当前位置：极客笔记 > Matplotlib > Matplotlib 问答 > Matplotlib中如何为所有子图创建单一图例

Matplotlib中如何为所有子图创建单一图例

Matplotlib中如何为所有子图创建单一图例

参考：How to Create a Single Legend for All Subplots in Matplotlib

Matplotlib是Python中强大的数据可视化库，它提供了丰富的绘图功能。在创建复杂的图表时，我们经常需要使用子图来展示多个相关的图形。然而，当每个子图都有自己的图例时，可能会导致视觉混乱和重复信息。为了解决这个问题，我们可以为所有子图创建一个单一的图例，使整个图表更加简洁和易于理解。本文将详细介绍如何在Matplotlib中为所有子图创建单一图例，并提供多个实用的示例代码。

1. 理解Matplotlib的子图和图例

在深入探讨如何创建单一图例之前，我们需要先了解Matplotlib中子图和图例的基本概念。

1.1 子图（Subplots）

子图是Matplotlib中用于在一个图形窗口中创建多个图表的方法。使用子图，我们可以将相关的数据可视化组合在一起，便于比较和分析。

以下是创建子图的基本示例：

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)

# 创建2x2的子图网格
fig, axs = plt.subplots(2, 2, figsize=(10, 8))

# 在每个子图中绘制数据
axs[0, 0].plot(x, y1)
axs[0, 0].set_title('Sine Wave - how2matplotlib.com')
axs[0, 1].plot(x, y2)
axs[0, 1].set_title('Cosine Wave - how2matplotlib.com')
axs[1, 0].plot(x, y1 ** 2)
axs[1, 0].set_title('Squared Sine - how2matplotlib.com')
axs[1, 1].plot(x, y2 ** 2)
axs[1, 1].set_title('Squared Cosine - how2matplotlib.com')

plt.tight_layout()
plt.show()

Output:

Matplotlib中如何为所有子图创建单一图例

在这个示例中，我们创建了一个2×2的子图网格，并在每个子图中绘制了不同的函数。plt.subplots()函数返回一个图形对象和一个包含所有子图的数组。

1.2 图例（Legend）

图例是用于解释图表中不同数据系列的标识符。它通常包含每个数据系列的名称和对应的颜色或标记。

以下是在单个图表中添加图例的基本示例：

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)

# 创建图表并绘制数据
plt.figure(figsize=(8, 6))
plt.plot(x, y1, label='Sine - how2matplotlib.com')
plt.plot(x, y2, label='Cosine - how2matplotlib.com')

# 添加图例
plt.legend()

plt.title('Sine and Cosine Waves')
plt.xlabel('X-axis')
plt.ylabel('Y-axis')
plt.show()

Output:

Matplotlib中如何为所有子图创建单一图例

在这个示例中，我们使用label参数为每条线指定了标签，然后调用plt.legend()来显示图例。

2. 为什么需要单一图例

当我们处理多个子图时，每个子图默认会有自己的图例。这可能导致以下问题：

  1. 视觉混乱：多个图例会占用大量空间，减少实际数据的显示区域。
  2. 信息重复：如果多个子图包含相同的数据系列，每个子图都显示相同的图例会造成不必要的重复。
  3. 一致性：不同子图的图例可能会有细微的差异，影响整体的一致性。
  4. 可读性：多个小图例可能会使文字变小，难以阅读。

创建一个单一的图例可以解决这些问题，使整个图表更加清晰和专业。

3. 创建单一图例的基本方法

创建单一图例的基本思路是：在所有子图绘制完成后，创建一个新的轴（Axes）对象，专门用于放置图例。这个新的轴对象可以位于图表的任何位置，通常放在所有子图的下方或右侧。

以下是一个基本示例：

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)

# 创建2x2的子图网格
fig, axs = plt.subplots(2, 2, figsize=(10, 8))

# 在每个子图中绘制数据
lines = []
labels = []
for i in range(2):
    for j in range(2):
        line1, = axs[i, j].plot(x, y1, 'r-', label='Sine - how2matplotlib.com')
        line2, = axs[i, j].plot(x, y2, 'b-', label='Cosine - how2matplotlib.com')
        if i == 0 and j == 0:
            lines.extend([line1, line2])
            labels.extend(['Sine - how2matplotlib.com', 'Cosine - how2matplotlib.com'])

