我正在用 contour 制作一些等高线图，这些等高线图通过 clabel 标记。问题是轮廓标签往往与轴重叠:

(其他一些标签比较乱，忽略)。对于左图，10^-3 和 10 是有问题的。在右边，10^3 是唯一有问题的。这是生成其中之一的代码:

fig = plt.figure(figsize=(6,3))
ax = fig.add_subplot(121)
ax.set_xscale('log')
ax.set_yscale('log')
ax.set_xlabel(r'$T_e$ (eV)', fontsize=10)
ax.set_ylabel(r'$n_e$ (1/cm$^3$)', fontsize=10)
ax.set_xlim(0.1, 1e4)
ax.set_ylim(1e16, 1e28)
CS = ax.contour(X, Y, Z, V, colors='k')
ax.clabel(CS, inline=True, inline_spacing=3, rightside_up=True, colors='k', fontsize=8, fmt=fmt)

有什么方法可以让 clabel 在其位置上表现得更好？

最佳答案

考虑到 the examples in the documentation同病相怜说明解决这个问题不会很痛苦。 It would seem你必须忍受自动的，使用手动放置，或者弄脏你的手。

作为折衷，我会尝试以下两种方法之一。两者都从让 matplotlib 为您建议标签位置开始，然后处理那些太靠近轴的标签位置。

更简单的情况也是更安全的，就是去掉那些靠近边界的clabel，填充那些等高线:

# based on matplotlib.pyplot.clabel example:
import matplotlib
import numpy as np
import matplotlib.cm as cm
import matplotlib.mlab as mlab
import matplotlib.pyplot as plt

delta = 0.025
x = np.arange(-3.0, 3.0, delta)
y = np.arange(-2.0, 2.0, delta)
X, Y = np.meshgrid(x, y)
Z1 = mlab.bivariate_normal(X, Y, 1.0, 1.0, 0.0, 0.0)
Z2 = mlab.bivariate_normal(X, Y, 1.5, 0.5, 1, 1)
# difference of Gaussians
Z = 10.0 * (Z2 - Z1)


plt.figure()
CS = plt.contour(X, Y, Z)
CLS = plt.clabel(CS, inline=1, fontsize=10)

# now CLS is a list of the labels, we have to find offending ones
thresh = 0.05  # ratio in x/y range in border to discard

# get limits if they're automatic
xmin,xmax,ymin,ymax = plt.axis()
Dx = xmax-xmin
Dy = ymax-ymin

# check which labels are near a border
keep_labels = []
for label in CLS:
    lx,ly = label.get_position()
    if xmin+thresh*Dx<lx<xmax-thresh*Dx and ymin+thresh*Dy<ly<ymax-thresh*Dy:
        # inlier, redraw it later
        keep_labels.append((lx,ly))

# delete the original lines, redraw manually the labels we want to keep
# this will leave unlabelled full contour lines instead of overlapping labels

for cline in CS.collections:
    cline.remove()
for label in CLS:
    label.remove()

CS = plt.contour(X, Y, Z)
CLS = plt.clabel(CS, inline=1, fontsize=10, manual=keep_labels)

缺点是一些标签显然会丢失，当然 5% 的阈值需要针对您的特定应用进行手动调整。上述结果与原始结果(观看顶部):

我提到的另一个解决方案是获取有问题的标签，查看它们各自的 CS.collections 数据的 Path，并尝试找到一个点更接近图形的内部。由于将 collections 数据与标签配对并非易事(因为每个等高线级别路径及其多个段对应于 CS.collections 的单个元素)，它可能不会所有的努力都是值得的。尤其是您可能面对的水平线太短以至于无法在其上放置标签，而且您还必须估计每个标签的大小。

考虑到您的情况下等高线相当简单，您还可以尝试查看每条等高线，并找到最接近图形中心的点。

因此，为了演示目的，这里重建了您的数据集:

# guesstimated dummy data
X,Y = np.meshgrid(np.logspace(-3,7,200),np.logspace(13,31,200))
Z = X/Y*10**21
Vrange = range(-3,5)
V = [10**k for k in Vrange]
fmt = {lev: '$10^{%d}$'%k for (k,lev) in zip(Vrange,V)}


fig = plt.figure(figsize=(3,3))
ax = fig.add_subplot(111)
ax.set_xscale('log')
ax.set_yscale('log')
ax.set_xlabel(r'$T_e$ (eV)', fontsize=10)
ax.set_ylabel(r'$n_e$ (1/cm$^3$)', fontsize=10)
ax.set_xlim(0.1, 1e4)
ax.set_ylim(1e16, 1e28)

CS = ax.contour(X, Y, Z, V, colors='k')
ax.clabel(CS, inline=True, inline_spacing=3, rightside_up=True, colors='k', fontsize=8, fmt=fmt)

通过明确使用你的两个轴都是对数的，主要思想是将上面对 clabel 的最后一次调用替换为:

# get limits if they're automatic
xmin,xmax,ymin,ymax = plt.axis()
# work with logarithms for loglog scale
# middle of the figure:
logmid = (np.log10(xmin)+np.log10(xmax))/2, (np.log10(ymin)+np.log10(ymax))/2

label_pos = []
for line in CS.collections:
    for path in line.get_paths():
        logvert = np.log10(path.vertices)

        # find closest point
        logdist = np.linalg.norm(logvert-logmid, ord=2, axis=1)
        min_ind = np.argmin(logdist)
        label_pos.append(10**logvert[min_ind,:])

# draw labels, hope for the best
ax.clabel(CS, inline=True, inline_spacing=3, rightside_up=True, colors='k', fontsize=8, fmt=fmt, manual=label_pos)

结果(第二)与原始(第一)相比:

我并没有努力使轴注释变得漂亮，所以请忽略这些细节。您可以看到标签确实很好地聚集在图的中间附近。根据您的应用，这可能是也可能不是您想要的。

最后要注意的是，标签不沿轴对角线放置的原因是沿X 和Y<> 轴。这可能会导致一些标签仍然伸出轴之外。最万无一失的解决方案是考虑 [xmin,ymax]--[xmax,ymin](对数)线，并找到这条线与每个线的交点路径的。如果值得的话，您必须在这方面投入大量资金:您还不如完全手动放置标签。

关于python - matplotlib 等高线图标签重叠轴，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/25873681/