(x)', xy=(5, 0.5), xytext=(6, 0.8),
            arrowprops=dict(facecolor='blue', shrink=0.05))
ax.annotate('cos(x)', xy=(5, -0.5), xytext=(6, -0.8),
            arrowprops=dict(facecolor='red', shrink=0.05, linestyle='--'))

plt.title('Custom Legend using Annotations - how2matplotlib.com')
plt.xlabel('x')
plt.ylabel('y')
plt.grid(True)
plt.show()

Output:

Matplotlib Annotate：轻松为图表添加注释和标记

在这个例子中，我们没有使用Matplotlib的内置图例，而是使用annotate函数创建了自定义的图例。这种方法给了我们更多的灵活性，可以精确控制图例的位置和样式。

6. 动态注释

在某些情况下，我们可能需要根据数据动态地添加注释。例如，我们可能想要标注数据集中的最大值和最小值。以下是一个动态添加注释的例子：

import matplotlib.pyplot as plt
import numpy as np

np.random.seed(42)
x = np.linspace(0, 10, 50)
y = np.random.rand(50) * 5

fig, ax = plt.subplots(figsize=(10, 6))
ax.plot(x, y)

# 找到最大值和最小值
max_index = np.argmax(y)
min_index = np.argmin(y)

# 动态添加注释
ax.annotate(f'Maximum: {y[max_index]:.2f}', xy=(x[max_index], y[max_index]), 
            xytext=(x[max_index], y[max_index]+0.5),
            arrowprops=dict(facecolor='red', shrink=0.05))

ax.annotate(f'Minimum: {y[min_index]:.2f}', xy=(x[min_index], y[min_index]), 
            xytext=(x[min_index], y[min_index]-0.5),
            arrowprops=dict(facecolor='blue', shrink=0.05))

plt.title('Dynamic Annotations - how2matplotlib.com')
plt.xlabel('x')
plt.ylabel('y')
plt.grid(True)
plt.show()

Output:

Matplotlib Annotate：轻松为图表添加注释和标记

在这个例子中，我们生成了一些随机数据，然后使用NumPy的argmax和argmin函数找到最大值和最小值的索引。然后，我们使用这些索引来动态地添加注释，标注出数据集中的最大值和最小值。

7. 注释文本的对齐

annotate函数允许我们精确控制注释文本的对齐方式。这在避免文本与其他元素重叠或确保文本位于期望位置时非常有用。以下是一个展示不同文本对齐方式的例子：

import matplotlib.pyplot as plt
import numpy as np

x = np.linspace(0, 10, 100)
y = np.sin(x)

fig, ax = plt.subplots(figsize=(12, 8))
ax.plot(x, y)

alignments = ['left', 'center', 'right']
verticalalignments = ['bottom', 'center', 'top']

for i, align in enumerate(alignments):
    for j, valign in enumerate(verticalalignments):
        ax.annotate(f'({align}, {valign})', xy=(i*3+1, j*0.5-1),
                    xytext=(i*3+1, j*0.5-0.5),
                    horizontalalignment=align,
                    verticalalignment=valign,
                    arrowprops=dict(facecolor='black', shrink=0.05))

plt.title('Text Alignment in Annotations - how2matplotlib.com')
plt.xlabel('x')
plt.ylabel('y')
plt.grid(True)
plt.show()

Output:

Matplotlib Annotate：轻松为图表添加注释和标记

在这个例子中，我们创建了一个3×3的网格，展示了所有可能的水平和垂直对齐组合。这包括：

水平对齐：左对齐、居中对齐、右对齐
垂直对齐：底部对齐、居中对齐、顶部对齐

通过调整horizontalalignment和verticalalignment参数，我们可以精确控制注释文本的位置。

8. 使用注释创建文本框

annotate函数不仅可以用来创建带箭头的注释，还可以用来创建独立的文本框。这在需要在图表上添加额外信息或解释时非常有用。以下是一个创建文本框的例子：

import matplotlib.pyplot as plt
import numpy as npx = np.linspace(0, 10, 100)
y = np.sin(x)

fig, ax = plt.subplots(figsize=(10, 6))
ax.plot(x, y)

# 创建文本框
textstr = '''
This is a sine wave.
Amplitude: 1
Period: 2π
'''

props = dict(boxstyle='round', facecolor='wheat', alpha=0.5)
ax.text(0.05, 0.95, textstr, transform=ax.transAxes, fontsize=14,
        verticalalignment='top', bbox=props)

plt.title('Text Box using Annotations - how2matplotlib.com')
plt.xlabel('x')
plt.ylabel('y')
plt.grid(True)
plt.show()