# 调整子图布局
fig.tight_layout()

# 创建一个新的轴对象用于放置图例
legend_ax = fig.add_axes([0.1, 0.1, 0.8, 0.05])  # [left, bottom, width, height]
legend_ax.axis('off')  # 隐藏轴线

# 创建单一图例
legend_ax.legend(lines, labels, loc='center', ncol=2)

plt.show()

Output:

Matplotlib中如何为所有子图创建单一图例

在这个示例中，我们首先创建了2×2的子图网格，并在每个子图中绘制了相同的数据。然后，我们使用fig.add_axes()方法创建了一个新的轴对象，专门用于放置图例。最后，我们使用这个新的轴对象来创建单一图例。

4. 自定义单一图例的位置和样式

创建单一图例后，我们可以进一步自定义其位置和样式，以更好地适应整个图表的布局。

4.1 调整图例位置

我们可以通过调整fig.add_axes()的参数来改变图例的位置。以下是将图例放在图表右侧的示例：

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)

# 创建2x2的子图网格
fig, axs = plt.subplots(2, 2, figsize=(12, 8))

# 在每个子图中绘制数据
lines = []
labels = []
for i in range(2):
    for j in range(2):
        line1, = axs[i, j].plot(x, y1, 'r-', label='Sine - how2matplotlib.com')
        line2, = axs[i, j].plot(x, y2, 'b-', label='Cosine - how2matplotlib.com')
        if i == 0 and j == 0:
            lines.extend([line1, line2])
            labels.extend(['Sine - how2matplotlib.com', 'Cosine - how2matplotlib.com'])

# 调整子图布局
plt.tight_layout()

# 创建一个新的轴对象用于放置图例，位于图表右侧
legend_ax = fig.add_axes([0.85, 0.15, 0.05, 0.7])  # [left, bottom, width, height]
legend_ax.axis('off')  # 隐藏轴线

# 创建单一图例
legend_ax.legend(lines, labels, loc='center', bbox_to_anchor=(0, 0.5))

plt.show()

Output:

Matplotlib中如何为所有子图创建单一图例

在这个示例中，我们将图例放在了图表的右侧。通过调整fig.add_axes()的参数，我们可以精确控制图例的位置和大小。

4.2 自定义图例样式

我们可以使用legend()函数的各种参数来自定义图例的样式。以下是一个更复杂的示例，展示了如何自定义图例的外观：

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)

# 创建2x2的子图网格
fig, axs = plt.subplots(2, 2, figsize=(12, 8))

# 在每个子图中绘制数据
lines = []
labels = []
for i in range(2):
    for j in range(2):
        line1, = axs[i, j].plot(x, y1, 'r-', label='Sine - how2matplotlib.com')
        line2, = axs[i, j].plot(x, y2, 'b-', label='Cosine - how2matplotlib.com')
        line3, = axs[i, j].plot(x, y3, 'g-', label='Tangent - how2matplotlib.com')
        if i == 0 and j == 0:
            lines.extend([line1, line2, line3])
            labels.extend(['Sine - how2matplotlib.com', 'Cosine - how2matplotlib.com', 'Tangent - how2matplotlib.com'])

# 调整子图布局
plt.tight_layout()

# 创建一个新的轴对象用于放置图例
legend_ax = fig.add_axes([0.1, 0.05, 0.8, 0.05])  # [left, bottom, width, height]
legend_ax.axis('off')  # 隐藏轴线

# 创建自定义样式的单一图例
legend_ax.legend(lines, labels, loc='center', ncol=3, 
                 fancybox=True, shadow=True, 
                 fontsize='small', framealpha=0.7,
                 edgecolor='gray')

plt.show()

Output:

Matplotlib中如何为所有子图创建单一图例

在这个示例中，我们使用了以下参数来自定义图例：

  • ncol: 设置图例的列数
  • fancybox: 使用圆角边框
  • shadow: 添加阴影效果
  • fontsize: 设置字体大小
  • framealpha: 设置图例背景的透明度
  • edgecolor: 设置图例边框的颜色

5. 处理不同类型的图表

在实际应用中，我们可能需要在同一个图表中展示不同类型的图表，如折线图、散点图、柱状图等。以下是一个包含多种图表类型的示例：

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.random.rand(10)
y4 = np.random.rand(10)

