Matplotlib Python: Добавление и Настройка Легенды на Графиках

В мире анализа данных и машинного обучения визуализация играет ключевую роль в понимании сложных закономерностей. Однако даже самый красивый график может оказаться бесполезным, если его элементы не имеют четких пояснений. Именно здесь на помощь приходят легенды – незаменимый инструмент для расшифровки условных обозначений на графиках Matplotlib.

Саммари статьи

ChatGPT

Google AI

Grok

Perplexity

Легенда (или условные обозначения) позволяет сопоставить различные линии, маркеры или области на графике с соответствующими им наборами данных или категориями. Без нее читателю было бы крайне сложно отличить одну серию данных от другой, особенно на многомерных или сложных графиках.

В этой статье мы глубоко погрузимся в мир легенд Matplotlib. Мы начнем с основ добавления простой легенды, затем перейдем к тонкой настройке ее положения и внешнего вида, и, наконец, рассмотрим продвинутые сценарии использования легенд для сложных графиков и подграфиков. Наша цель – дать вам все необходимые инструменты для создания информативных и профессионально выглядящих визуализаций.

Основы работы с легендой в Matplotlib

После того как мы убедились в неоспоримой важности легенд для создания информативных и легко интерпретируемых графиков, пришло время перейти к практическим аспектам их реализации в Matplotlib. В этом разделе мы заложим фундамент для дальнейшей работы, рассмотрев базовые принципы и функции, необходимые для добавления условных обозначений на ваши визуализации.

Мы начнем с определения того, что представляет собой легенда и почему она является ключевым элементом любого сложного графика. Затем мы перейдем к изучению основной функции plt.legend() и параметра label, которые позволяют добавить простую, но эффективную легенду к вашим данным.

Что такое легенда и зачем она нужна?

Легенда на графике — это ключевой элемент визуализации данных, который служит своеобразным «ключом» или «словарем» для понимания представленной информации. Ее основная задача — сопоставить различные визуальные компоненты графика, такие как цвета линий, стили штрихов, формы маркеров или оттенки столбцов, с соответствующими им наборами данных, категориями или сериями.

Представьте график, на котором отображены несколько линий, каждая из которых представляет динамику разных показателей. Без легенды было бы крайне сложно или даже невозможно определить, какая линия относится к какому показателю. Легенда устраняет эту двусмысленность, делая график самодостаточным и легко интерпретируемым.

Таким образом, легенда не просто дополняет график, а является фундаментальным инструментом для повышения его читаемости и информативности. Она позволяет аудитории быстро и точно расшифровать смысл каждого элемента, что особенно важно при работе со сложными многомерными данными или при сравнении нескольких рядов на одном полотне.

Как добавить простую легенду: функция plt.legend() и параметр label

Для добавления легенды к графику в Matplotlib ключевым является использование параметра label при вызове функций построения, таких как plt.plot(), plt.scatter(), plt.bar() и других. Этот параметр присваивает текстовое описание каждому элементу, который вы хотите включить в легенду.

После того как вы определили label для всех необходимых элементов графика, достаточно вызвать функцию plt.legend() без аргументов. Matplotlib автоматически соберет все метки (label), присвоенные элементам на текущих осях, и отобразит их в легенде.

Рассмотрим простой пример:

import matplotlib.pyplot as plt
import numpy as np

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

plt.plot(x, np.sin(x), label='Синусоида')
plt.plot(x, np.cos(x), label='Косинусоида')

plt.xlabel('Ось X')
plt.ylabel('Ось Y')
plt.title('Пример графика с легендой')

plt.legend() # Добавляем легенду
plt.grid(True)
plt.show()

В этом примере plt.legend() автоматически создает легенду, используя метки "Синусоида" и "Косинусоида", которые были переданы функциям plt.plot(). Если label не указан для какого-либо элемента, он не будет включен в легенду. Это базовый и наиболее распространенный способ добавления легенды, который обеспечивает ее автоматическое размещение в оптимальной позиции.

Управление положением и компоновкой легенды

После того как мы научились добавлять базовую легенду, следующим важным шагом является обеспечение ее оптимального расположения на графике. Часто легенда по умолчанию может перекрывать важные данные или занимать слишком много места, что снижает читаемость визуализации.

В этом разделе мы подробно рассмотрим, как получить полный контроль над позиционированием и компоновкой легенды. Мы изучим параметры loc и bbox_to_anchor для точного размещения, а также методы управления расположением нескольких легенд или организации элементов легенды в несколько колонок с помощью ncol, чтобы ваш график оставался информативным и эстетичным.

