当前位置：极客笔记 > Matplotlib > Matplotlib 问答 > Matplotlib中为多个箱线图添加图例的详细指南

Matplotlib中为多个箱线图添加图例的详细指南

Matplotlib中为多个箱线图添加图例的详细指南

参考：Adding Legend to Boxplot with Multiple Plots

在数据可视化中，箱线图是一种非常有用的工具，用于展示数据的分布情况。当我们需要在同一张图中比较多个数据集时，为每个箱线图添加图例就变得尤为重要。本文将详细介绍如何在Matplotlib中为多个箱线图添加图例，包括基本概念、不同的实现方法以及一些进阶技巧。

1. 箱线图基础

在开始为多个箱线图添加图例之前，我们先来回顾一下箱线图的基本概念和创建方法。

箱线图（Box Plot）也称为盒须图，是一种用作显示一组数据分散情况资料的统计图。它能显示出一组数据的最大值、最小值、中位数、下四分位数及上四分位数。

1.1 创建简单的箱线图

让我们从一个简单的箱线图开始：

import matplotlib.pyplot as plt
import numpy as np

# 生成示例数据
data = np.random.randn(100)

# 创建图形和坐标轴
fig, ax = plt.subplots()

# 绘制箱线图
ax.boxplot(data)

# 设置标题
ax.set_title('Simple Boxplot - how2matplotlib.com')

# 显示图形
plt.show()

Output:

Matplotlib中为多个箱线图添加图例的详细指南

这段代码创建了一个简单的箱线图。我们使用numpy生成了随机数据，然后使用matplotlib.pyplot.boxplot()函数绘制箱线图。

1.2 箱线图的组成部分

箱线图由以下几个部分组成：

  1. 箱体：表示数据的四分位数范围
  2. 中位线：表示数据的中位数
  3. 须：延伸到最小和最大值（不包括异常值）
  4. 异常值：通常用点表示，超出四分位范围的1.5倍

2. 创建多个箱线图

当我们需要比较多个数据集时，可以在同一张图上绘制多个箱线图。

import matplotlib.pyplot as plt
import numpy as np

# 生成示例数据
data1 = np.random.randn(100)
data2 = np.random.randn(100) + 1
data3 = np.random.randn(100) - 1

# 创建图形和坐标轴
fig, ax = plt.subplots()

# 绘制多个箱线图
ax.boxplot([data1, data2, data3])

# 设置标题和标签
ax.set_title('Multiple Boxplots - how2matplotlib.com')
ax.set_xticklabels(['Data 1', 'Data 2', 'Data 3'])

# 显示图形
plt.show()

Output:

Matplotlib中为多个箱线图添加图例的详细指南

在这个例子中，我们创建了三个数据集，并将它们作为一个列表传递给boxplot()函数。这样就可以在同一张图上绘制多个箱线图。

3. 为多个箱线图添加图例

现在我们来到了本文的核心内容：如何为多个箱线图添加图例。有几种不同的方法可以实现这一目标，我们将逐一介绍。

3.1 使用自定义图例

一种常用的方法是创建自定义的图例，而不是使用箱线图的内置图例。

import matplotlib.pyplot as plt
import numpy as np

# 生成示例数据
data1 = np.random.randn(100)
data2 = np.random.randn(100) + 1
data3 = np.random.randn(100) - 1

# 创建图形和坐标轴
fig, ax = plt.subplots()

# 绘制多个箱线图
bplot = ax.boxplot([data1, data2, data3], patch_artist=True)

# 设置箱体颜色
colors = ['pink', 'lightblue', 'lightgreen']
for patch, color in zip(bplot['boxes'], colors):
    patch.set_facecolor(color)

# 添加自定义图例
ax.legend([bplot["boxes"][0], bplot["boxes"][1], bplot["boxes"][2]],
          ['Data 1', 'Data 2', 'Data 3'],
          loc='upper right')

# 设置标题
ax.set_title('Boxplots with Custom Legend - how2matplotlib.com')

# 显示图形
plt.show()

Output:

