装饰物指的是你可以添加到一个图形上的所有额外元素，以美化它或使它更清晰。装饰物包括图例、注释、颜色条、文本等标准元素，但也可以专门设计自己的元素。上篇Matplotlib 可视化之注释与文本高级应用一文中，已经接触了注释与文本的应用实例，今天和云朵君一起继续学习图例与标签元素的应用实例。

配置图例

想在可视化图形中使用图例，可以为不同的图形元素分配标签。

图例非常容易使用，只要求用户命名图。Matplotlib将自动创建一个包含每个图形元素的图例。即使在大多数情况下，一个简单的legend() 调用就足够了，但图例还是提供了几个选项，允许我们自定义图例的各个配置。如使用

ax.legend(loc='upper left',

frameon=False,

edgecolor="None")

完整代码解析

fig = plt.figure(figsize=(9.6, 4))

ax = plt.subplot(

xlim=[-np.pi, np.pi],

xticks=[-np.pi, -np.pi / 2, 0, np.pi / 2, np.pi],

xticklabels=["$-\pi$", "$-\pi/2$", "0", "$+\pi/2$", "$+\pi$"],

ylim=[-1, 1],

yticks=[-1, 0, 1],

yticklabels=["-1", "0", "+1"],

)

X = np.linspace(-np.pi, np.pi, 256, endpoint=True)

C, S = np.cos(X), np.sin(X)

# 绘制两条折线，颜色默认

ax.plot(X, C, label="$cos(x)$", clip_on=False)

ax.plot(X, S, label="$sin(x)$", clip_on=False)

# 隐藏上右边的轴线

ax.spines["right"].set_visible(False)

ax.spines["top"].set_visible(False)

# 移动下左边的轴线

ax.spines["left"].set_position(("data", -3.25))

ax.spines["bottom"].set_position(("data", -1.25))

ax.legend(edgecolor="None",loc=2,frameon=False)

然而，在某些情况下，用图例来添加信息可能不是最合适的方式。例如，当你有多个图表时，读者在阅读图表，视线在图表和图例之间来回切换时，可能会觉得很乏味。另一种可以解决此类困惑的方法是在下图所示的图上直接添加信息。

详细代码解析

X = np.linspace(-np.pi, np.pi, 400, endpoint=True)

C, S = np.cos(X), np.sin(X)

plot1, plot2 = plot(ax) # 绘制折线图的对象

# --------------------P1-------------------------

# 用小横线标注在折线旁边

ax.text(

X[-1], C[-1],

" — " + plot1.get_label(), # 从对象中获取标签

color=plot1.get_color(), # 从对象中获取线条颜色

size="small", ha="left", va="center",)

# --------------------P2--------------------------

# 标注在对应折线上，且有透明边框

ax.text(

X[100], C[100],

" " + plot1.get_label(),

bbox=dict(facecolor="white", edgecolor="None", alpha=0.85),

color=plot1.get_color(),

ha="center", va="center", size="small",

rotation=42.5,)

# --------------------P3--------------------------

# 使用箭头

ax.annotate(

"$cos(x)$",

(X[100], C[100]),

size="medium",

color=plot1.get_color(),

xytext=(-50, +10),

textcoords="offset points",

arrowprops=dict(

arrowstyle="->", color=plot1.get_color(),

connectionstyle="arc3,rad=-0.3"),)

# --------------------P4--------------------------

# 圈点和注释的组合

index = 10

ax.scatter(

[X[index]], [C[index]],

s=100, marker="o", zorder=10,

edgecolor=plot1.get_color(),

facecolor="white", linewidth=1, clip_on=False,)

ax.text(

X[index], 1.01 * C[index],

"A",

zorder=20,size="small",

color=plot1.get_color(),

ha="center", va="center", clip_on=False,)

当然，这里是没有最好的选择，因为它真的取决于数据。对于上述的sin / cos的示例(非常简单)，这四种解决方案都是合适的，但当有很多实际数据一起使用时，可能这种方法就失效了。此时我们可能需要寻求其他方式来标记数据，如将图分成几个图分别展示。

展开全文

标题和标签

我们已经使用 set_title、set_xlabel 和 set_ylabel 方法操作了标题和标签。当仅仅使用默认参数时，确实比较方便。并且它们的默认位置通常对大多数图表都比较合适。尽管如此，仍然可以使用各种参数来定制和美化图形。

如下面两个图所示，对比观察，可以明显发现：上图大部分使用了默认参数。而下图中，用轴标签替换轴刻度标签，即在轴中间加上说明标签，为了使其更靠近轴，删除了可能与标签碰撞的中心刻度。此外，将标题其向右移动，并相应地移动图例框，将其放置在标题下方，并且使用一行两列的排列方式。其实这里没有做过复杂的操作，但我认为结果在视觉上更惊艳。

