绘制子图（subplots）是在Matplotlib中创建多个子图的常见任务。通过子图，您可以将多个图形放置在同一图表中，以便比较不同的数据或可视化多个相关的图形。一般流程如下：
- 创建图形对象：首先，您需要创建一个图形对象，可以使用
plt.figure()函数来完成。该图形对象代表整个图形窗口，您可以在其中放置多个子图。 - 添加子图：使用
fig.add_subplot()函数来添加子图。这个函数接受三个参数，分别是行数、列数和子图的索引位置。例如，fig.add_subplot(2, 2, 1)表示将创建一个2x2的网格，并在第一个位置创建子图。 - 绘制图表：在每个子图中，您可以使用Matplotlib的绘图函数（如
plot()、scatter()、bar()等）来绘制不同类型的图表。 - 子图属性设置：您可以设置每个子图的标题、坐标轴标签、背景颜色、图例等属性，以使其更具可读性和吸引力。
- 调整子图布局：Matplotlib允许您调整子图之间的间距，以便更好地组织和排列它们。可以使用
plt.subplots_adjust()函数来完成这个任务。 - 显示图形：一旦您创建并设置了所有子图，使用
plt.show()函数来显示整个图形。
1 基本子图绘制示例
首先，让我们看一个基本的子图绘制示例。使用plt.subplots()函数，您可以创建一个包含多个子图的图表，并将这些子图放置在一个网格中。以下是一个基本的示例：
import matplotlib.pyplot as plt import numpy as np # 创建示例数据 x = np.linspace(0, 2 * np.pi, 100) y1 = np.sin(x) y2 = np.cos(x) # 创建一个包含两个子图的图表 fig, axes = plt.subplots(nrows=1, ncols=2) # 在第一个子图中绘制正弦函数 axes[0].plot(x, y1, label='Sine Function', color='blue') axes[0].set_title('Sine Function') # 在第二个子图中绘制余弦函数 axes[1].plot(x, y2, label='Cosine Function', color='red') axes[1].set_title('Cosine Function') # 显示图例 axes[0].legend() axes[1].legend() # 显示图形 plt.show()
运行：
以上代码演示了如何使用Matplotlib创建一个包含两个子图的图表。这两个子图分别显示了正弦函数和余弦函数的曲线。
- 导入Matplotlib库和NumPy库。
- 创建示例数据，使用NumPy的linspace函数生成0到2π之间的100个点作为x轴数据，同时计算对应的正弦值和余弦值作为y轴数据。
- 使用plt.subplots函数创建一个图表和一个由子图对象组成的数组。其中nrows=1表示创建一个行数为1，列数为2的图表。
- 在第一个子图中绘制正弦函数曲线，使用plot函数，并指定标签(label)和颜色(color)。同时设置标题(set_title)为"Sine Function"。
- 在第二个子图中绘制余弦函数曲线，同样使用plot函数，并指定标签和颜色。设置标题为"Cosine Function"。
- 显示图例，使用legend函数，在每个子图中显示曲线的标签。
- 最后调用plt.show()来显示图形。
2 子图网格布局
Matplotlib还允许您以更复杂的方式布局子图，以满足您的需求。您可以使用
gridspec模块来实现更灵活的子图布局。以下是一个示例，演示如何使用gridspec创建子图网格：
import matplotlib.pyplot as plt import matplotlib.gridspec as gridspec import numpy as np # 创建示例数据 x = np.linspace(0, 2 * np.pi, 100) y1 = np.sin(x) y2 = np.cos(x) y3 = np.tan(x) # 创建一个包含多个子图的图表，使用gridspec定义子图布局 fig = plt.figure(figsize=(10, 4)) gs = gridspec.GridSpec(1, 3) # 1行3列的子图布局 # 第一个子图 ax1 = plt.subplot(gs[0, 0]) ax1.plot(x, y1, label='Sine Function', color='blue') ax1.set_title('Sine Function') ax1.legend() # 第二个子图 ax2 = plt.subplot(gs[0, 1]) ax2.plot(x, y2, label='Cosine Function', color='red') ax2.set_title('Cosine Function') ax2.legend() # 第三个子图 ax3 = plt.subplot(gs[0, 2]) ax3.plot(x, y3, label='Tangent Function', color='green') ax3.set_title('Tangent Function') ax3.legend() # 调整子图之间的距离 plt.tight_layout() # 显示图形 plt.show()
