axs.legend()

axs.legend() 是一个用于在 Matplotlib 图表中添加图例的方法。通过调用该方法，可以在图表中显示数据的标签。这样，就可以清晰地区分不同的数据集或不同的绘图元素。

例如，假设你在绘制一个散点图，并希望在图表中添加一个图例来说明不同颜色的数据点所代表的含义。你可以使用 axs.legend() 方法来实现这个目标。在调用方法之前，需要确保已经添加了相应的标签。

示例代码：

import matplotlib.pyplot as plt

x = [1, 2, 3, 4]
y1 = [1, 4, 9, 16]
y2 = [2, 4, 6, 8]

fig, ax = plt.subplots()
ax.scatter(x, y1, label='Data Set 1')
ax.scatter(x, y2, label='Data Set 2')
ax.legend()

plt.show()

运行这段代码后，你将在图表中看到一个含有两个数据集的散点图，并且图例将显示在图表的合适位置。'Data Set 1' 和 'Data Set 2' 将分别对应两个数据集。

相关问题

axs.legend的输入参数都有哪些

`axs.legend()`方法用于向给定轴（Axes object）添加图例，它的输入参数可以有以下几个常见的选项：

1. **texts, labels or handles**: 这些是直接指定要显示在图例中的文本、标签或艺术家（HandleList）。例如：

   axs.legend(['Label 1', 'Label 2'], loc='best')

2. **loc** (位置): 定义图例放置的位置，比如'upper right', 'center left', 等。默认值是'best'，自动选择最佳位置。示例：

   axs.legend(loc='upper center')

3. **ncol** (列数): 指定图例中列的数量。如果指定，会尝试调整布局以适应。
4. **bbox_to_anchor**: 用于精确控制图例相对于图像的边框的位置，通常是一个(x, y)坐标对。
5. **fontsize**: 设置图例文字的大小。
6. **framealpha**: 图例框的透明度。
7. **shadow**: 是否显示图例框的阴影效果。
8. **title**: 添加图例标题。
9. **markerscale**: 如果图例中有散点图或多边形图等，此参数用于缩放其大小。
10. **handler_map**: 自定义特定类型的图形元素的图例展示方式。

注意：大部分参数都是可选的，实际使用时根据需要选择合适的参数组合。如果不传递任何参数，`axs.legend()`会查找是否有已经设置标签的艺术家，并将其添加到图例中。

import numpy as np import pandas as pd import matplotlib.pyplot as plt import pyhht # 读取csv文件数据 data = pd.read_csv('77.csv', header=None) time = data.iloc[:, 0].values charge = data.iloc[:, 1].values # EMD分解 decomposer = pyhht.EMD() imfs = decomposer.decompose(charge)fig, axs = plt.subplots(nrows=imfs.shape[0]+2, ncols=1, figsize=(10, 15)) axs[0].plot(time, charge, label='Original') axs[0].set_xlabel('Time') axs[0].set_ylabel('Charge') axs[0].legend() for i in range(imfs.shape[0]): axs[i+1].plot(time, imfs[i], label=f'IMF{i+1}') axs[i+1].set_xlabel('Time') axs[i+1].set_ylabel('Charge') axs[i+1].legend() residuals = charge - np.sum(imfs, axis=0) axs[imfs.shape[0]+1].plot(time, residuals, label='Residuals') axs[imfs.shape[0]+1].set_xlabel('Time') axs[imfs.shape[0]+1].set_ylabel('Charge') axs[imfs.shape[0]+1].legend() axs[0].set_title('Original Signal') for i in range(imfs.shape[0]): axs[i+1].set_title(f'IMF {i+1}') axs[imfs.shape[0]+1].set_title('Residuals') plt.tight_layout() plt.show()调整以上代码，使得子图之间间距略大

可以使用`plt.subplots_adjust()`函数来调整子图之间的间距，例如在`plt.tight_layout()`函数之前添加以下代码即可：

plt.subplots_adjust(hspace=0.5)

其中`hspace`参数控制水平方向的间距，默认值为0.2，可以根据需要进行调整。完整代码如下：

import numpy as np 
import pandas as pd 
import matplotlib.pyplot as plt 
import pyhht 

# 读取csv文件数据 
data = pd.read_csv('77.csv', header=None) 
time = data.iloc[:, 0].values 
charge = data.iloc[:, 1].values 

# EMD分解 
decomposer = pyhht.EMD() 
imfs = decomposer.decompose(charge)

fig, axs = plt.subplots(nrows=imfs.shape[0]+2, ncols=1, figsize=(10, 15)) 
axs[0].plot(time, charge, label='Original') 
axs[0].set_xlabel('Time') 
axs[0].set_ylabel('Charge') 
axs[0].legend() 

for i in range(imfs.shape[0]): 
    axs[i+1].plot(time, imfs[i], label=f'IMF{i+1}') 
    axs[i+1].set_xlabel('Time') 
    axs[i+1].set_ylabel('Charge') 
    axs[i+1].legend() 

residuals = charge - np.sum(imfs, axis=0) 
axs[imfs.shape[0]+1].plot(time, residuals, label='Residuals') 
axs[imfs.shape[0]+1].set_xlabel('Time') 
axs[imfs.shape[0]+1].set_ylabel('Charge') 
axs[imfs.shape[0]+1].legend() 

axs[0].set_title('Original Signal') 
for i in range(imfs.shape[0]): 
    axs[i+1].set_title(f'IMF {i+1}') 
axs[imfs.shape[0]+1].set_title('Residuals') 

plt.subplots_adjust(hspace=0.5) 
plt.tight_layout() 
plt.show()