Matplotlib图例中使用多列布局：提升数据可视化效果|极客教程

Matplotlib图例中使用多列布局：提升数据可视化效果

参考：Use multiple columns in a Matplotlib legend

在数据可视化中，图例是一个不可或缺的元素，它帮助读者理解图表中各种元素的含义。当我们需要在图表中展示大量数据系列时，单列的图例可能会占用过多的空间或者显得杂乱。Matplotlib提供了一种解决方案，允许我们在图例中使用多列布局。本文将详细介绍如何在Matplotlib中创建多列图例，以及如何优化图例的显示效果，从而提升整体的数据可视化质量。

为什么使用多列图例？

在处理复杂的数据可视化任务时，我们经常需要在一个图表中展示多个数据系列。随着数据系列数量的增加，传统的单列图例可能会面临以下问题：

占用过多垂直空间，挤压主图表区域。
图例过长，可能超出图表边界。
阅读困难，特别是在需要比较不同数据系列时。

多列图例可以有效解决这些问题，它能够：

更有效地利用水平空间，减少垂直方向的占用。
使图例更加紧凑，便于阅读和比较。
提高整体图表的美观度和专业性。

基本语法

在Matplotlib中，我们可以通过legend()函数的ncol参数来指定图例的列数。以下是基本语法：

import matplotlib.pyplot as plt
import numpy as np

# 创建示例数据
x = np.linspace(0, 10, 100)
y1 = np.sin(x)
y2 = np.cos(x)
y3 = np.tan(x)

# 绘制曲线
plt.plot(x, y1, label='Sin - how2matplotlib.com')
plt.plot(x, y2, label='Cos - how2matplotlib.com')
plt.plot(x, y3, label='Tan - how2matplotlib.com')

# 添加多列图例
plt.legend(ncol=3)  # 指定3列

plt.title('Trigonometric Functions')
plt.xlabel('x')
plt.ylabel('y')
plt.show()

Output:

Matplotlib图例中使用多列布局：提升数据可视化效果

在这个例子中，我们使用ncol=3来创建一个三列的图例。这个简单的修改就能显著改善图例的布局，使其更加紧凑和易读。

调整图例位置

图例的位置对于整体图表的平衡和美观至关重要。Matplotlib提供了多种方式来调整图例的位置：

使用预定义位置

import matplotlib.pyplot as plt
import numpy as np

x = np.linspace(0, 10, 100)
y1 = np.sin(x)
y2 = np.cos(x)
y3 = np.exp(-x/10)

plt.plot(x, y1, label='Sin - how2matplotlib.com')
plt.plot(x, y2, label='Cos - how2matplotlib.com')
plt.plot(x, y3, label='Exp - how2matplotlib.com')

# 使用预定义位置
plt.legend(ncol=3, loc='upper center')

plt.title('Functions with Legend at Upper Center')
plt.xlabel('x')
plt.ylabel('y')
plt.show()

Output:

Matplotlib图例中使用多列布局：提升数据可视化效果

在这个例子中，我们使用loc='upper center'将三列图例放置在图表的上方中央位置。Matplotlib提供了多个预定义位置，如’upper left’、’lower right’等，可以根据需要选择合适的位置。

使用坐标指定位置

import matplotlib.pyplot as plt
import numpy as np

x = np.linspace(0, 10, 100)
y1 = x**2
y2 = x**3
y3 = np.sqrt(x)

plt.plot(x, y1, label='x^2 - how2matplotlib.com')
plt.plot(x, y2, label='x^3 - how2matplotlib.com')
plt.plot(x, y3, label='sqrt(x) - how2matplotlib.com')

# 使用坐标指定位置
plt.legend(ncol=3, loc=(0.1, 0.9))  # (x, y)坐标，范围在0到1之间

plt.title('Power Functions with Custom Legend Position')
plt.xlabel('x')
plt.ylabel('y')
plt.show()

Output:

Matplotlib图例中使用多列布局：提升数据可视化效果

这个例子展示了如何使用坐标来精确定位图例。loc=(0.1, 0.9)将图例放置在图表的左上角附近，其中x和y坐标都是相对于整个图表区域的比例值。

调整图例样式

除了位置和列数，我们还可以调整图例的各种样式属性，以使其更好地融入整体图表设计：

修改字体大小和样式

import matplotlib.pyplot as plt
import numpy as np

x = np.linspace(0, 2*np.pi, 100)
y1 = np.sin(x)
y2 = np.sin(2*x)
y3 = np.sin(3*x)

plt.plot(x, y1, label='sin(x) - how2matplotlib.com')
plt.plot(x, y2, label='sin(2x) - how2matplotlib.com')
plt.plot(x, y3, label='sin(3x) - how2matplotlib.com')