Matplotlib中为多个箱线图添加图例的详细指南

在这个例子中，我们使用patch_artist=True参数来允许自定义箱体的颜色。然后，我们为每个箱体设置不同的颜色，并使用这些箱体作为图例的句柄。

3.2 使用虚拟线条创建图例

另一种方法是使用虚拟线条来创建图例。这种方法特别适用于当你想要在图例中显示箱线图的颜色时。

import matplotlib.pyplot as plt
import numpy as np

# 生成示例数据
data1 = np.random.randn(100)
data2 = np.random.randn(100) + 1
data3 = np.random.randn(100) - 1

# 创建图形和坐标轴
fig, ax = plt.subplots()

# 绘制多个箱线图
bplot = ax.boxplot([data1, data2, data3], patch_artist=True)

# 设置箱体颜色
colors = ['pink', 'lightblue', 'lightgreen']
for patch, color in zip(bplot['boxes'], colors):
    patch.set_facecolor(color)

# 创建虚拟线条用于图例
dummy_lines = [plt.Line2D([0], [0], color=color, lw=4) for color in colors]

# 添加图例
ax.legend(dummy_lines, ['Data 1', 'Data 2', 'Data 3'], loc='upper right')

# 设置标题
ax.set_title('Boxplots with Legend Using Dummy Lines - how2matplotlib.com')

# 显示图形
plt.show()

Output:

Matplotlib中为多个箱线图添加图例的详细指南

在这个例子中，我们创建了虚拟的Line2D对象，这些对象只用于图例，不会在实际的图表中显示。这种方法可以让我们更灵活地控制图例的外观。

3.3 使用标记符号创建图例

如果你想在图例中使用更简洁的标记，可以考虑使用标记符号来创建图例。

import matplotlib.pyplot as plt
import numpy as np

# 生成示例数据
data1 = np.random.randn(100)
data2 = np.random.randn(100) + 1
data3 = np.random.randn(100) - 1

# 创建图形和坐标轴
fig, ax = plt.subplots()

# 绘制多个箱线图
bplot = ax.boxplot([data1, data2, data3], patch_artist=True)

# 设置箱体颜色
colors = ['pink', 'lightblue', 'lightgreen']
for patch, color in zip(bplot['boxes'], colors):
    patch.set_facecolor(color)

# 创建标记符号用于图例
dummy_markers = [plt.scatter([], [], c=color, marker='s', s=50) for color in colors]

# 添加图例
ax.legend(dummy_markers, ['Data 1', 'Data 2', 'Data 3'], loc='upper right')

# 设置标题
ax.set_title('Boxplots with Legend Using Markers - how2matplotlib.com')

# 显示图形
plt.show()

Output:

Matplotlib中为多个箱线图添加图例的详细指南

在这个例子中，我们使用scatter()函数创建了小方块作为图例的标记。这种方法可以让图例看起来更加简洁。

4. 高级技巧

现在我们已经掌握了为多个箱线图添加图例的基本方法，让我们来看一些更高级的技巧。

4.1 组合箱线图和散点图

有时，我们可能想要在箱线图旁边显示原始数据点。这可以通过组合箱线图和散点图来实现。

import matplotlib.pyplot as plt
import numpy as np

# 生成示例数据
data1 = np.random.randn(100)
data2 = np.random.randn(100) + 1
data3 = np.random.randn(100) - 1

# 创建图形和坐标轴
fig, ax = plt.subplots()

# 绘制箱线图
bplot = ax.boxplot([data1, data2, data3], patch_artist=True, positions=[1, 2, 3])

# 设置箱体颜色
colors = ['pink', 'lightblue', 'lightgreen']
for patch, color in zip(bplot['boxes'], colors):
    patch.set_facecolor(color)

# 添加散点图
for i, data in enumerate([data1, data2, data3], start=1):
    x = np.random.normal(i, 0.04, len(data))
    ax.scatter(x, data, alpha=0.3)

# 添加图例
ax.legend([bplot["boxes"][0], bplot["boxes"][1], bplot["boxes"][2]],
          ['Data 1', 'Data 2', 'Data 3'],
          loc='upper right')

# 设置标题和坐标轴标签
ax.set_title('Boxplots with Scatter Points - how2matplotlib.com')
ax.set_xlabel('Data Sets')
ax.set_ylabel('Values')