完整代码解析

ax.legend(

edgecolor="None",

ncol=2,

loc="upper right",

bbox_to_anchor=(1.01, 1.225),

# 用于与loc一起定位图例的框。(x, y, width, height)

borderaxespad=1,

# 轴线和图例边框之间的填充，以字体大小为单位。

)

# 设置标题

ax.set_title("三角函数", x=1, y=1.2, ha="right",size=14)

# 设置x轴标签

ax.set_xlabel("角度", va="center", weight="bold",size=12)

ax.xaxis.set_label_coords(0.5, -0.25)

# 设置标签的坐标。

# 默认情况下，y 标签的 x 坐标和 x 标签的 y 坐标由刻度标签边界框确定，

# 但是如果有多个轴，这可能会导致多个标签对齐不良。

# 设置y轴标签

ax.set_ylabel("值", ha="center", weight="bold",size=12)

ax.yaxis.set_label_coords(-0.025, 0.5)

在某些情况下(如会议海报)，可能需要让标题更吸引眼球，如下图所示。这可以通过使用make_axes_locatable 方法来划分每个轴，并为标题区域预留15%的高度。在这个图中，还用Latex 插入了一个完全对齐的文本，它可以被看作是另一种形式或(高级)装饰。

完整代码参见latex-text-box[1]

注释

在matplotlib中，注释可能是最难处理的对象。原因是它包含的概念众多，而这些概念又具有大量的参数。此外，由于注释所涉及的文本大小是按点排列的，这无疑又是雪上加霜。此外可能需要混合使用像素、点、分数或数据单元中的绝对坐标或相对坐标。你可以这么认为，你可以对具有任何类型投影的任何轴进行注释，那么你现在应该可以理解到为什么annotate方法提供这么多参数。

上面这段话比较抽象，接下来我们一起看下具体例子。注释图形最简单的方法是在想要注释的点附近添加标签，如下图所示。图中，为了使得标签独立于数据分布保持可读性，为标签添加了一个白色的轮廓。然而，如果这样的点过多，所有不同的标签可能会使图形变得混乱，并可能会掩盖潜在的重要信息。

完整代码解析

import matplotlib.patheffects

as path_effects

fig = plt.figure(figsize=(10, 5))

ax = plt.subplot(1, 2, 1, xlim=[-1, +1],

xticks=[], ylim=[-1, +1],

yticks=[], aspect=1)

# ---------------------------------------------

# 绘制散点图

np.random.seed(123)

X = np.random.normal(0, 0.35, 1000)

Y = np.random.normal(0, 0.35, 1000)

ax.scatter(X, Y, edgecolor="None", s=60,

facecolor="C1", alpha=0.5)

# 不重复采用：array([1, 4, 0, 3, 2])

I = np.random.choice(len(X), size=5,

replace=False)

# 根据y值，从大到小排序

Px, Py = X[I], Y[I]

I = np.argsort(Y[I])[::-1]

Px, Py = Px[I], Py[I]

# 将随机选取的五个点用黑色边框框选出

ax.scatter(Px, Py, edgecolor="black", facecolor="white", zorder=20)

ax.scatter(Px, Py, edgecolor="None", facecolor="C1", alpha=0.5, zorder=30)

添加标签注释

for i

in range(len(I)):

# 五个注释是样式是一样的，可以使用循环添加

text = ax.annotate(

"Point " + chr(ord("A") + i),

xy=(Px[i], Py[i]),

xycoords="data",

xytext=(0, 18),

textcoords="offset points",

ha="center",

size="medium",

arrowprops=dict(

arrowstyle="->", shrinkA=0, shrinkB=5, color="black", linewidth=0.75),

)

text.set_path_effects(

[path_effects.Stroke(linewidth=2, foreground="white"), path_effects.Normal()]

)

text.arrow_patch.set_path_effects(

[path_effects.Stroke(linewidth=2, foreground="white"), path_effects.Normal()]

)

另一种方法是将标签推到图的一侧，并使用虚线来建立点和标签之间的链接，如下图所示。

但这些形状、位置、排列方式等样式的设计并不是图形自动的，为了绘制出该图形，就必须计算几乎所有的东西。

首先，为了不让线相互交叉，将目标标记的点排序:

X = np.random.normal(0, .35, 1000)

Y = np.random.normal(0, .35, 1000)

ax.scatter(X, Y, edgecolor="None",

facecolor="C1", alpha=0.5)

I = np.random.choice(len(X), size=5, replace=False)

Px, Py = X[I], Y[I]

I = np.argsort(Y[I])[::-1]