在这个例子中，我们使用ax.text()函数（它与annotate函数密切相关）来创建一个文本框。我们设置了以下属性：

transform=ax.transAxes：使用轴的相对坐标系。
bbox：设置文本框的样式，包括背景颜色和透明度。

这种方法可以用来添加图表的描述、数据来源、或其他重要信息。

9. 注释中使用数学公式

Matplotlib支持在注释中使用LaTeX风格的数学公式，这在创建科学或技术图表时非常有用。以下是一个在注释中使用数学公式的例子：

import matplotlib.pyplot as plt
import numpy as np

x = np.linspace(-2*np.pi, 2*np.pi, 100)
y = np.sin(x)

fig, ax = plt.subplots(figsize=(10, 6))
ax.plot(x, y)

# 添加带数学公式的注释
ax.annotate(r'f(x) = \sin(x)', xy=(0, 0), xytext=(1, 0.5),
            arrowprops=dict(facecolor='black', shrink=0.05),
            fontsize=16)

ax.annotate(r'\frac{d}{dx}\sin(x) = \cos(x)', xy=(np.pi/2, 1), 
            xytext=(np.pi/2, 1.5),
            arrowprops=dict(facecolor='blue', shrink=0.05),
            fontsize=16)

plt.title('Mathematical Formulas in Annotations - how2matplotlib.com')
plt.xlabel('x')
plt.ylabel('y')
plt.grid(True)
plt.show()

Output:

Matplotlib Annotate：轻松为图表添加注释和标记

在这个例子中，我们使用了两个带有数学公式的注释：

正弦函数的表达式
正弦函数的导数

注意，我们在字符串前使用了r前缀，这是为了处理原始字符串，避免反斜杠被解释为转义字符。数学公式需要包含在$符号中。

10. 注释的交互性

Matplotlib还支持创建交互式注释，这在探索性数据分析中非常有用。以下是一个创建可拖动注释的例子：

import matplotlib.pyplot as plt
import numpy as np
from matplotlib.offsetbox import AnnotationBbox, TextArea

x = np.linspace(0, 10, 100)
y = np.sin(x)

fig, ax = plt.subplots(figsize=(10, 6))
ax.plot(x, y)

# 创建可拖动的注释
offsetbox = TextArea("Drag me!", textprops=dict(color="r"))

ab = AnnotationBbox(offsetbox, (5, 0),
                    xybox=(0, 0),
                    xycoords='data',
                    boxcoords="offset points",
                    box_alignment=(0.5, 0.5),
                    arrowprops=dict(arrowstyle="->"))

ax.add_artist(ab)

plt.title('Draggable Annotation - how2matplotlib.com')
plt.xlabel('x')
plt.ylabel('y')
plt.grid(True)

def update(event):
    if ab.contains(event)[0]:
        ab.xy = event.xdata, event.ydata
        plt.draw()

fig.canvas.mpl_connect('button_press_event', update)
fig.canvas.mpl_connect('button_release_event', update)
fig.canvas.mpl_connect('motion_notify_event', update)

plt.show()

Output:

Matplotlib Annotate：轻松为图表添加注释和标记

在这个例子中，我们创建了一个可拖动的注释。用户可以点击并拖动注释到图表的任何位置。这种交互性可以帮助用户更好地探索数据，特别是在复杂的图表中。

11. 注释的样式化

Matplotlib提供了丰富的选项来样式化注释，包括改变字体、颜色、大小、透明度等。以下是一个展示各种样式选项的例子：

import matplotlib.pyplot as plt
import numpy as np

x = np.linspace(0, 10, 100)
y = np.sin(x)

fig, ax = plt.subplots(figsize=(12, 8))
ax.plot(x, y)

# 基本注释
ax.annotate('Basic', xy=(2, np.sin(2)), xytext=(3, 0.5),
            arrowprops=dict(facecolor='black', shrink=0.05))

# 自定义颜色和字体
ax.annotate('Custom Color & Font', xy=(4, np.sin(4)), xytext=(5, 0.8),
            arrowprops=dict(facecolor='red', shrink=0.05),
            color='blue', fontsize=14, fontfamily='serif')

# 带背景的注释
ax.annotate('With Background', xy=(6, np.sin(6)), xytext=(7, -0.5),
            arrowprops=dict(facecolor='green', shrink=0.05),
            bbox=dict(boxstyle="round,pad=0.3", fc="yellow", ec="green", lw=2))