# 显示图形
plt.show()

Output:

Matplotlib中为多个箱线图添加图例的详细指南

在这个例子中，我们不仅绘制了箱线图，还在每个箱线图旁边添加了对应的散点图。这样可以同时展示数据的分布和个体数据点。

4.2 添加统计信息

有时，我们可能想在图例中包含一些统计信息，比如每个数据集的均值或中位数。

import matplotlib.pyplot as plt
import numpy as np

# 生成示例数据
data1 = np.random.randn(100)
data2 = np.random.randn(100) + 1
data3 = np.random.randn(100) - 1

# 创建图形和坐标轴
fig, ax = plt.subplots()

# 绘制箱线图
bplot = ax.boxplot([data1, data2, data3], patch_artist=True)

# 设置箱体颜色
colors = ['pink', 'lightblue', 'lightgreen']
for patch, color in zip(bplot['boxes'], colors):
    patch.set_facecolor(color)

# 计算均值
means = [np.mean(data) for data in [data1, data2, data3]]

# 添加图例（包含均值信息）
legend_labels = [f'Data {i+1} (Mean: {mean:.2f})' for i, mean in enumerate(means)]
ax.legend([bplot["boxes"][0], bplot["boxes"][1], bplot["boxes"][2]],
          legend_labels,
          loc='upper right')

# 设置标题
ax.set_title('Boxplots with Mean in Legend - how2matplotlib.com')

# 显示图形
plt.show()

Output:

Matplotlib中为多个箱线图添加图例的详细指南

在这个例子中，我们计算了每个数据集的均值，并将这些信息包含在图例标签中。这样可以在图例中提供更多有用的统计信息。

4.3 自定义箱线图样式

我们可以进一步自定义箱线图的样式，以使其更加美观或更符合特定的设计需求。

import matplotlib.pyplot as plt
import numpy as np

# 生成示例数据
data1 = np.random.randn(100)
data2 = np.random.randn(100) + 1
data3 = np.random.randn(100) - 1

# 创建图形和坐标轴
fig, ax = plt.subplots()

# 自定义箱线图样式
boxprops = dict(linestyle='--', linewidth=2, color='black')
flierprops = dict(marker='o', markerfacecolor='red', markersize=8,
                  linestyle='none')
medianprops = dict(linestyle='-', linewidth=2.5, color='white')
meanpointprops = dict(marker='D', markeredgecolor='black',
                      markerfacecolor='firebrick')

# 绘制箱线图
bplot = ax.boxplot([data1, data2, data3], patch_artist=True,
                   boxprops=boxprops, flierprops=flierprops,
                   medianprops=medianprops, meanprops=meanpointprops,
                   showmeans=True)

# 设置箱体颜色
colors = ['pink', 'lightblue', 'lightgreen']
for patch, color in zip(bplot['boxes'], colors):
    patch.set_facecolor(color)

# 添加图例
ax.legend([bplot["boxes"][0], bplot["boxes"][1], bplot["boxes"][2]],
          ['Data 1', 'Data 2', 'Data 3'],
          loc='upper right')

# 设置标题
ax.set_title('Customized Boxplots - how2matplotlib.com')

# 显示图形
plt.show()

Output:

Matplotlib中为多个箱线图添加图例的详细指南

在这个例子中，我们自定义了箱线图的多个元素，包括箱体、异常值、中位数线和均值点的样式。这种高度自定义的方法可以让你的箱线图更加独特和富有表现力。

4.4 添加水平箱线图

有时，水平方向的箱线图可能更适合某些数据的展示。我们可以轻松地将垂直箱线图转换为水平箱线图。

import matplotlib.pyplot as plt
import numpy as np

# 生成示例数据
data1 = np.random.randn(100)
data2 = np.random.randn(100) + 1
data3 = np.random.randn(100) - 1

# 创建图形和坐标轴
fig, ax = plt.subplots()

# 绘制水平箱线图
bplot = ax.boxplot([data1, data2, data3], patch_artist=True, vert=False)

# 设置箱体颜色
colors = ['pink', 'lightblue', 'lightgreen']
for patch, color in zip(bplot['boxes'], colors):
    patch.set_facecolor(color)