# 修改字体大小和样式
plt.legend(ncol=3, fontsize=12, prop={'family': 'serif', 'style': 'italic'})

plt.title('Sine Functions with Styled Legend')
plt.xlabel('x')
plt.ylabel('y')
plt.show()

Output:

Matplotlib图例中使用多列布局：提升数据可视化效果

这个例子展示了如何通过fontsize和prop参数来调整图例的字体大小和样式。我们将字体大小设置为12，并使用衬线字体和斜体样式。

添加边框和背景

import matplotlib.pyplot as plt
import numpy as np

t = np.linspace(0, 10, 100)
y1 = np.exp(-t/10) * np.sin(2*np.pi*t)
y2 = np.exp(-t/5) * np.sin(2*np.pi*t)
y3 = np.exp(-t/2.5) * np.sin(2*np.pi*t)

plt.plot(t, y1, label='Decay 1 - how2matplotlib.com')
plt.plot(t, y2, label='Decay 2 - how2matplotlib.com')
plt.plot(t, y3, label='Decay 3 - how2matplotlib.com')

# 添加边框和背景
plt.legend(ncol=3, fancybox=True, shadow=True, framealpha=0.7)

plt.title('Decaying Sine Waves with Fancy Legend')
plt.xlabel('Time')
plt.ylabel('Amplitude')
plt.show()

Output:

Matplotlib图例中使用多列布局：提升数据可视化效果

在这个例子中，我们使用fancybox=True来给图例添加圆角，shadow=True添加阴影效果，framealpha=0.7设置图例背景的透明度。这些设置可以使图例更加突出，同时又不会过分干扰主图表的内容。

处理大量图例项

当需要显示大量图例项时，多列布局变得尤为重要。以下是一些处理大量图例项的技巧：

自动计算最佳列数

import matplotlib.pyplot as plt
import numpy as np

# 创建大量数据系列
n_series = 15
x = np.linspace(0, 10, 100)
for i in range(n_series):
    y = np.sin(x + i/5)
    plt.plot(x, y, label=f'Series {i+1} - how2matplotlib.com')

# 自动计算最佳列数
n_col = min(5, (n_series + 1) // 2)  # 最多5列，至少2行
plt.legend(ncol=n_col, loc='center left', bbox_to_anchor=(1, 0.5))

plt.title('Multiple Series with Auto-calculated Legend Columns')
plt.xlabel('x')
plt.ylabel('y')
plt.tight_layout()
plt.show()

Output:

Matplotlib图例中使用多列布局：提升数据可视化效果

这个例子展示了如何根据图例项的数量自动计算最佳的列数。我们限制最大列数为5，确保至少有2行，这样可以在保持图例紧凑的同时不会使其过于宽广。

使用多行文本

import matplotlib.pyplot as plt
import numpy as np

x = np.linspace(0, 10, 100)
y1 = np.sin(x)
y2 = np.cos(x)
y3 = np.tan(x)

plt.plot(x, y1, label='Sine Function\nhow2matplotlib.com')
plt.plot(x, y2, label='Cosine Function\nhow2matplotlib.com')
plt.plot(x, y3, label='Tangent Function\nhow2matplotlib.com')

# 使用多行文本
plt.legend(ncol=3, loc='upper center', bbox_to_anchor=(0.5, -0.05))

plt.title('Trigonometric Functions with Multi-line Legend')
plt.xlabel('x')
plt.ylabel('y')
plt.tight_layout()
plt.show()

Output:

Matplotlib图例中使用多列布局：提升数据可视化效果

在这个例子中，我们在图例标签中使用\n来创建多行文本。这种方法可以在保持多列布局的同时，为每个图例项提供更详细的描述。

自定义图例

Matplotlib还允许我们创建完全自定义的图例，这在处理特殊的可视化需求时非常有用：

创建自定义图例项

import matplotlib.pyplot as plt
import matplotlib.patches as mpatches

fig, ax = plt.subplots()

# 创建自定义图例项
red_patch = mpatches.Patch(color='red', label='Red - how2matplotlib.com')
blue_patch = mpatches.Patch(color='blue', label='Blue - how2matplotlib.com')
green_patch = mpatches.Patch(color='green', label='Green - how2matplotlib.com')

