如何为Scipy dendrogram（树状图）添加图例？

你可以通过dendrogram函数返回的结果获取分支颜色，再结合聚类标签来创建图例。下面是修改后的完整代码，关键步骤已标注：

import pandas as pd
import numpy as np
from sklearn.cluster import AgglomerativeClustering
from sklearn.preprocessing import StandardScaler
from sklearn.metrics import silhouette_score
import matplotlib.pyplot as plt
from scipy.cluster.hierarchy import dendrogram, linkage
from matplotlib.patches import Patch  # 用于创建图例元素

# 此处保留你原有的数据预处理逻辑，比如生成dfx_scaled的代码

# 层次聚类训练
agg_clustering = AgglomerativeClustering(n_clusters=4).fit(dfx_scaled)
dfx['clusters'] = agg_clustering.labels_

# 生成链接矩阵并绘制树状图
linkage_matrix = linkage(dfx_scaled, 'ward')
plt.figure(figsize=(10, 7))

# 仅调用一次dendrogram并保存返回结果，避免重复绘图
d = dendrogram(linkage_matrix, no_labels=True)
plt.axhline(y=140, color='black', linestyle='--')

# 构建聚类标签与树状图颜色的映射
# leaves是树状图叶子节点对应的原始数据索引，color_list是对应叶子的颜色
leaf_colors = d['color_list']
leaf_indices = d['leaves']
# 根据叶子索引匹配对应数据的聚类标签
cluster_labels = [dfx['clusters'][idx] for idx in leaf_indices]

# 创建颜色-聚类的映射字典（去重，确保每个聚类只对应一种颜色）
color_cluster_map = {}
for color, label in zip(leaf_colors, cluster_labels):
    if label not in color_cluster_map:
        color_cluster_map[label] = color

# 生成图例元素
legend_elements = [Patch(facecolor=color, label=f'Cluster {label+1}') 
                   for label, color in color_cluster_map.items()]

# 添加图例到图中，位置可根据需求调整
plt.legend(handles=legend_elements, loc='upper right')

plt.show()

关键说明 #

• 不要重复调用dendrogram函数，你原代码中调用了两次，只需调用一次并保存返回的字典d即可。
• d['leaves']对应树状图叶子节点的原始数据行索引，d['color_list']是每个叶子节点的颜色值。
• 通过索引匹配将叶子颜色与聚类标签绑定，去重后得到每个聚类对应的唯一颜色。
• 用Patch创建颜色块元素，再通过plt.legend添加到图中。

如果需要固定聚类的颜色（不受树状图自动配色影响），可以手动指定颜色映射：

# 手动定义聚类与十六进制颜色的映射
custom_color_map = {0: '#1f77b4', 1: '#ff7f0e', 2: '#2ca02c', 3: '#d62728'}
# 生成图例元素
legend_elements = [Patch(facecolor=custom_color_map[label], label=f'Cluster {label+1}') 
                   for label in custom_color_map.keys()]
plt.legend(handles=legend_elements, loc='upper right')

内容的提问来源于stack exchange，提问作者rerere L.