Позиционирование легенды: loc и bbox_to_anchor

Для точного контроля над расположением легенды в Matplotlib используются два ключевых параметра: loc и bbox_to_anchor. Они позволяют размещать легенду как внутри, так и за пределами области построения графика, предотвращая перекрытие важных данных.

Параметр loc (location) определяет стандартное положение легенды. Он принимает строковые значения, такие как 'upper right', 'lower left', 'center' или числовые коды (например, 1 для 'upper right', 3 для 'lower left'). Наиболее гибкое значение — 'best', которое позволяет Matplotlib автоматически выбрать оптимальное место, минимизируя перекрытие данных.

Параметр bbox_to_anchor предоставляет гораздо более детальный контроль. Он принимает кортеж (x, y) или (x, y, width, height), определяющий прямоугольник, относительно которого будет позиционироваться легенда. Координаты x и y обычно задаются в относительных координатах осей (от 0 до 1). Например, bbox_to_anchor=(1.05, 1) в сочетании с loc='upper left' разместит верхний левый угол легенды немного правее и выше верхнего правого угла графика, эффективно вынося ее за пределы области построения. Это особенно полезно, когда необходимо сохранить максимальное пространство для данных на графике.

Размещение нескольких легенд и использование ncol

После того как мы освоили точное позиционирование легенды, следующим шагом является оптимизация ее внутренней компоновки и возможность размещения нескольких легенд на одном графике.

Использование ncol для компоновки легенды

Параметр ncol в функции plt.legend() позволяет расположить элементы легенды в несколько колонок вместо одной вертикальной. Это особенно полезно, когда у вас много элементов в легенде, и вы хотите сэкономить вертикальное пространство или сделать легенду более компактной. Значение ncol определяет количество колонок.

Например, plt.legend(ncol=2) разделит элементы легенды на две колонки, а plt.legend(ncol=3) — на три.

import matplotlib.pyplot as plt

# Пример данных
x = [1, 2, 3, 4]
y1 = [1, 2, 3, 4]
y2 = [4, 3, 2, 1]
y3 = [1, 1, 2, 2]
y4 = [4, 4, 3, 3]

plt.plot(x, y1, label='Линия 1')
plt.plot(x, y2, label='Линия 2')
plt.plot(x, y3, label='Линия 3')
plt.plot(x, y4, label='Линия 4')

plt.legend(ncol=2, loc='upper center')
plt.title('Легенда в двух колонках')
plt.show()

Размещение нескольких легенд на одном графике

Иногда возникает необходимость отобразить несколько независимых легенд на одном графике, например, для разделения различных категорий данных или для выделения отдельных групп элементов. plt.legend() по умолчанию заменяет предыдущие легенды на осях. Чтобы добавить несколько легенд, необходимо сохранить каждую легенду как объект и затем явно добавить ее к осям с помощью ax.add_artist().

import matplotlib.pyplot as plt

fig, ax = plt.subplots()

# Первая группа данных
line1, = ax.plot([1, 2, 3], [1, 2, 3], color='blue', label='Категория A1')
line2, = ax.plot([1, 2, 3], [3, 2, 1], color='lightblue', label='Категория A2')

# Вторая группа данных
line3, = ax.plot([1, 2, 3], [1, 1.5, 2], color='red', label='Категория B1')
line4, = ax.plot([1, 2, 3], [2, 1.5, 1], color='lightcoral', label='Категория B2')

# Создаем первую легенду и добавляем ее к осям
legend1 = ax.legend(handles=[line1, line2], loc='upper left', title='Группа A')
ax.add_artist(legend1)

# Создаем вторую легенду
legend2 = ax.legend(handles=[line3, line4], loc='upper right', title='Группа B')

plt.title('График с двумя легендами')
plt.show()

Обратите внимание, что ax.add_artist(legend1) позволяет сохранить legend1 на графике, в то время как последующий вызов ax.legend() создает legend2 без удаления legend1.

Кастомизация внешнего вида легенды

После того как мы освоили управление положением и компоновкой легенды, включая использование нескольких колонок и размещение нескольких легенд на одном графике, следующим шагом станет ее визуальная доработка. Matplotlib предлагает обширный набор инструментов для кастомизации внешнего вида легенды, что позволяет идеально вписать ее в общий дизайн графика и повысить его информативность.

В этом разделе мы подробно рассмотрим, как можно изменить шрифт, цвет фона, стиль рамки и другие визуальные атрибуты легенды. Также мы уделим внимание настройке отображения маркеров и линий, чтобы легенда максимально точно отражала данные на графике.

