1. 为什么需要多图共享图例？
第一次用Matplotlib画多张对比图时，我犯了个典型错误——每张子图都带着重复的图例。导出PDF后发现，50%的版面都被相同的图例占用了，数据曲线反而挤在角落里。这种冗余在学术论文和商业报告中尤为致命，比如：
- 期刊投稿：编辑常因版面浪费直接退稿
- 仪表盘展示：移动端查看时图例会挤压数据区域
- 组会汇报：听众注意力被重复元素分散
更糟的是，当对比20种算法在10个数据集的表现时，传统方法需要生成200个图例！这让我意识到必须掌握图例复用技术。经过多次项目实战，我总结出两套解决方案：全局图例控制和独立图例面板。下面用实际代码演示如何实现。
2. 全局图例控制技巧
2.1 基础版：跨子图共享图例
先看一个典型场景——比较三种算法在训练过程中的损失变化。传统做法会导致图例重复：
import matplotlib.pyplot as plt import numpy as np # 生成示例数据 x = np.linspace(0, 10, 100) y1 = np.sin(x) y2 = np.cos(x) y3 = np.tan(x * 0.5) fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(12, 4)) # 错误示范：每个子图单独添加图例 ax1.plot(x, y1, label='Algorithm A') ax1.plot(x, y2, label='Algorithm B') ax1.legend() ax2.plot(x, y1, label='Algorithm A') ax2.plot(x, y3, label='Algorithm C') ax2.legend()改进方案是使用fig.legend()实现全局控制：
# 正确做法：统一管理图例 fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(12, 4)) lines = [] lines += ax1.plot(x, y1, label='Algorithm A') lines += ax1.plot(x, y2, label='Algorithm B') lines += ax2.plot(x, y1) # 注意这里不再重复label lines += ax2.plot(x, y3, label='Algorithm C') # 提取非重复标签 unique_labels = [] handles = [] for line in lines: if line.get_label() not in unique_labels: unique_labels.append(line.get_label()) handles.append(line) fig.legend(handles, unique_labels, loc='upper center', ncol=3)关键技巧：
- 通过
line.get_label()自动去重 ncol参数控制图例列数loc参数支持'center'/'lower left'等定位
2.2 高级版：动态图例过滤
当需要选择性显示图例时，可以结合HandlerBase类实现智能过滤：
from matplotlib.legend_handler import HandlerBase class SelectiveLegend(HandlerBase): def create_artists(self, legend, orig_handle, xdescent, ydescent, width, height, fontsize, trans): # 只显示包含关键字的图例 if '重要' in orig_handle.get_label(): return super().create_artists(legend, orig_handle, xdescent, ydescent, width, height, fontsize, trans) return [] # 使用示例 fig.legend(handles, unique_labels, handler_map={plt.Line2D: SelectiveLegend()})3. 独立图例面板实战
3.1 方法一：Patch+Line2D组合
适合简单线型图例的场景，优点是生成速度快：
from matplotlib.lines import Line2D from matplotlib.patches import Patch legend_elements = [ Line2D([0], [0], color='blue', lw=2, label='线性回归'), Line2D([0], [0], marker='o', color='w', label='决策树', markerfacecolor='green', markersize=10), Patch(facecolor='red', edgecolor='black', label='随机森林') ] fig = plt.figure(figsize=(8, 0.5)) plt.figlegend(handles=legend_elements, loc='center', ncol=3, frameon=False) plt.axis('off')参数精调指南：
markerfacecolor：控制标记填充色markersize：调整标记大小frameon：是否显示图例外框
3.2 方法二：虚拟绘图法
支持散点图等复杂图例，虽然会生成临时图形但更灵活：
# 创建虚拟数据点 dummy_x = [0] fig_dummy = plt.figure() sc1 = plt.scatter(dummy_x, dummy_x, c='red', s=100, label='Cluster A') sc2 = plt.scatter(dummy_x, dummy_x, c='blue', s=50, label='Cluster B') plt.close(fig_dummy) # 立即关闭临时图形 # 构建独立图例 fig_legend = plt.figure(figsize=(6, 0.4)) plt.figlegend(handles=[sc1, sc2], loc='center', scatterpoints=1, ncol=2) plt.axis('off')性能优化技巧：
- 使用
plt.close()立即释放内存 scatterpoints=1减少渲染开销- 将图例保存为SVG矢量图便于复用
