


Bagaimana untuk Memaparkan Label untuk Kedua-dua Kapak dalam Legenda Plot Twinx()?
Paksi Kedua dengan twinx(): Menambah pada Legend
Pertimbangkan plot dengan dua paksi-y, dicipta menggunakan twinx(), dengan garisan yang dilabelkan untuk setiap paksi. Walau bagaimanapun, apabila menggunakan legend(), ia hanya memaparkan label untuk satu paksi, tidak termasuk label untuk paksi kedua. Artikel ini bertujuan untuk menyelesaikan isu ini dan membimbing anda untuk menambahkan label yang hilang pada legenda.
Twinx() dan Legends
Dalam contoh yang disediakan, twinx() digunakan untuk mencipta paksi-y kedua (ax2) yang berkongsi paksi-x (masa) yang sama dengan paksi primer (ax). Apabila cuba memaparkan semua label dalam legenda, hanya yang dikaitkan dengan ax (Swdown dan Rn) kelihatan, manakala label untuk ax2 (temp) tiada.
Menambah Label yang Hilang
Untuk memasukkan label yang hilang dalam legenda, terdapat dua pendekatan:
Pendekatan 1: Pelbagai Legenda
Tambah baris berikut untuk mencipta legenda berasingan untuk ax2:
<code class="python">ax2.legend(loc=0)</code>
Ini akan memberi anda dua legenda, satu untuk setiap paksi.
Pendekatan 2: Consolidated Legend
Kepada gabungkan semua label menjadi satu legenda, ikuti langkah berikut:
-
Buat senarai semua objek garis (garisan daripada kedua-dua paksi):
<code class="python">lns = lns1 + lns2 + lns3</code>
Salin selepas log masuk -
Ekstrak label untuk setiap baris:
<code class="python">labs = [l.get_label() for l in lns]</code>
Salin selepas log masuk -
Gunakan fungsi legenda untuk menambah semua label pada satu legenda pada kapak:
<code class="python">ax.legend(lns, labs, loc=0)</code>
Salin selepas log masuk
Contoh
Kod yang diubah suai berikut menunjukkan cara menambah label temp pada legenda dengan Pendekatan 2:
<code class="python"># ... (code as before) # Combine lines and labels lns = lns1 + lns2 + lns3 labs = [l.get_label() for l in lns] ax.legend(lns, labs, loc=0) # ... (remaining code)</code>
Ini akan menghasilkan satu legenda yang mengandungi semua label baris: Swdown, Rn dan temp.
Atas ialah kandungan terperinci Bagaimana untuk Memaparkan Label untuk Kedua-dua Kapak dalam Legenda Plot Twinx()?. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!

Alat AI Hot

Undresser.AI Undress
Apl berkuasa AI untuk mencipta foto bogel yang realistik

AI Clothes Remover
Alat AI dalam talian untuk mengeluarkan pakaian daripada foto.

Undress AI Tool
Gambar buka pakaian secara percuma

Clothoff.io
Penyingkiran pakaian AI

Video Face Swap
Tukar muka dalam mana-mana video dengan mudah menggunakan alat tukar muka AI percuma kami!

Artikel Panas

Alat panas

Notepad++7.3.1
Editor kod yang mudah digunakan dan percuma

SublimeText3 versi Cina
Versi Cina, sangat mudah digunakan

Hantar Studio 13.0.1
Persekitaran pembangunan bersepadu PHP yang berkuasa

Dreamweaver CS6
Alat pembangunan web visual

SublimeText3 versi Mac
Perisian penyuntingan kod peringkat Tuhan (SublimeText3)

Topik panas











Python lebih mudah dipelajari dan digunakan, manakala C lebih kuat tetapi kompleks. 1. Sintaks Python adalah ringkas dan sesuai untuk pemula. Penaipan dinamik dan pengurusan memori automatik menjadikannya mudah digunakan, tetapi boleh menyebabkan kesilapan runtime. 2.C menyediakan kawalan peringkat rendah dan ciri-ciri canggih, sesuai untuk aplikasi berprestasi tinggi, tetapi mempunyai ambang pembelajaran yang tinggi dan memerlukan memori manual dan pengurusan keselamatan jenis.

Adakah cukup untuk belajar Python selama dua jam sehari? Ia bergantung pada matlamat dan kaedah pembelajaran anda. 1) Membangunkan pelan pembelajaran yang jelas, 2) Pilih sumber dan kaedah pembelajaran yang sesuai, 3) mengamalkan dan mengkaji semula dan menyatukan amalan tangan dan mengkaji semula dan menyatukan, dan anda secara beransur-ansur boleh menguasai pengetahuan asas dan fungsi lanjutan Python dalam tempoh ini.

Python lebih baik daripada C dalam kecekapan pembangunan, tetapi C lebih tinggi dalam prestasi pelaksanaan. 1. Sintaks ringkas Python dan perpustakaan yang kaya meningkatkan kecekapan pembangunan. 2. Ciri-ciri jenis kompilasi dan kawalan perkakasan meningkatkan prestasi pelaksanaan. Apabila membuat pilihan, anda perlu menimbang kelajuan pembangunan dan kecekapan pelaksanaan berdasarkan keperluan projek.

Python dan C masing -masing mempunyai kelebihan sendiri, dan pilihannya harus berdasarkan keperluan projek. 1) Python sesuai untuk pembangunan pesat dan pemprosesan data kerana sintaks ringkas dan menaip dinamik. 2) C sesuai untuk prestasi tinggi dan pengaturcaraan sistem kerana menaip statik dan pengurusan memori manual.

Pythonlistsarepartofthestandardlibrary, sementara

Python cemerlang dalam automasi, skrip, dan pengurusan tugas. 1) Automasi: Sandaran fail direalisasikan melalui perpustakaan standard seperti OS dan Shutil. 2) Penulisan Skrip: Gunakan Perpustakaan Psutil untuk memantau sumber sistem. 3) Pengurusan Tugas: Gunakan perpustakaan jadual untuk menjadualkan tugas. Kemudahan penggunaan Python dan sokongan perpustakaan yang kaya menjadikannya alat pilihan di kawasan ini.

Aplikasi Python dalam pengkomputeran saintifik termasuk analisis data, pembelajaran mesin, simulasi berangka dan visualisasi. 1.Numpy menyediakan susunan pelbagai dimensi yang cekap dan fungsi matematik. 2. Scipy memanjangkan fungsi numpy dan menyediakan pengoptimuman dan alat algebra linear. 3. Pandas digunakan untuk pemprosesan dan analisis data. 4.Matplotlib digunakan untuk menghasilkan pelbagai graf dan hasil visual.

Aplikasi utama Python dalam pembangunan web termasuk penggunaan kerangka Django dan Flask, pembangunan API, analisis data dan visualisasi, pembelajaran mesin dan AI, dan pengoptimuman prestasi. 1. Rangka Kerja Django dan Flask: Django sesuai untuk perkembangan pesat aplikasi kompleks, dan Flask sesuai untuk projek kecil atau sangat disesuaikan. 2. Pembangunan API: Gunakan Flask atau DjangorestFramework untuk membina Restfulapi. 3. Analisis Data dan Visualisasi: Gunakan Python untuk memproses data dan memaparkannya melalui antara muka web. 4. Pembelajaran Mesin dan AI: Python digunakan untuk membina aplikasi web pintar. 5. Pengoptimuman Prestasi: Dioptimumkan melalui pengaturcaraan, caching dan kod tak segerak