运行：
这个示例创建了一个包含三个子图的图表，使用gridspec模块定义了子图的布局。每个子图包含不同的三角函数，并具有自己的标题和图例。
- 导入Matplotlib库和NumPy库。
- 创建示例数据，使用NumPy的linspace函数生成0到2π之间的100个点作为x轴数据，同时计算对应的正弦、余弦和正切值作为y轴数据。
- 创建一个Figure对象，设置图表的大小为(10, 4)。
- 使用gridspec.GridSpec函数创建一个网格布局，指定1行3列的子图布局。
- 在第一个子图(ax1)中绘制正弦函数曲线，使用plot函数，并指定标签(label)和颜色(color)。同时设置标题(set_title)为"Sine Function"并显示图例(legend)。
- 在第二个子图(ax2)中绘制余弦函数曲线，同样使用plot函数，并指定标签和颜色。设置标题为"Cosine Function"并显示图例。
- 在第三个子图(ax3)中绘制正切函数曲线，同样使用plot函数，并指定标签和颜色。设置标题为"Tangent Function"并显示图例。
- 调用plt.tight_layout()函数来自动调整子图之间的距离。
- 最后调用plt.show()来显示图形。
3 调整子图的尺寸
以下是一些常用的参数，用于调整子图的尺寸和位置：
nrows和ncols：这两个参数用于指定子图的网格布局的行数和列数。例如，fig.add_subplot(2, 2, 1)表示一个2x2的网格布局，其中有4个子图。- index：该参数指定子图在网格中的位置。例如，fig.add_subplot(2, 2, 1)表示在2x2的网格中的第一个位置创建子图。
- position：通过position参数，您可以设置子图的位置和大小，它是一个四元组，表示子图的左、下、宽度和高度。例如，fig.add_subplot(position=[0.1, 0.1, 0.8, 0.8])表示在图形中创建一个左上角偏移10%并且宽度和高度都为80%的子图。
projection：用于指定子图的投影类型，例如3D子图、极坐标子图等。polar：一个布尔值，用于指定子图是否使用极坐标。默认为False。
您可以通过设置gridspec中每个子图的相对宽度来调整子图的尺寸。以下示例将第一个子图的宽度设置为其他两个子图的两倍：
import matplotlib.pyplot as plt import matplotlib.gridspec as gridspec import numpy as np # 创建示例数据 x = np.linspace(0, 2 * np.pi, 100) y1 = np.sin(x) y2 = np.cos(x) y3 = np.tan(x) # 创建一个包含多个子图的图表，使用gridspec定义子图布局 fig = plt.figure(figsize=(12, 4)) # 1行3列的子图布局，第一个子图宽度为其他两个的两倍 gs = gridspec.GridSpec(1, 3, width_ratios=[2, 1, 1]) # 第一个子图 ax1 = plt.subplot(gs[0, 0]) ax1.plot(x, y1, label='Sine Function', color='blue') ax1.set_title('Sine Function') ax1.legend() # 第二个子图 ax2 = plt.subplot(gs[0, 1]) ax2.plot(x, y2, label='Cosine Function', color='red') ax2.set_title('Cosine Function') ax2.legend() # 第三个子图 ax3 = plt.subplot(gs[0, 2]) ax3.plot(x, y3, label='Tangent Function', color='green') ax3.set_title('Tangent Function') ax3.legend() # 调整子图之间的距离 plt.tight_layout() # 显示图形 plt.show()
以上代码演示了如何使用Matplotlib创建一个包含多个子图的图表，并使用gridspec来定义子图布局。代码的步骤如下：
- 导入Matplotlib库和NumPy库。
- 创建示例数据，使用NumPy的linspace函数生成0到2π之间的100个点作为x轴数据，同时计算对应的正弦、余弦和正切值作为y轴数据。
- 创建一个Figure对象，设置图表的大小为(12, 4)。