# 带阴影的注释
ax.annotate('With Shadow', xy=(8, np.sin(8)), xytext=(9, 0.7),
            arrowprops=dict(facecolor='purple', shrink=0.05),
            bbox=dict(boxstyle="round,pad=0.3", fc="white", ec="purple", lw=2, alpha=0.8),
            path_effects=[plt.patheffects.withSimplePatchShadow()])

plt.title('Styled Annotations - how2matplotlib.com')
plt.xlabel('x')
plt.ylabel('y')
plt.grid(True)
plt.show()

在这个例子中，我们展示了四种不同样式的注释：

基本注释：使用默认样式。
自定义颜色和字体：改变了文本颜色、大小和字体。
带背景的注释：添加了一个带颜色的背景框。
带阴影的注释：添加了阴影效果。

通过组合这些样式选项，我们可以创建出非常独特和引人注目的注释。

12. 在3D图表中使用注释

Matplotlib不仅支持2D图表的注释，还支持3D图表的注释。以下是一个在3D图表中添加注释的例子：

import matplotlib.pyplot as plt
import numpy as np
from mpl_toolkits.mplot3d import Axes3D

fig = plt.figure(figsize=(10, 8))
ax = fig.add_subplot(111, projection='3d')

# 创建数据
x = np.linspace(-5, 5, 100)
y = np.linspace(-5, 5, 100)
X, Y = np.meshgrid(x, y)
Z = np.sin(np.sqrt(X**2 + Y**2))

# 绘制3D表面
surf = ax.plot_surface(X, Y, Z, cmap='viridis')

# 添加3D注释
ax.text2D(0.05, 0.95, "3D Surface Plot", transform=ax.transAxes)
ax.text(0, 0, 1, "Peak", color='red')
ax.text(5, 5, -1, "Valley", color='blue')

plt.title('3D Annotations - how2matplotlib.com')
ax.set_xlabel('X axis')
ax.set_ylabel('Y axis')
ax.set_zlabel('Z axis')

plt.show()

Output:

Matplotlib Annotate：轻松为图表添加注释和标记

在这个例子中，我们创建了一个3D表面图，并添加了三个注释：

使用text2D在2D平面上添加注释（通常用于标题或图例）。
在3D空间的峰值处添加”Peak”注释。
在3D空间的谷值处添加”Valley”注释。

注意，在3D图表中添加注释时，我们需要指定x、y和z坐标。

13. 使用注释创建标注线

注释不仅可以用来添加文本，还可以用来创建标注线，这在强调某些数据点或区域时非常有用。以下是一个使用注释创建标注线的例子：

import matplotlib.pyplot as plt
import numpy as np

x = np.linspace(0, 10, 100)
y = np.sin(x)

fig, ax = plt.subplots(figsize=(10, 6))
ax.plot(x, y)

# 创建垂直标注线
ax.annotate('', xy=(np.pi, 1), xytext=(np.pi, -1),
            arrowprops=dict(arrowstyle='-', color='r', lw=2))

# 创建水平标注线
ax.annotate('', xy=(0, 0), xytext=(2*np.pi, 0),
            arrowprops=dict(arrowstyle='-', color='g', lw=2))

# 添加文本说明
ax.text(np.pi, -1.1, 'π', ha='center')
ax.text(2*np.pi, 0.1, '2π', ha='center')

plt.title('Annotation Lines - how2matplotlib.com')
plt.xlabel('x')
plt.ylabel('y')
plt.grid(True)
plt.show()

Output:

Matplotlib Annotate：轻松为图表添加注释和标记

在这个例子中，我们使用annotate函数创建了两条标注线：

一条垂直的红色线，标注x=π的位置。
一条水平的绿色线，标注y=0的位置。

我们还添加了文本标签来解释这些线的含义。通过这种方式，我们可以突出显示图表中的重要特征或参考点。

14. 使用注释创建放大图

在某些情况下，我们可能想要在图表中显示某个区域的放大视图。我们可以使用annotate函数来实现这一点。以下是一个创建放大图的例子：

import matplotlib.pyplot as plt
import numpy as np

def zoom_effect(ax1, ax2, xmin, xmax, **kwargs):
    tt = ax1.transScale + (ax1.transLimits + ax2.transAxes)
    trans = tt.inverted()
    x1, y1 = trans.transform((xmin, 0))
    x2, y2 = trans.transform((xmax, 1))
    ax2.set_xlim(xmin, xmax)
    ax2.set_ylim(0, 1)
    ax1.plot([xmin, xmin, xmax, xmax], [y1, y2, y2, y1], **kwargs)

x = np.linspace(0, 10, 1000)
y = np.sin(x) + 0.1 * np.random.randn(1000)

fig, (ax1, ax2) = plt.subplots(2, 1, figsize=(10, 8))
ax1.plot(x, y)
ax2.plot(x, y)

zoom_effect(ax1, ax2, 3, 4, color="red", linewidth=2)

ax1.set_title('Main Plot - how2matplotlib.com')
ax2.set_title('Zoomed Area')

plt.tight_layout()
plt.show()