3.3 方法三：混合模式实战
结合前两种方法优势，处理混合图表类型：
# 线型图例 line1 = Line2D([], [], color='purple', linestyle='--', label='LSTM') # 散点图例 sc = plt.scatter([], [], c='orange', s=80, label='异常点') # 柱状图例 bar = Patch(facecolor='teal', edgecolor='black', label='统计量') fig = plt.figure(figsize=(9, 0.5)) plt.figlegend(handles=[line1, sc, bar], loc='center', ncol=3, handler_map={type(sc): HandlerPathCollection()}) plt.axis('off')常见问题排查：
- 如果散点图例显示异常，需要指定
handler_map - 图例元素间距用
handlelength和handletextpad调整 - 中文显示问题通过
plt.rcParams['font.sans-serif']解决
4. 工业级应用方案
4.1 自动化图例工厂
对于需要批量处理的项目，可以封装图例生成器：
class LegendFactory: def __init__(self): self.elements = [] def add_line(self, label, color, style='-', width=2): self.elements.append( Line2D([], [], color=color, linestyle=style, lw=width, label=label)) def add_marker(self, label, marker, color, size=8): self.elements.append( Line2D([], [], color=color, marker=marker, markersize=size, lw=0, label=label)) def export(self, filename, cols=3, figwidth=8): fig = plt.figure(figsize=(figwidth, 0.3*len(self.elements)/cols)) plt.figlegend(handles=self.elements, loc='center', ncol=cols, frameon=False) plt.axis('off') fig.savefig(filename, bbox_inches='tight', transparent=True) plt.close(fig) # 使用示例 factory = LegendFactory() factory.add_line('温度传感器', 'red') factory.add_marker('压力节点', 'o', 'blue') factory.export('legend.png')4.2 交互式图例控制
在Jupyter Notebook中实现动态图例：
from IPython.display import display import ipywidgets as widgets out = widgets.Output() display(out) @out.capture() def update_legend(show_lines=True, show_markers=True): elements = [] if show_lines: elements.append(Line2D([], [], color='red', label='趋势线')) if show_markers: elements.append(Line2D([], [], marker='o', color='blue', label='数据点', lw=0)) with plt.ioff(): fig = plt.figure(figsize=(6, 0.3)) plt.figlegend(handles=elements, loc='center', ncol=2) plt.axis('off') plt.show() widgets.interact(update_legend)5. 专业排版技巧
5.1 与LaTeX协同工作
学术论文常用技巧：
plt.rcParams.update({ "text.usetex": True, "font.family": "serif", "font.serif": ["Times New Roman"] }) fig = plt.figure(figsize=(3.3, 0.2)) # 双栏论文标准宽度 elements = [ Line2D([], [], color='k', linestyle='-', label=r'$\alpha=0.1$'), Line2D([], [], color='k', linestyle='--', label=r'$\beta=0.5$') ] plt.figlegend(handles=elements, loc='center', frameon=False, ncol=2) plt.axis('off') fig.savefig('legend.pdf', bbox_inches='tight')5.2 企业级样式规范
遵循公司品牌指南的配置方案：
corporate_style = { 'font.size': 9, 'legend.fontsize': 8, 'legend.edgecolor': '#2C3E50', 'legend.fancybox': False, 'legend.framealpha': 0.8, 'legend.handleheight': 0.7 } plt.style.use('seaborn') plt.rcParams.update(corporate_style) fig = plt.figure(figsize=(10, 0.4)) # 添加图例元素... plt.figlegend(..., borderpad=0.8, labelspacing=0.5, columnspacing=1.2)在真实项目中，我通常会建立图例资源库，把常用配置保存为.json文件，不同项目只需加载预设样式即可快速生成符合要求的图例。比如医疗项目用蓝色系+大字号，金融项目用金色系+紧凑布局。