# 添加自定义图例
ax.legend(handles=[red_patch, blue_patch, green_patch], ncol=3)

plt.title('Custom Legend with Color Patches')
plt.axis('off')  # 隐藏坐标轴
plt.show()

Output:

Matplotlib图例中使用多列布局：提升数据可视化效果

这个例子展示了如何创建不依赖于实际绘图数据的自定义图例。我们使用mpatches.Patch创建了三个颜色块，并将它们作为图例项添加到图表中。

混合使用线条和标记

import matplotlib.pyplot as plt
import matplotlib.lines as mlines

fig, ax = plt.subplots()

# 创建自定义图例项
blue_line = mlines.Line2D([], [], color='blue', marker='o',
                          markersize=15, label='Blue circle - how2matplotlib.com')
red_square = mlines.Line2D([], [], color='red', marker='s',
                           markersize=15, label='Red square - how2matplotlib.com')
green_triangle = mlines.Line2D([], [], color='green', marker='^',
                               markersize=15, label='Green triangle - how2matplotlib.com')

# 添加自定义图例
ax.legend(handles=[blue_line, red_square, green_triangle], ncol=3)

plt.title('Custom Legend with Lines and Markers')
plt.axis('off')  # 隐藏坐标轴
plt.show()

Output:

Matplotlib图例中使用多列布局：提升数据可视化效果

这个例子展示了如何创建包含不同线条和标记的自定义图例。我们使用mlines.Line2D来创建不同颜色和形状的图例项，这在需要表示不同类型的数据点时非常有用。

图例的交互性

Matplotlib还支持创建交互式图例，这可以大大增强用户体验，特别是在处理复杂的多系列数据时：

可点击的图例

import matplotlib.pyplot as plt
import numpy as np

x = np.linspace(0, 10, 100)
y1 = np.sin(x)
y2 = np.cos(x)
y3 = np.tan(x)

fig, ax = plt.subplots()

lines = []
lines.append(ax.plot(x, y1, label='Sin - how2matplotlib.com')[0])
lines.append(ax.plot(x, y2, label='Cos - how2matplotlib.com')[0])
lines.append(ax.plot(x, y3, label='Tan - how2matplotlib.com')[0])

# 创建可点击的图例
leg = ax.legend(ncol=3)

# 定义点击事件处理函数
def on_pick(event):
    legline = event.artist
    origline = lined[legline]
    visible = not origline.get_visible()
    origline.set_visible(visible)
    legline.set_alpha(1.0 if visible else 0.2)
    fig.canvas.draw()

lined = dict()
for legline, origline in zip(leg.get_lines(), lines):
    legline.set_picker(True)  # 启用拾取事件
    lined[legline] = origline

fig.canvas.mpl_connect('pick_event', on_pick)

plt.title('Interactive Legend - Click to Show/Hide')
plt.xlabel('x')
plt.ylabel('y')
plt.show()

Output:

Matplotlib图例中使用多列布局：提升数据可视化效果

这个例子创建了一个可交互的图例。用户可以通过点击图例中的项目来显示或隐藏相应的数据系列。这种交互性在探索复杂数据集时特别有用，允许用户聚焦于特定的数据系列。

图例在子图中的应用

当处理多个子图时，图例的管理变得更加复杂。以下是一些在子图中使用多列图例的技巧：

每个子图单独的图例

import matplotlib.pyplot as plt
import numpy as np

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

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

# 第一个子图
ax1.plot(x, np.sin(x), label='Sin - how2matplotlib.com')
ax1.plot(x, np.cos(x), label='Cos - how2matplotlib.com')
ax1.legend(ncol=2, loc='upper right')
ax1.set_title('Trigonometric Functions')

# 第二个子图
ax2.plot(x, x**2, label='x^2 - how2matplotlib.com')
ax2.plot(x, x**3, label='x^3 - how2matplotlib.com')
ax2.legend(ncol=2, loc='upper left')
ax2.set_title('Power Functions')

plt.tight_layout()
plt.show()

Output:

Matplotlib图例中使用多列布局：提升数据可视化效果

这个例子展示了如何为每个子图创建独立的多列图例。每个子图都有自己的图例，可以根据需要单独调整位置和样式。

共享图例

import matplotlib.pyplot as plt
import numpy as np

fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(12, 5))

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

# 第一个子图
line1, = ax1.plot(x, np.sin(x), label='Sin - how2matplotlib.com')
line2, = ax1.plot(x, np.cos(x), label='Cos - how2matplotlib.com')
ax1.set_title('Trigonometric Functions')