# 添加图例
ax.legend([bplot["boxes"][0], bplot["boxes"][1], bplot["boxes"][2]],
          ['Data 1', 'Data 2', 'Data 3'],
          loc='lower right')

# 设置标题和标签
ax.set_title('Horizontal Boxplots - how2matplotlib.com')
ax.set_xlabel('Values')
ax.set_yticklabels(['Data 1', 'Data 2', 'Data 3'])

# 显示图形
plt.show()

Output:

Matplotlib中为多个箱线图添加图例的详细指南

在这个例子中，我们通过设置vert=False参数来创建水平方向的箱线图。这种布局在某些情况下可能更适合数据的展示，特别是当你有较长的标签或者想要强调数值范围时。

4.5 添加子图

当我们需要比较多组数据时，可以考虑使用子图来组织多个箱线图。

import matplotlib.pyplot as plt
import numpy as np

# 生成示例数据
data1 = np.random.randn(100)
data2 = np.random.randn(100) + 1
data3 = np.random.randn(100) - 1
data4 = np.random.randn(100) * 2

# 创建2x2的子图
fig, axs = plt.subplots(2, 2, figsize=(12, 10))

# 在每个子图中绘制箱线图
for ax, data in zip(axs.flat, [data1, data2, data3, data4]):
    bplot = ax.boxplot(data, patch_artist=True)
    bplot['boxes'][0].set_facecolor('lightblue')
    ax.set_title(f'Subplot - how2matplotlib.com')

# 添加总标题
fig.suptitle('Multiple Boxplots in Subplots', fontsize=16)

# 调整子图之间的间距
plt.tight_layout()

# 显示图形
plt.show()

Output:

Matplotlib中为多个箱线图添加图例的详细指南

这个例子展示了如何在2×2的网格中创建多个子图，每个子图包含一个箱线图。这种方法适用于需要同时比较多个独立数据集的情况。

4.6 添加violin图

Violin图是箱线图的一种变体，它可以更详细地显示数据分布。我们可以将箱线图和violin图结合起来。

import matplotlib.pyplot as plt
import numpy as np

# 生成示例数据
data1 = np.random.randn(100)
data2 = np.random.randn(100) + 1
data3 = np.random.randn(100) - 1

# 创建图形和坐标轴
fig, ax = plt.subplots()

# 绘制violin图
vplot = ax.violinplot([data1, data2, data3], showmeans=False, showmedians=False)

# 设置violin图颜色
colors = ['pink', 'lightblue', 'lightgreen']
for body, color in zip(vplot['bodies'], colors):
    body.set_facecolor(color)
    body.set_edgecolor('black')
    body.set_alpha(0.7)

# 绘制箱线图
bplot = ax.boxplot([data1, data2, data3], patch_artist=True, widths=0.1)

# 设置箱体颜色
for patch, color in zip(bplot['boxes'], colors):
    patch.set_facecolor(color)
    patch.set_alpha(0.8)

# 添加图例
ax.legend([vplot['bodies'][0], vplot['bodies'][1], vplot['bodies'][2]],
          ['Data 1', 'Data 2', 'Data 3'],
          loc='upper right')

# 设置标题和标签
ax.set_title('Violin Plots with Boxplots - how2matplotlib.com')
ax.set_xlabel('Data Sets')
ax.set_ylabel('Values')

# 显示图形
plt.show()

Output:

Matplotlib中为多个箱线图添加图例的详细指南

这个例子展示了如何将violin图和箱线图结合在一起。Violin图可以显示数据的概率密度，而箱线图则提供了关键统计信息的快速概览。

5. 处理大量数据集

当我们需要处理大量数据集时，手动创建每个箱线图可能会变得繁琐。在这种情况下，我们可以使用循环来自动化这个过程。

import matplotlib.pyplot as plt
import numpy as np

# 生成多个数据集
num_datasets = 10
all_data = [np.random.randn(100) + i for i in range(num_datasets)]

# 创建图形和坐标轴
fig, ax = plt.subplots(figsize=(12, 6))

# 绘制多个箱线图
bplot = ax.boxplot(all_data, patch_artist=True)

# 设置箱体颜色
colors = plt.cm.rainbow(np.linspace(0, 1, num_datasets))
for patch, color in zip(bplot['boxes'], colors):
    patch.set_facecolor(color)

