1. 主要参数

当不设置图例的参数时，默认的图例是这样的。

import numpy as np
import matplotlib.pyplot as plt

x = np.linspace(0, 10, 100)
y1 = np.sin(x)
y2 = np.cos(x)

fig = plt.figure()
ax = fig.add_axes([0.1, 0.1, 0.8, 0.8])
ax.plot(x, y1, label="sin")
ax.plot(x, y2, label="cos")
ax.legend()

图例就是右上角的那个部分。
图例的主要参数，其实也就是上例 ax.lengend() 函数的主要参数：

图例位置相关：loc （位置字符串）
边框相关：facecolor（背景色），edgecolor（边框颜色），shadow（是否设置阴影）framemon（是否有边框和背景）
图例的列数：默认是1列多行的格式，ncol（列的个数）

2. 配置示例

通过示例来演示常用的设置。

2.1. 图例位置

fig, ax = plt.subplots(3, 3)
fig.set_size_inches(10, 10)

locations = [
    ["lower left", "lower center", "lower right"],
    ["center left", "center", "center right"],
    ["upper left", "upper center", "upper right"],
]
for i in range(3):
    for j in range(3):
        ax[i, j].plot(x, y1, label="sin")
        ax[i, j].plot(x, y2, label="cos")
        ax[i, j].legend(loc=locations[i][j])

上面的示例显示了不同位置的图例。

2.2. 图例边框

边框可以设置边框的背景色，边框颜色和是否有阴影。

fig = plt.figure()
ax = fig.add_axes([0.1, 0.1, 0.8, 0.8])
ax.plot(x, y1, label="sin")
ax.plot(x, y2, label="cos")
ax.legend(facecolor="lightblue", edgecolor="red", shadow=True)

上例中，背景色 lightblue，边框 red，阴影设置为 True。

设置无边框比较简单，frameon=False 即可。

fig = plt.figure()
ax = fig.add_axes([0.1, 0.1, 0.8, 0.8])
ax.plot(x, y1, label="sin")
ax.plot(x, y2, label="cos")
ax.legend(frameon=False)

2.3. 图例分列

图例默认都是一列多行的格式，比如上面的的各个示例，图例都是依次竖着排列下来的。
可以通过 ncol 属性，让图例横着排列。

fig = plt.figure()
ax = fig.add_axes([0.1, 0.1, 0.8, 0.8])
ax.plot(x, y1, label="sin")
ax.plot(x, y2, label="cos")
ax.legend(frameon=False, loc="upper center", ncol=2)

上面的示例，图例(legend)设置为两列，位于上方中间位置。

2.4. 多个图例

一般的图形都只有一个图例，比如上面的都是这样的，sin和cos都在一个图例中。
如果图例太多，或者多个图例之间关系不大，也可以创建多个图例。

from matplotlib.legend import Legend

x = np.linspace(0, 10, 100)
y1 = np.sin(x)
y2 = np.cos(x)
y3 = np.sin(x + 1)
y4 = np.cos(x + 1)

fig = plt.figure()
ax = fig.add_axes([0.1, 0.1, 0.8, 0.8])
legends = []
legends += ax.plot(x, y1, label="sin1")
legends += ax.plot(x, y2, label="cos1")
legends += ax.plot(x, y3, label="sin2")
legends += ax.plot(x, y4, label="cos2")
ax.legend(legends[:2], ["sin1", "cos1"], loc="upper right")

leg = Legend(ax, legends[2:], ["sin2", "cos2"], loc="lower left")
ax.add_artist(leg)

上面的示例中的4个曲线，分成了2个图例来说明。
一个图例在右上角，一个图例在左下角。

2.5. 图例中不同大小的点

最后，介绍一种更复杂的图例显示方式。

首先生成主要几个省市的人口散点图（数据是网络上搜索的），
生成图例的时候，给3个主要的节点500万人，5000万人，1亿人设置的点的大小比例与图中的各个散点数据保持一致。

x = ["广东", "山东", "江苏", 
     "湖北", "浙江", "吉林", 
     "甘肃", "宁夏", "青海", "西藏"]
y = np.array([10432, 9578, 7866, 
              5723, 5442, 2745,
              2557, 630, 562, 300])

fig = plt.figure(figsize=[10, 8])
plt.scatter(x, y, c=np.log10(y), s=y/16)

#创建图例
for population in [500, 5000, 10000]:
    plt.scatter([],[], c='b', 
                s=population/16, 
                alpha=0.3, 
                label=str(population)+" (万人)")

plt.legend(scatterpoints=1, 
           labelspacing=1.5, 
           title="人口图例",
           frameon=False)

3. 总结

图例可以设置成各式各样，本篇介绍的图例设置方式并不是仅仅为了美观，
更重要的是利用这些设置方式帮助用户能够达成以下目的：

帮助观察者快速了解图像数据：图例提供了关于图像数据的简洁、易于理解的解释，使得观察者能够快速了解图像的主题和内容。
帮助观察者更好地理解图像细节：在一些复杂的图像中，观察者可能需要花费很多时间才能理解其中的细节。图例可以提供关于图像细节的额外信息，使得观察者能够更好地理解图像。
帮助观察者发现图像中的异常或者重要信息：图例可以用于指出图像中的异常或者重要信息，帮助观察者更好地理解和分析图像。