Px, Py = Px[I], Py[I]

从这些点开始，使用一个相当复杂的连接样式来注释它们:

y, dy = 0.25, 0.125

style = "arc,angleA=-0,angleB=0,armA=-100,armB=0,rad=0"

for i

in range(len(I)):

text = ax2.annotate(

"Point " + chr(ord("A") + i),

xy=(Px[i], Py[i]),

xycoords="data",

xytext=(1.25, y - i * dy),

textcoords="data",

arrowprops=dict(

arrowstyle="->",

color="black",

linewidth=0.75,

shrinkA=20,

shrinkB=5,

patchA=None,

patchB=None,

connectionstyle=style,

),

)

text.arrow_patch.set_path_effects(

[path_effects.Stroke(linewidth=2, foreground="white"), path_effects.Normal()]

)

也可以使用连接补片的方式在轴外来注释的目标对象，如下图所示。

该图中，创建了几个矩形，在一些点周围显示感兴趣的区域，并创建了与相应的缩放轴的连接。注意连接开始在外面的矩形，这是一个不错的功能提供的注释：可以指定对象的性质要注释(通过提供一个patche)和matplotlib会照顾的连接边界的起源的patche。

完整代码解析

from matplotlib.gridspec

import GridSpec

from matplotlib.patches

import Rectangle, ConnectionPatch

# 设置画布

fig = plt.figure(figsize=(6, 5))

n = 5

gs = GridSpec(n, n + 1)

ax = plt.subplot( gs[:n, :n],

xlim=[-1, +1], xticks=[],

ylim=[-1, +1], yticks=[], aspect=1)

# 绘制散点图略（见上面代码）

dx, dy = 0.075, 0.075

for i, (x, y)

in enumerate(zip(Px, Py)):

# 设置子画布

sax = plt.subplot(

gs[i, n],

xlim=[x - dx, x + dx],

xticks=[],

ylim=[y - dy, y + dy],

yticks=[],

aspect=1,)

# 在子画布上绘制散点

sax.scatter(X, Y, edgecolor="None",

facecolor="C1", alpha=0.5,s=60)

sax.scatter(Px, Py, edgecolor="black",

facecolor="None", linewidth=0.75,s=60)

# 加上注释

sax.text(

1.1, 0.5,

"Point " + chr(ord("A") + i),

rotation=90, size=8, ha="left", va="center",

transform=sax.transAxes, )

# 绘制矩形

rect = Rectangle(

(x - dx, y - dy),

2 * dx, 2 * dy,

edgecolor="black", facecolor="None",

linestyle="--", linewidth=0.75, )

ax.add_patch(rect)

# 绘制连接补丁Patch

con = ConnectionPatch(

xyA=(x, y), coordsA=ax.transData,

xyB=(0, 0.5), coordsB=sax.transAxes,

linestyle="--", linewidth=0.75, patchA=rect, arrowstyle="->", ) fig.add_artist(con)

GridSpec：指定子图将放置的网格的几何位置。需要设置网格的行数和列数。子图布局参数（例如，左，右等）可以选择性调整。

ConnectionPatch：用于在两点之间建立连接线。

参数：

xyA: 它是x-y图上也称为点A的连接线的起点。

xyB: 它是x-y图上连接线的起点，也称为点B。

coordsA: A点的坐标。

coordsB: B点的坐标。

axesA: 它是x-y图上连接轴的起点。

axesB: 它是x-y图上连接轴的终点。

arrowstyle: 用于设置连接箭头的样式。其默认类型为“-”。

arrow_transmuter: 用于忽略连接线。

connectionstyle: 它描述了posA和posB的连接方式。它可以是ConnectionStyle类的实例，也可以是connectionstyle名称的字符串，它具有可选的逗号分隔属性。

connector: 通常忽略它，并决定忽略哪个连接器。

patchA: 用于在A点添加补丁。

patchB: 用于在B点添加补丁

shrinkA: 用于在A点收缩连接器。

shrinkB: 用于在B点收缩连接器。

mutation_scale: 箭头样式的属性(例如head_length)的缩放比例值。

mutation_aspect: 变异前，矩形的高度将被该值挤压，变异框将被其倒数拉伸。

clip_on: 设置艺术家是否使用剪辑。

dpi_cor: dpi_cor当前用于linewidth-related事物和收缩因子。突变规模受此影响。

参考资料

[1]latex-text-box: https://github.com/rougier/scientific-visualization-book/blob/master/code/ornaments/latex-text-box.py

[2]Scientific Visualisation-Python & Matplotlib

【声明】本文版权归原作者所有，内容为作者个人观点，转载目的在于传递更多信息，如涉及作品内容、版权等问题，可联系本站删除，谢谢。