# 创建图例
legend_elements = [plt.Rectangle((0,0),1,1, facecolor=color, edgecolor='black') 
                   for color in colors]
ax.legend(legend_elements, [f'Data {i+1}' for i in range(num_datasets)], 
          loc='upper right', ncol=2)

# 设置标题和标签
ax.set_title('Multiple Boxplots - how2matplotlib.com')
ax.set_xlabel('Data Sets')
ax.set_ylabel('Values')

# 显示图形
plt.show()

Output:

Matplotlib中为多个箱线图添加图例的详细指南

这个例子展示了如何处理大量数据集。我们使用循环生成多个数据集，并使用颜色映射来为每个箱线图分配不同的颜色。图例被分成两列以节省空间。

6. 自定义图例

有时，默认的图例可能不能满足我们的需求。我们可以进一步自定义图例的外观和位置。

import matplotlib.pyplot as plt
import numpy as np

# 生成示例数据
data1 = np.random.randn(100)
data2 = np.random.randn(100) + 1
data3 = np.random.randn(100) - 1

# 创建图形和坐标轴
fig, ax = plt.subplots()

# 绘制箱线图
bplot = ax.boxplot([data1, data2, data3], patch_artist=True)

# 设置箱体颜色
colors = ['pink', 'lightblue', 'lightgreen']
for patch, color in zip(bplot['boxes'], colors):
    patch.set_facecolor(color)

# 创建自定义图例
legend_elements = [plt.Rectangle((0,0),1,1, facecolor=color, edgecolor='black') for color in colors]
legend = ax.legend(legend_elements, ['Data 1', 'Data 2', 'Data 3'], 
                   loc='upper right', title='Data Sets', 
                   fancybox=True, shadow=True)

# 自定义图例标题
legend.get_title().set_fontweight('bold')

# 设置标题
ax.set_title('Boxplots with Custom Legend - how2matplotlib.com')

# 显示图形
plt.show()

Output:

Matplotlib中为多个箱线图添加图例的详细指南

在这个例子中，我们创建了一个带有阴影和圆角的自定义图例，并为图例添加了粗体标题。这种自定义可以让图例更加突出和美观。

7. 添加统计注释

有时，我们可能想要在图表上直接显示一些统计信息，比如均值或中位数。

import matplotlib.pyplot as plt
import numpy as np

# 生成示例数据
data1 = np.random.randn(100)
data2 = np.random.randn(100) + 1
data3 = np.random.randn(100) - 1

# 创建图形和坐标轴
fig, ax = plt.subplots()

# 绘制箱线图
bplot = ax.boxplot([data1, data2, data3], patch_artist=True)

# 设置箱体颜色
colors = ['pink', 'lightblue', 'lightgreen']
for patch, color in zip(bplot['boxes'], colors):
    patch.set_facecolor(color)

# 添加图例
ax.legend([bplot["boxes"][0], bplot["boxes"][1], bplot["boxes"][2]],
          ['Data 1', 'Data 2', 'Data 3'],
          loc='upper right')

# 添加统计注释
for i, data in enumerate([data1, data2, data3], start=1):
    mean = np.mean(data)
    median = np.median(data)
    ax.text(i, ax.get_ylim()[1], f'Mean: {mean:.2f}\nMedian: {median:.2f}', 
            horizontalalignment='center', verticalalignment='bottom')

# 设置标题
ax.set_title('Boxplots with Statistical Annotations - how2matplotlib.com')

# 显示图形
plt.show()

Output:

Matplotlib中为多个箱线图添加图例的详细指南

这个例子展示了如何在每个箱线图上方添加均值和中位数的注释。这种方法可以直接在图表上提供重要的统计信息，而不需要查看单独的图例或数据表。

8. 结合其他图表类型

有时，将箱线图与其他类型的图表结合可以提供更全面的数据视图。

import matplotlib.pyplot as plt
import numpy as np

# 生成示例数据
data1 = np.random.randn(100)
data2 = np.random.randn(100) + 1
data3 = np.random.randn(100) - 1

# 创建图形和坐标轴
fig, ax = plt.subplots()

# 绘制箱线图
bplot = ax.boxplot([data1, data2, data3], patch_artist=True, positions=[1, 2, 3])

# 设置箱体颜色
colors = ['pink', 'lightblue', 'lightgreen']
for patch, color in zip(bplot['boxes'], colors):
    patch.set_facecolor(color)

# 添加散点图
for i, data in enumerate([data1, data2, data3], start=1):
    x = np.random.normal(i, 0.04, len(data))
    ax.scatter(x, data, alpha=0.3)

# 添加均值点
means = [np.mean(data) for data in [data1, data2, data3]]
ax.plot([1, 2, 3], means, 'ro-', linewidth=2, markersize=8, label='Mean')

# 添加图例
ax.legend([bplot["boxes"][0], bplot["boxes"][1], bplot["boxes"][2], ax.get_lines()[-1]],
          ['Data 1', 'Data 2', 'Data 3', 'Mean'],
          loc='upper right')

# 设置标题和标签
ax.set_title('Boxplots with Scatter and Mean - how2matplotlib.com')
ax.set_xlabel('Data Sets')
ax.set_ylabel('Values')

# 显示图形
plt.show()

Output:

Matplotlib中为多个箱线图添加图例的详细指南

这个例子展示了如何将箱线图、散点图和均值线结合在一起。这种组合可以同时显示数据的分布、个体数据点和中心趋势，提供了数据的全面视图。

9. 结论

在本文中，我们详细探讨了如何在Matplotlib中为多个箱线图添加图例。我们从基本的箱线图开始，逐步深入到更复杂的可视化技术。我们学习了如何创建自定义图例、使用不同的图例样式、组合多种图表类型，以及处理大量数据集。

通过这些技巧，你可以创建更加信息丰富、视觉上更具吸引力的箱线图。记住，好的数据可视化不仅仅是展示数据，还要讲述数据背后的故事。通过适当地使用图例和其他视觉元素，你可以使你的箱线图更加清晰、易懂，并更有效地传达你的数据洞察。

在实际应用中，请根据你的具体需求和数据特性来选择最合适的方法。不要忘记考虑你的目标受众，确保你的可视化既美观又易于理解。随着练习和经验的积累，你将能够创建出既专业又富有洞察力的数据可视化作品。

Camera课程

Camera API2 教程

API2 教程
Camera 性能教程

Perf 教程
Camera Native Framework 教程

Native FW 教程
Camera QCOM ISP 教程

ISP 教程
Camera QCOM Sensor 教程

Sensor 教程

Python教程

Python 教程

Python 教程
NumPy 教程

NumPy 教程
Django 教程

Django 教程

Java教程

Java 教程

Java 教程

Web教程

JavaScript 教程

JavaScript 教程
jQuery 教程

jQuery 教程
CSS 教程

CSS 教程
PHP 教程

PHP 教程
Laravel 教程

Laravel 教程
TypeScript 教程

TypeScript 教程
WordPress 教程

WordPress 教程

数据库教程

SQL 教程

SQL 教程
SQLite 教程

SQLite 教程
MySQL 教程

MySQL 教程
PL/SQL 教程

PL/SQL 教程
MongoDB 教程

MongoDB 教程

图形图像教程

OpenCV 教程

OpenCV 教程

办公软件教程

Excel 教程

Excel 教程

Linux教程

Linux命令全集

Linux命令全集
Linux内核API

Linux内核API
LVGL 教程

LVGL 教程

计算机教程

操作系统 教程

操作系统 教程
计算机网络 教程

计算机网络 教程
C语言 教程

C语言 教程
C++ 教程

C++ 教程
Swift 教程

Swift 教程

大数据教程

Hadoop 教程

Hadoop 教程
Spark 教程

Spark 教程
Scala 教程

Scala 教程

开发工具教程

Git 教程

Git 教程
Jenkins 教程

Jenkins 教程
ChatGPT 教程

ChatGPT 教程
IntelliJ 教程

IntelliJ 教程