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

# 在每个子图中绘制不同类型的图表
line1, = axs[0, 0].plot(x, y1, 'r-', label='Sine - how2matplotlib.com')
line2, = axs[0, 1].plot(x, y2, 'b-', label='Cosine - how2matplotlib.com')
scatter = axs[1, 0].scatter(y3, y4, c='g', label='Scatter - how2matplotlib.com')
bars = axs[1, 1].bar(range(10), y3, label='Bar - how2matplotlib.com')

# 设置子图标题
axs[0, 0].set_title('Line Plot - how2matplotlib.com')
axs[0, 1].set_title('Line Plot - how2matplotlib.com')
axs[1, 0].set_title('Scatter Plot - how2matplotlib.com')
axs[1, 1].set_title('Bar Plot - how2matplotlib.com')

# 调整子图布局
plt.tight_layout()

# 创建一个新的轴对象用于放置图例
legend_ax = fig.add_axes([0.1, 0.05, 0.8, 0.05])  # [left, bottom, width, height]
legend_ax.axis('off')  # 隐藏轴线

# 创建单一图例
legend_ax.legend([line1, line2, scatter, bars[0]], 
                 ['Sine - how2matplotlib.com', 'Cosine - how2matplotlib.com', 
                  'Scatter - how2matplotlib.com', 'Bar - how2matplotlib.com'], 
                 loc='center', ncol=4)

plt.show()

Output:

Matplotlib中如何为所有子图创建单一图例

在这个示例中，我们创建了包含折线图、散点图和柱状图的子图。为了在单一图例中包含所有这些图表类型，我们需要手动指定每种图表类型的图例句柄和标签。

6. 处理大量数据系列

当我们需要处理大量数据系列时，图例可能会变得非常大，影响整体布局。在这种情况下，我们可以考虑使用多列图例或者滚动图例。

6.1 多列图例

以下是一个使用多列图例的示例：

import matplotlib.pyplot as plt
import numpy as np

# 创建示例数据
x = np.linspace(0, 10, 100)
data_series = [np.sin(x + i) for i in range(10)]

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

# 在每个子图中绘制所有数据系列
lines = []
labels = []
for i in range(2):
    for j in range(2):
        for k, y in enumerate(data_series):
            line, = axs[i, j].plot(x, y, label=f'Series {k+1} - how2matplotlib.com')
            if i == 0 and j == 0:
                lines.append(line)
                labels.append(f'Series {k+1} - how2matplotlib.com')

# 调整子图布局
plt.tight_layout()

# 创建一个新的轴对象用于放置图例
legend_ax = fig.add_axes([0.1, 0.05, 0.8, 0.1])  # [left, bottom, width, height]
legend_ax.axis('off')  # 隐藏轴线

# 创建多列图例
legend_ax.legend(lines, labels, loc='center', ncol=5, fontsize='small')

plt.show()

Output:

Matplotlib中如何为所有子图创建单一图例

在这个示例中，我们创建了10个数据系列，并使用5列的图例来展示所有系列的标签。

6.2 滚动图例

对于非常多的数据系列，我们可以考虑使用滚动图例。虽然Matplotlib本身不直接支持滚动图例，但我们可以使用其他GUI库（如Tkinter）来实现这个功能。以下是一个使用Tkinter创建滚动图例的示例：

import matplotlib.pyplot as plt
from matplotlib.backends.backend_tkagg import FigureCanvasTkAgg
import numpy as np
import tkinter as tk
from tkinter import ttk

# 创建示例数据
x = np.linspace(0, 10, 100)
data_series = [np.sin(x + i) for i in range(20)]

# 创建Matplotlib图形
fig, ax = plt.subplots(figsize=(10, 6))

# 绘制所有数据系列
lines = []
labels = []
for i, y in enumerate(data_series):
    line, = ax.plot(x, y, label=f'Series {i+1} - how2matplotlib.com')
    lines.append(line)
    labels.append(f'Series {i+1} - how2matplotlib.com')

# 创建Tkinter窗口
root = tk.Tk()
root.title("Scrollable Legend - how2matplotlib.com")

# 创建Matplotlib画布
canvas = FigureCanvasTkAgg(fig, master=root)
canvas_widget = canvas.get_tk_widget()
canvas_widget.pack(side=tk.TOP, fill=tk.BOTH, expand=1)