# 第二个子图
line3, = ax2.plot(x, x**2, label='x^2 - how2matplotlib.com')
line4, = ax2.plot(x, x**3, label='x^3 - how2matplotlib.com')
ax2.set_title('Power Functions')

# 创建共享图例
fig.legend([line1, line2, line3, line4], 
           ['Sin', 'Cos', 'x^2', 'x^3'],
           ncol=4, loc='lower center', bbox_to_anchor=(0.5, -0.05))

plt.tight_layout()
plt.subplots_adjust(bottom=0.2)  # 为图例留出空间
plt.show()

Output:

Matplotlib图例中使用多列布局：提升数据可视化效果

这个例子展示了如何为多个子图创建一个共享的多列图例。共享图例通常放置在所有子图的下方或上方，可以有效节省空间并提供一个统一的图例视图。

高级图例技巧

以下是一些高级技巧，可以进一步优化多列图例的使用：

自定义图例顺序

import matplotlib.pyplot as plt
import numpy as np

x = np.linspace(0, 10, 100)
y1 = np.sin(x)
y2 = np.cos(x)
y3 = np.tan(x)

plt.plot(x, y1, label='Sin - how2matplotlib.com')
plt.plot(x, y2, label='Cos - how2matplotlib.com')
plt.plot(x, y3, label='Tan - how2matplotlib.com')

# 自定义图例顺序
handles, labels = plt.gca().get_legend_handles_labels()
order = [2, 0, 1]  # 指定顺序
plt.legend([handles[idx] for idx in order], [labels[idx] for idx in order], ncol=3)

plt.title('Trigonometric Functions with Custom Legend Order')
plt.xlabel('x')
plt.ylabel('y')
plt.show()

Output:

Matplotlib图例中使用多列布局：提升数据可视化效果

这个例子展示了如何自定义图例项的顺序。通过重新排列handles和labels，我们可以控制图例项在图例中的显示顺序，而不受它们在代码中的绘制顺序的影响。

图例分组

import matplotlib.pyplot as plt
import numpy as np

x = np.linspace(0, 10, 100)
y1 = np.sin(x)
y2 = np.cos(x)
y3 = x**2
y4 = x**3

plt.plot(x, y1, 'r-', label='Sin - how2matplotlib.com')
plt.plot(x, y2, 'b-', label='Cos - how2matplotlib.com')
plt.plot(x, y3, 'g--', label='x^2 - how2matplotlib.com')
plt.plot(x, y4, 'm--', label='x^3 - how2matplotlib.com')

# 创建分组图例
from matplotlib.legend import Legend
leg1 = plt.legend(['Sin', 'Cos'], loc='upper left', title='Trigonometric')
plt.gca().add_artist(leg1)
leg2 = plt.legend(['x^2', 'x^3'], loc='lower right', title='Power')

plt.title('Functions with Grouped Legends')
plt.xlabel('x')
plt.ylabel('y')
plt.show()

Output:

Matplotlib图例中使用多列布局：提升数据可视化效果

这个例子展示了如何创建分组图例。我们创建了两个独立的图例，一个用于三角函数，另一个用于幂函数。这种方法在需要对不同类型的数据进行分类展示时非常有用。

图例中添加额外信息

import matplotlib.pyplot as plt
import numpy as np

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

plt.plot(x, y1, label='Sin')
plt.plot(x, y2, label='Cos')

# 创建带有额外信息的图例
legend_elements = [plt.Line2D([0], [0], color='C0', lw=2, label='Sin'),
                   plt.Line2D([0], [0], color='C1', lw=2, label='Cos'),
                   plt.Line2D([0], [0], color='none', label='Period: 2π'),
                   plt.Line2D([0], [0], color='none', label='Amplitude: 1')]

plt.legend(handles=legend_elements, ncol=2, title='Trigonometric Functions\nhow2matplotlib.com')

plt.title('Sine and Cosine with Extended Legend')
plt.xlabel('x')
plt.ylabel('y')
plt.show()

Output:

Matplotlib图例中使用多列布局：提升数据可视化效果

这个例子展示了如何在图例中添加额外的信息。我们不仅显示了数据系列的标签，还添加了有关函数周期和振幅的额外信息。这种方法可以在不影响主图表的情况下提供更多上下文信息。