Настройка шрифта, фона и рамки легенды

Для придания легенде уникального стиля и улучшения ее читаемости Matplotlib предоставляет обширные возможности кастомизации. Вы можете настроить шрифт, фон и рамку легенды, используя соответствующие параметры функции plt.legend().

Настройка шрифта:
Параметры fontsize (размер), fontweight (насыщенность) и labelcolor (цвет текста) позволяют контролировать внешний вид текста легенды. Для более детального управления шрифтом можно использовать словарь prop, передавая ему свойства шрифта, такие как family (семейство шрифтов).

Настройка фона и рамки:
Параметр facecolor задает цвет фона легенды, а framealpha (от 0 до 1) — его прозрачность. Чтобы управлять рамкой, используйте frameon (True/False для отображения), edgecolor (цвет рамки) и linewidth (толщина линии рамки).

Пример комплексной кастомизации:

import matplotlib.pyplot as plt  
import numpy as np  
  
x = np.linspace(0, 10, 100)  
plt.plot(x, np.sin(x), label='Синус')  
plt.plot(x, np.cos(x), label='Косинус')  
  
plt.legend(fontsize='large', labelcolor='darkgreen',
           prop={'family': 'serif', 'weight': 'bold'},
           facecolor='lightcyan', framealpha=0.7,
           frameon=True, edgecolor='darkblue', linewidth=1.2)

plt.title('График с полностью кастомизированной легендой')
plt.xlabel('Ось X')
plt.ylabel('Ось Y')
plt.grid(True)
plt.show()

Этот пример демонстрирует, как можно одновременно настроить шрифт, фон и рамку, чтобы легенда идеально вписывалась в общий дизайн графика.

Отображение маркеров и линий в легенде

После настройки общих визуальных параметров легенды, таких как шрифт, фон и рамка, важно уделить внимание тому, как в ней отображаются сами графические элементы — маркеры и линии. Matplotlib по умолчанию достаточно хорошо справляется с этим, автоматически подбирая стиль отображения в легенде в соответствии с тем, как элементы представлены на графике. Однако для достижения максимальной ясности и эстетики доступны дополнительные параметры кастомизации.

Для тонкой настройки отображения маркеров и линий в легенде используются следующие параметры функции plt.legend():

• handlelength: Определяет длину «ручки» (линии или маркера) в легенде. Значение по умолчанию обычно равно 2.0. Увеличение этого значения может быть полезно, когда необходимо лучше различить различные типы линий (например, сплошные, пунктирные).

• handletextpad: Задает отступ между «ручкой» (маркером/линией) и текстовой меткой в легенде. По умолчанию это значение составляет 0.8. Изменение этого параметра позволяет улучшить читаемость, предотвращая слипание текста с графическим элементом.

• markerscale: Позволяет масштабировать размер маркеров, отображаемых в легенде, относительно их размера на самом графике. Значение по умолчанию равно 1.0. Например, markerscale=1.5 сделает маркеры в легенде в полтора раза больше.

• markerfirst: Логический параметр (True или False), который определяет, должен ли маркер отображаться перед линией (True, по умолчанию) или после нее (False) в легенде. Это может быть полезно для специфических дизайнерских решений.

Пример использования этих параметров:

import matplotlib.pyplot as plt

plt.figure(figsize=(8, 5))
plt.plot([0, 1, 2], [1, 2, 1], label='Данные A', color='blue', marker='o', linestyle='-', linewidth=2)
plt.plot([0, 1, 2], [2, 1, 2], label='Данные B', color='red', marker='x', linestyle='--', linewidth=2)

plt.legend(
    handlelength=3.0,      # Увеличиваем длину линии в легенде
    handletextpad=1.2,     # Увеличиваем отступ между маркером и текстом
    markerscale=1.5,       # Увеличиваем размер маркеров в легенде
    markerfirst=True       # Маркеры отображаются перед линией (по умолчанию)
)

plt.title('График с кастомизированной легендой')
plt.xlabel('Ось X')
plt.ylabel('Ось Y')
plt.grid(True)
plt.show()

Эти параметры дают полный контроль над тем, как графические элементы представлены в легенде, что критически важно для создания информативных и визуально привлекательных графиков.

Легенды для сложных графиков и сценариев

После того как мы освоили базовые принципы добавления и тонкой настройки внешнего вида легенд, включая управление маркерами и линиями, пришло время рассмотреть более продвинутые и специфические сценарии. В реальных проектах часто приходится работать с разнообразными типами графиков и сложными композициями, где стандартные подходы к легендам могут потребовать адаптации.