Output:

Matplotlib Annotate：轻松为图表添加注释和标记

在这个例子中，我们创建了两个子图：

主图显示完整的数据。
第二个图显示放大的区域。

我们使用自定义的zoom_effect函数来创建连接两个图的线条，这些线条指示了放大的区域。这种技术在需要同时显示全局视图和局部细节时非常有用。

15. 使用注释创建图例

虽然Matplotlib提供了内置的图例功能，但有时我们可能需要更灵活的图例。我们可以使用annotate函数来创建自定义的图例。以下是一个例子：

import matplotlib.pyplot as plt
import numpy as np

x = np.linspace(0, 10, 100)
y1 = np.sin(x)
y2 = np.cos(x)

fig, ax = plt.subplots(figsize=(10, 6))
ax.plot(x, y1, 'b-')
ax.plot(x, y2, 'r--')

# 创建自定义图例
ax.annotate('sin(x)', xy=(0.1, 0.95), xycoords='axes fraction',
            xytext=(0.2, 0.95), textcoords='axes fraction',
            arrowprops=dict(arrowstyle='-', color='blue'),
            va='center')

ax.annotate('cos(x)', xy=(0.1, 0.85), xycoords='axes fraction',
            xytext=(0.2, 0.85), textcoords='axes fraction',
            arrowprops=dict(arrowstyle='--', color='red'),
            va='center')

plt.title('Custom Legend using Annotations - how2matplotlib.com')
plt.xlabel('x')
plt.ylabel('y')
plt.grid(True)
plt.show()

在这个例子中，我们使用annotate函数创建了两个自定义的图例项：

一个蓝色实线表示sin(x)。
一个红色虚线表示cos(x)。

这种方法给了我们更多的控制权，可以精确地放置图例项，并且可以使用与实际绘图相同的线型和颜色。

## 16. 使用注释创建数据标签

在某些情况下，我们可能想要直接在数据点上添加标签。annotate函数可以很好地完成这个任务。以下是一个为散点图添加数据标签的例子：

import matplotlib.pyplot as plt
import numpy as np

np.random.seed(42)
x = np.random.rand(20)
y = np.random.rand(20)
names = [f'Point {i+1}' for i in range(20)]

fig, ax = plt.subplots(figsize=(10, 8))
ax.scatter(x, y)

for i, txt in enumerate(names):
    ax.annotate(txt, (x[i], y[i]), xytext=(5, 5), textcoords='offset points')

plt.title('Scatter Plot with Data Labels - how2matplotlib.com')
plt.xlabel('X')
plt.ylabel('Y')
plt.grid(True)
plt.show()

Output:

Matplotlib Annotate：轻松为图表添加注释和标记

在这个例子中，我们创建了一个散点图，并为每个点添加了一个标签。我们使用了以下技巧：

使用xytext参数来设置标签相对于数据点的偏移。
使用textcoords='offset points'来指定偏移量的单位为点。

这种方法在数据点不多且彼此间距较大时特别有用。

17. 使用注释创建文本箭头

有时，我们可能想要创建一个指向特定方向的文本箭头，而不是指向特定点。annotate函数也可以用来实现这一点。以下是一个例子：

import matplotlib.pyplot as plt
import numpy as np

x = np.linspace(0, 10, 100)
y = np.sin(x)

fig, ax = plt.subplots(figsize=(10, 6))
ax.plot(x, y)

ax.annotate('Increasing', xy=(5, 0), xytext=(5, 0.5),
            arrowprops=dict(facecolor='black', shrink=0.05),
            horizontalalignment='center')

ax.annotate('Decreasing', xy=(5, 0), xytext=(5, -0.5),
            arrowprops=dict(facecolor='black', shrink=0.05),
            horizontalalignment='center')

plt.title('Text Arrows using Annotations - how2matplotlib.com')
plt.xlabel('x')
plt.ylabel('y')
plt.grid(True)
plt.show()

Output:

Matplotlib Annotate：轻松为图表添加注释和标记

在这个例子中，我们创建了两个文本箭头：

一个向上的箭头，标注”Increasing”。
一个向下的箭头，标注”Decreasing”。

这种方法可以用来指示趋势或方向，而不需要指向具体的数据点。

18. 使用注释创建标注框

在某些情况下，我们可能想要在图表中突出显示某个区域。我们可以使用annotate函数来创建一个标注框。以下是一个例子：

import matplotlib.pyplot as plt
import numpy as np
from matplotlib.patches import Rectangle

x = np.linspace(0, 10, 100)
y = np.sin(x)

fig, ax = plt.subplots(figsize=(10, 6))
ax.plot(x, y)

# 创建一个矩形patch
rect = Rectangle((2, -0.5), 2, 1, fill=False, edgecolor='red')
ax.add_patch(rect)

# 添加标注
ax.annotate('Interesting\nRegion', xy=(3, -0.7), xytext=(5, -1),
            arrowprops=dict(facecolor='black', shrink=0.05),
            horizontalalignment='center')

plt.title('Annotation Box - how2matplotlib.com')
plt.xlabel('x')
plt.ylabel('y')
plt.grid(True)
plt.show()

Output:

Matplotlib Annotate：轻松为图表添加注释和标记

在这个例子中，我们做了以下操作：

创建了一个矩形patch来突出显示感兴趣的区域。
使用annotate函数添加了一个指向该区域的标注。

这种方法可以用来引导读者注意图表中的特定区域或特征。

19. 使用注释创建文本框组

有时，我们可能需要在图表上添加一组相关的文本框。我们可以使用annotate函数来创建这样的文本框组。以下是一个例子：

import matplotlib.pyplot as plt
import numpy as np

x = np.linspace(0, 10, 100)
y = np.sin(x)

fig, ax = plt.subplots(figsize=(12, 8))
ax.plot(x, y)

# 创建文本框组
textstr1 = 'Parameters:\n\n\omega=1\n\phi=0'
textstr2 = 'Equation:\n\ny = A\sin(\omega x + \phi)'
textstr3 = 'Amplitude:\n\nA=1'

props = dict(boxstyle='round', facecolor='wheat', alpha=0.5)

ax.text(0.05, 0.95, textstr1, transform=ax.transAxes, fontsize=14,
        verticalalignment='top', bbox=props)
ax.text(0.05, 0.65, textstr2, transform=ax.transAxes, fontsize=14,
        verticalalignment='top', bbox=props)
ax.text(0.05, 0.35, textstr3, transform=ax.transAxes, fontsize=14,
        verticalalignment='top', bbox=props)

plt.title('Text Box Group - how2matplotlib.com')
plt.xlabel('x')
plt.ylabel('y')
plt.grid(True)
plt.show()

Output:

Matplotlib Annotate：轻松为图表添加注释和标记

在这个例子中，我们创建了三个文本框：

一个显示参数值。
一个显示方程。
一个显示振幅。

这些文本框被放置在图表的左侧，形成一个信息组。这种方法可以用来在图表上添加大量的文本信息，而不会干扰主要的图形元素。

20. 使用注释创建交互式工具提示

最后，让我们看一个更高级的例子，使用注释来创建交互式工具提示。这在创建交互式图表时非常有用。

import matplotlib.pyplot as plt
import numpy as np

class AnnotationTip:
    def __init__(self, ax):
        self.ax = ax
        self.annot = ax.annotate("", xy=(0,0), xytext=(20,20),textcoords="offset points",
                                 bbox=dict(boxstyle="round", fc="w"),
                                 arrowprops=dict(arrowstyle="->"))
        self.annot.set_visible(False)

    def update_annot(self, ind):
        x,y = line.get_data()
        self.annot.xy = (x[ind["ind"][0]], y[ind["ind"][0]])
        text = f"({x[ind['ind'][0]]:.2f}, {y[ind['ind'][0]]:.2f})"
        self.annot.set_text(text)
        self.annot.get_bbox_patch().set_alpha(0.4)

    def hover(self, event):
        vis = self.annot.get_visible()
        if event.inaxes == self.ax:
            cont, ind = line.contains(event)
            if cont:
                self.update_annot(ind)
                self.annot.set_visible(True)
                fig.canvas.draw_idle()
            else:
                if vis:
                    self.annot.set_visible(False)
                    fig.canvas.draw_idle()

fig, ax = plt.subplots(figsize=(10, 6))
x = np.linspace(0, 10, 100)
y = np.sin(x)
line, = ax.plot(x, y)

annotation_tip = AnnotationTip(ax)
fig.canvas.mpl_connect("motion_notify_event", annotation_tip.hover)

plt.title('Interactive Tooltip - how2matplotlib.com')
plt.xlabel('x')
plt.ylabel('y')
plt.grid(True)
plt.show()