# 创建滚动条和框架
scrollbar = ttk.Scrollbar(root, orient=tk.VERTICAL)
scrollbar.pack(side=tk.RIGHT, fill=tk.Y)

legend_frame = ttk.Frame(root)
legend_frame.pack(side=tk.LEFT, fill=tk.BOTH, expand=1)

# 创建画布
canvas = tk.Canvas(legend_frame, yscrollcommand=scrollbar.set)
canvas.pack(side=tk.LEFT, fill=tk.BOTH, expand=1)

scrollbar.config(command=canvas.yview)

# 创建框架来放置图例项
inner_frame = ttk.Frame(canvas)
canvas.create_window((0, 0), window=inner_frame, anchor=tk.NW)

# 添加图例项
for line, label in zip(lines, labels):
    color = line.get_color()
    ttk.Label(inner_frame, text="■", foreground=color).pack(side=tk.LEFT)
    ttk.Label(inner_frame, text=label).pack(side=tk.LEFT, padx=(0, 10))

# 更新滚动区域
inner_frame.update_idletasks()
canvas.config(scrollregion=canvas.bbox("all"))

root.mainloop()

这个示例创建了一个带有滚动条的独立窗口来显示图例，适用于处理大量数据系列的情况。

7. 处理复杂的子图布局

在某些情况下，我们可能需要处理不规则的子图布局。Matplotlib的GridSpec可以帮助我们创建复杂的子图布局，并在其中添加单一图例。

以下是一个使用GridSpec创建复杂布局并添加单一图例的示例：

import matplotlib.pyplot as plt
import matplotlib.gridspec as gridspec
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)

# 创建图形和GridSpec
fig = plt.figure(figsize=(12, 8))
gs = gridspec.GridSpec(3, 3)

# 创建子图
ax1 = fig.add_subplot(gs[0, :2])
ax2 = fig.add_subplot(gs[1, :2])
ax3 = fig.add_subplot(gs[2, :2])
ax4 = fig.add_subplot(gs[:, 2])

# 在子图中绘制数据
line1, = ax1.plot(x, y1, 'r-', label='Sine - how2matplotlib.com')
line2, = ax2.plot(x, y2, 'b-', label='Cosine - how2matplotlib.com')
line3, = ax3.plot(x, y3, 'g-', label='Tangent - how2matplotlib.com')
ax4.hist(np.random.randn(1000), bins=30, orientation='horizontal', label='Histogram - how2matplotlib.com')

# 设置子图标题
ax1.set_title('Sine Wave - how2matplotlib.com')
ax2.set_title('Cosine Wave - how2matplotlib.com')
ax3.set_title('Tangent Wave - how2matplotlib.com')
ax4.set_title('Histogram - how2matplotlib.com')

# 调整子图布局
plt.tight_layout()

# 创建一个新的轴对象用于放置图例
legend_ax = fig.add_axes([0.1, 0.05, 0.8, 0.05])  # [left, bottom, width, height]
legend_ax.axis('off')  # 隐藏轴线

# 创建单一图例
legend_ax.legend([line1, line2, line3, ax4.patches[0]], 
                 ['Sine - how2matplotlib.com', 'Cosine - how2matplotlib.com', 
                  'Tangent - how2matplotlib.com', 'Histogram - how2matplotlib.com'], 
                 loc='center', ncol=4)

plt.show()

Output:

Matplotlib中如何为所有子图创建单一图例

在这个示例中，我们使用GridSpec创建了一个复杂的子图布局，包括三个水平排列的子图和一个垂直的直方图。然后，我们在底部添加了一个单一的图例，包含所有子图的标签。

8. 处理动态更新的图表

在某些应用中，我们可能需要处理动态更新的图表，例如实时数据可视化。在这种情况下，我们需要确保单一图例也能随着图表的更新而更新。

以下是一个动态更新图表并保持单一图例更新的示例：

import matplotlib.pyplot as plt
import numpy as np
from matplotlib.animation import FuncAnimation

# 创建图形和子图
fig, (ax1, ax2) = plt.subplots(2, 1, figsize=(10, 8))
fig.suptitle('Dynamic Plot with Single Legend - how2matplotlib.com')

# 初始化数据
x = np.linspace(0, 2*np.pi, 100)
line1, = ax1.plot([], [], 'r-', label='Sine - how2matplotlib.com')
line2, = ax2.plot([], [], 'b-', label='Cosine - how2matplotlib.com')