В этом разделе мы углубимся в особенности применения легенд для таких графиков, как точечные диаграммы, а также разберем, как эффективно управлять условными обозначениями при работе с несколькими подграфиками на одном холсте Matplotlib. Это позволит вам создавать еще более информативные и профессиональные визуализации.

Легенды для точечных (scatter) и других типов графиков

При работе с точечными графиками (scatter plots) и другими типами визуализаций, отличными от линейных, принцип добавления легенды остается схожим: необходимо передать параметр label соответствующей функции построения графика. Однако, в отличие от линейных графиков, где часто достаточно одной функции plt.plot() с несколькими наборами данных, для scatter графиков обычно требуется вызывать plt.scatter() для каждой группы точек, которую вы хотите отобразить в легенде.

Рассмотрим пример с точечным графиком, где мы хотим различить две группы данных:

import matplotlib.pyplot as plt
import numpy as np

# Создаем две группы случайных данных
np.random.seed(42)
x1, y1 = np.random.rand(50), np.random.rand(50)
x2, y2 = np.random.rand(50) + 0.5, np.random.rand(50) + 0.5

plt.figure(figsize=(8, 6))
plt.scatter(x1, y1, label='Группа A', color='blue', alpha=0.7)
plt.scatter(x2, y2, label='Группа B', color='red', alpha=0.7)
plt.legend()
plt.title('Точечный график с легендой для разных групп')
plt.xlabel('Значение X')
plt.ylabel('Значение Y')
plt.grid(True)
# plt.show()

В этом примере каждая группа точек (Группа A и Группа B) создается отдельным вызовом plt.scatter(), и каждому вызову присваивается свой label. Функция plt.legend() затем автоматически собирает эти метки и соответствующие им маркеры (в данном случае, точки) для отображения.

Этот подход универсален и применим к большинству других типов графиков, таких как столбчатые диаграммы (plt.bar()), гистограммы (plt.hist()) и круговые диаграммы (plt.pie()), где label передается непосредственно функции построения для идентификации каждого элемента в легенде.

Работа с легендами в подграфиках (subplots)

При работе с несколькими графиками, организованными с помощью subplots, управление легендами требует особого подхода. В отличие от plt.legend(), которая по умолчанию работает с текущими осями, каждый объект Axes (оси) в Matplotlib имеет свой собственный метод .legend(). Это позволяет добавлять отдельные легенды к каждому подграфику, если это необходимо для ясности и если каждый подграфик представляет независимый набор данных.Например, если у вас есть два подграфика ax1 и ax2, вы можете добавить легенду к каждому из них, вызывая ax.legend() для соответствующего объекта Axes:

import matplotlib.pyplot as plt
import numpy as np

fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(10, 4))

x = np.linspace(0, 10, 100)
ax1.plot(x, np.sin(x), label='Синус')
ax1.plot(x, np.cos(x), label='Косинус')
ax1.set_title('Подграфик 1')
ax1.legend()

ax2.plot(x, x, label='Линейная')
ax2.plot(x, x**2 / 10, label='Квадратичная')
ax2.set_title('Подграфик 2')
ax2.legend()

plt.tight_layout()
plt.show()

Однако, часто бывает полезно иметь одну общую легенду для всей фигуры, которая объединяет элементы со всех подграфиков. Для этого можно собрать все handles (графические объекты) и labels (метки) со всех осей, а затем вызвать метод fig.legend() для объекта Figure.

handles, labels = [], []
for ax in fig.get_axes():
    for handle, label in zip(*ax.get_legend_handles_labels()):
        handles.append(handle)
        labels.append(label)

fig.legend(handles, labels, loc='upper right', bbox_to_anchor=(1.05, 1))
plt.show()

Такой подход обеспечивает централизованное управление легендой и может значительно улучшить читаемость сложных композиций графиков, особенно когда элементы разных подграфиков относятся к одной логической группе или когда пространство внутри подграфиков ограничено.

Заключение

Мы прошли путь от основ добавления простой легенды до тонкой настройки её внешнего вида и управления в сложных сценариях, таких как подграфики. Легенда — это не просто декоративный элемент, а мощный инструмент, который значительно повышает читаемость и информативность ваших графиков Matplotlib.

Мы изучили:

• Базовое добавление с plt.legend() и параметром label.

• Точное позиционирование с loc и bbox_to_anchor.

• Кастомизацию шрифтов, фона, рамок и отображения маркеров.

• Работу с легендами для различных типов графиков и в многооконных компоновках.

Освоение этих техник позволяет создавать профессиональные и легко интерпретируемые визуализации, эффективно доносящие ключевые идеи ваших данных. Помните, хорошо продуманная легенда — залог успешной коммуникации через графики.