如何使用Matplotlib或Seaborn为分组条形图按指定类别生成对应图例

直接基于你现有的matplotlib绘图逻辑手动构造图例即可，不会额外增加性能损耗，完全匹配你指定的颜色映射：

实现步骤 #

1. 从已排序的tmp_df中提取Class和Color的唯一映射关系，避免重复条目
2. 使用matplotlib的Patch构造每个类别的图例句柄
3. 调用ax.legend()传入构造好的句柄即可生成图例

完整代码 #

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from matplotlib.patches import Patch

# 示例数据集
df = pd.DataFrame({
    'tic': {0: 'A', 1: 'AAPL', 2: 'ABC', 3: 'ABT', 4: 'ADBE', 5: 'ADI', 6: 'ADM', 7: 'ADP', 8: 'ADSK', 9: 'AEE'},
    'Class': {0: 'Manufacturing', 1: 'Tech', 2: 'Trade', 3: 'Manufacturing', 4: 'Services', 5: 'Tech', 6: 'Manufacturing', 7: 'Services', 8: 'Services', 9: 'Electricity and Transportation'},
    'Color': {0: 'blue', 1: 'teal', 2: 'purple', 3: 'blue', 4: 'red', 5: 'teal', 6: 'blue', 7: 'red', 8: 'red', 9: 'orange'},
    'Pooled 1': {0: 0.0643791550056838, 1: 0.05022103288830682, 2: 0.039223739393748916, 3: 0.036366693834970217, 4: 0.05772708899447428, 5: 0.05969899935101172, 6: 0.04568101605219955, 7: 0.04542272002937567, 8: 0.07138013872431757, 9: 0.029987722053015278}
})

# 原有绘图逻辑
fig, axs = plt.subplots(1, 1, figsize=(24, 5))
tmp_df = df.sort_values('Class')
plt.bar(np.arange(len(tmp_df)), tmp_df['Pooled 1'], color=tmp_df['Color'])

# 新增图例生成逻辑
# 提取唯一的类别-颜色映射
class_color_mapping = tmp_df.drop_duplicates('Class')[['Class', 'Color']].set_index('Class')['Color'].to_dict()
# 构造图例句柄
legend_handles = [Patch(facecolor=color, label=class_name) for class_name, color in class_color_mapping.items()]
# 添加图例，可自由调整位置、标题等样式
axs.legend(handles=legend_handles, loc='upper right', title='类别', fontsize=12)

plt.show()

方案优势 #

• 完全保留原生matplotlib的高性能，全量数据集绘制速度和你原有代码一致，不会出现seaborn的卡顿问题
• 自动匹配数据中的类别和颜色对应关系，不需要手动硬编码映射规则
• 支持所有matplotlib图例的自定义参数，可自由调整位置、大小、标题等样式

内容的提问来源于stack exchange，提问作者Raul Guarini Riva