# 设置坐标轴范围
ax1.set_xlim(0, 2*np.pi)
ax1.set_ylim(-1.5, 1.5)
ax2.set_xlim(0, 2*np.pi)
ax2.set_ylim(-1.5, 1.5)

# 创建一个新的轴对象用于放置图例
legend_ax = fig.add_axes([0.1, 0.05, 0.8, 0.05])  # [left, bottom, width, height]
legend_ax.axis('off')  # 隐藏轴线

# 创建单一图例
legend = legend_ax.legend([line1, line2], 
                          ['Sine - how2matplotlib.com', 'Cosine - how2matplotlib.com'], 
                          loc='center', ncol=2)

# 更新函数
def update(frame):
    # 更新数据
    y1 = np.sin(x + frame/10)
    y2 = np.cos(x + frame/10)

    # 更新线条数据
    line1.set_data(x, y1)
    line2.set_data(x, y2)

    return line1, line2

# 创建动画
anim = FuncAnimation(fig, update, frames=200, interval=50, blit=True)

plt.tight_layout()
plt.show()

Output:

Matplotlib中如何为所有子图创建单一图例

在这个示例中，我们创建了两个动态更新的子图，并在底部添加了一个单一的图例。图例会随着图表的更新而保持不变，因为我们在初始化时就创建了图例，并且图例引用的是固定的线条对象。

9. 处理3D图表

Matplotlib也支持创建3D图表。当处理3D子图时，创建单一图例的方法略有不同。以下是一个包含3D子图并创建单一图例的示例：

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

# 创建示例数据
x = np.linspace(-5, 5, 100)
y = np.linspace(-5, 5, 100)
X, Y = np.meshgrid(x, y)
Z1 = np.sin(np.sqrt(X**2 + Y**2))
Z2 = np.cos(np.sqrt(X**2 + Y**2))

# 创建图形和子图
fig = plt.figure(figsize=(12, 8))
ax1 = fig.add_subplot(121, projection='3d')
ax2 = fig.add_subplot(122, projection='3d')

# 绘制3D表面
surf1 = ax1.plot_surface(X, Y, Z1, cmap='viridis', label='Sine - how2matplotlib.com')
surf2 = ax2.plot_surface(X, Y, Z2, cmap='plasma', label='Cosine - how2matplotlib.com')

# 设置标题
ax1.set_title('3D Sine Surface - how2matplotlib.com')
ax2.set_title('3D Cosine Surface - how2matplotlib.com')

# 创建一个新的轴对象用于放置图例
legend_ax = fig.add_axes([0.1, 0.05, 0.8, 0.05])  # [left, bottom, width, height]
legend_ax.axis('off')  # 隐藏轴线

# 创建代理对象用于图例
proxy1 = plt.Rectangle((0, 0), 1, 1, fc='viridis')
proxy2 = plt.Rectangle((0, 0), 1, 1, fc='plasma')

# 创建单一图例
legend_ax.legend([proxy1, proxy2], 
                 ['Sine Surface - how2matplotlib.com', 'Cosine Surface - how2matplotlib.com'], 
                 loc='center', ncol=2)

plt.tight_layout()
plt.show()

在这个示例中，我们创建了两个3D表面图，并使用颜色代理对象（color proxies）来创建单一图例。这是因为3D表面图对象本身不能直接用于创建图例。

10. 总结

创建单一图例为所有子图是提高Matplotlib图表可读性和专业性的有效方法。通过本文介绍的各种技巧和示例，你应该能够处理各种复杂的图表布局和数据可视化需求。记住以下几点：

  1. 使用fig.add_axes()创建专门用于图例的轴对象。
  2. 根据需要调整图例的位置、样式和布局。
  3. 对于大量数据系列，考虑使用多列图例或滚动图例。
  4. 使用GridSpec可以更灵活地处理复杂的子图布局。
  5. 对于动态更新的图表，确保图例能够正确更新。
  6. 处理3D图表时，可能需要使用代理对象来创建图例。

通过掌握这些技巧，你将能够创建更加清晰、专业的数据可视化图表，有效地传达你的数据洞察。记住，好的数据可视化不仅仅是展示数据，更是讲述数据背后的故事。合理使用单一图例可以帮助你更好地讲述这个故事。

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