图例的性能优化

当处理大量数据或复杂图表时，图例的渲染可能会影响整体性能。以下是一些优化技巧：

使用简化的图例标记

import matplotlib.pyplot as plt
import numpy as np

# 生成大量数据系列
n_series = 50
x = np.linspace(0, 10, 1000)
for i in range(n_series):
    y = np.sin(x + i/5) + np.random.normal(0, 0.1, x.shape)
    plt.plot(x, y, label=f'Series {i+1}')

# 使用简化的图例标记
plt.legend(ncol=5, loc='center left', bbox_to_anchor=(1, 0.5),
           handlelength=1, handleheight=1, handletextpad=0.5,
           columnspacing=1)

plt.title('Multiple Series with Optimized Legend')
plt.xlabel('x')
plt.ylabel('y')
plt.tight_layout()
plt.show()

Output:

Matplotlib图例中使用多列布局：提升数据可视化效果

在这个例子中，我们通过减小图例标记的大小和间距来优化图例的渲染。handlelength和handleheight控制图例标记的大小，handletextpad控制标记和文本之间的间距，columnspacing控制列之间的间距。这些调整可以显著减少图例所占用的空间，特别是在处理大量数据系列时。

使用图例代理

import matplotlib.pyplot as plt
import numpy as np

# 创建大量数据系列
n_series = 100
x = np.linspace(0, 10, 1000)
for i in range(n_series):
    y = np.sin(x + i/10) + np.random.normal(0, 0.1, x.shape)
    plt.plot(x, y)

# 创建图例代理
from matplotlib.lines import Line2D
legend_elements = [Line2D([0], [0], color='C0', lw=2, label='Series 1-33'),
                   Line2D([0], [0], color='C1', lw=2, label='Series 34-66'),
                   Line2D([0], [0], color='C2', lw=2, label='Series 67-100')]

plt.legend(handles=legend_elements, ncol=3, loc='upper center', bbox_to_anchor=(0.5, -0.05))

plt.title('Multiple Series with Legend Proxy - how2matplotlib.com')
plt.xlabel('x')
plt.ylabel('y')
plt.tight_layout()
plt.show()

Output:

Matplotlib图例中使用多列布局：提升数据可视化效果

这个例子展示了如何使用图例代理来处理大量数据系列。我们没有为每个数据系列创建单独的图例项，而是将它们分组并使用代理图例项。这种方法可以显著减少图例的复杂性，提高渲染性能。

结合其他Matplotlib功能

多列图例可以与Matplotlib的其他功能结合使用，以创建更复杂和信息丰富的可视化：

结合颜色映射

import matplotlib.pyplot as plt
import numpy as np

# 创建数据
x = np.linspace(0, 10, 100)
y_base = np.sin(x)
n_lines = 5

# 创建颜色映射
cmap = plt.get_cmap('viridis')
colors = [cmap(i / (n_lines - 1)) for i in range(n_lines)]

# 绘制多条线并创建图例
for i, color in enumerate(colors):
    y = y_base + i * 0.5
    plt.plot(x, y, color=color, label=f'Line {i+1} - how2matplotlib.com')

# 添加颜色条
sm = plt.cm.ScalarMappable(cmap=cmap, norm=plt.Normalize(vmin=0, vmax=n_lines-1))
sm.set_array([])
cbar = plt.colorbar(sm)
cbar.set_label('Line Number')

# 创建多列图例
plt.legend(ncol=3, loc='upper left', bbox_to_anchor=(1.05, 1), borderaxespad=0.)

plt.title('Multiple Lines with Colormap and Legend')
plt.xlabel('x')
plt.ylabel('y')
plt.tight_layout()
plt.show()

这个例子展示了如何将多列图例与颜色映射结合使用。我们使用颜色映射为每条线分配不同的颜色，并在图例中显示这些颜色。同时，我们还添加了一个颜色条来提供额外的视觉参考。

结合注释

import matplotlib.pyplot as plt
import numpy as np

x = np.linspace(0, 2*np.pi, 100)
y1 = np.sin(x)
y2 = np.cos(x)

fig, ax = plt.subplots()

ax.plot(x, y1, label='Sin - how2matplotlib.com')
ax.plot(x, y2, label='Cos - how2matplotlib.com')

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

ax.annotate('Trough', xy=(3*np.pi/2, -1), xytext=(3*np.pi/2, -1.2),
            arrowprops=dict(facecolor='black', shrink=0.05))

# 创建多列图例
ax.legend(ncol=2, loc='lower center', bbox_to_anchor=(0.5, -0.2))

plt.title('Trigonometric Functions with Annotations')
plt.xlabel('x')
plt.ylabel('y')
plt.tight_layout()
plt.show()