- 使用gridspec.GridSpec函数创建一个网格布局，指定1行3列的子图布局，并通过width_ratios参数设置第一个子图的宽度为其他两个子图的两倍。
- 在第一个子图(ax1)中绘制正弦函数曲线，使用plot函数，并指定标签(label)和颜色(color)。同时设置标题(set_title)为"Sine Function"并显示图例(legend)。
- 在第二个子图(ax2)中绘制余弦函数曲线，同样使用plot函数，并指定标签和颜色。设置标题为"Cosine Function"并显示图例。
- 在第三个子图(ax3)中绘制正切函数曲线，同样使用plot函数，并指定标签和颜色。设置标题为"Tangent Function"并显示图例。
- 调用plt.tight_layout()函数来自动调整子图之间的距离。
- 最后调用plt.show()来显示图形。
4 多行多列的子图布局
您可以使用gridspec创建多行多列的子图布局，以便在一个图表中组织更多的子图。以下示例演示了一个包含多行多列子图的图表：
import matplotlib.pyplot as plt import matplotlib.gridspec as gridspec import numpy as np # 创建示例数据 x = np.linspace(0, 2 * np.pi, 100) y = np.sin(x) # 创建一个包含多行多列子图的图表，使用gridspec定义子图布局 fig = plt.figure(figsize=(10, 6)) gs = gridspec.GridSpec(3, 2) # 3行2列的子图布局 # 绘制多行多列的子图 for i in range(3): for j in range(2): ax = plt.subplot(gs[i, j]) ax.plot(x, y, label='Sine Function', color='blue') ax.set_title(f'Subplot ({i+1}, {j+1})') ax.legend() # 调整子图之间的距离 plt.tight_layout() # 显示图形 plt.show()
运行：
5 子图之间的共享轴
您可以通过设置sharex和sharey参数来共享子图之间的X轴或Y轴。以下示例演示了在子图之间共享X轴的情况：
import matplotlib.pyplot as plt import numpy as np # 创建示例数据 x = np.linspace(0, 2 * np.pi, 100) y1 = np.sin(x) y2 = np.cos(x) # 创建一个包含多个子图的图表 fig, (ax1, ax2) = plt.subplots(2, 1, sharex=True, figsize=(8, 6)) # 第一个子图，共享X轴 ax1.plot(x, y1, label='Sine Function', color='blue') ax1.set_title('Shared X-Axis') ax1.legend() # 第二个子图，共享X轴 ax2.plot(x, y2, label='Cosine Function', color='red') ax2.legend() # 调整子图之间的距离 plt.tight_layout() # 显示图形 plt.show()
运行：
共享Y轴示例：
在这个示例中，我们创建了两个子图，通过
sharey=True参数来共享Y轴。这两个子图分别绘制了sin函数和cos函数，并共享相同的Y轴刻度。整体标题用suptitle函数添加。这个示例演示了如何创建共享Y轴的子图。代码如下：
import matplotlib.pyplot as plt import numpy as np # 创建示例数据 x = np.linspace(0, 10, 100) y1 = np.sin(x) y2 = np.cos(x) # 创建两个子图，共享Y轴 fig, (ax1, ax2) = plt.subplots(1, 2, sharey=True, figsize=(10, 4)) # 在第一个子图上绘制sin函数 ax1.plot(x, y1, label='Sine Function', color='blue', linestyle='--') ax1.set_title('Subplot 1: Sine Function') ax1.set_xlabel('X-axis') ax1.set_ylabel('Y-axis') ax1.legend() # 在第二个子图上绘制cos函数 ax2.plot(x, y2, label='Cosine Function', color='red', linestyle='-') ax2.set_title('Subplot 2: Cosine Function') ax2.set_xlabel('X-axis') ax2.legend() # 添加整体标题 plt.suptitle('Two Subplots Sharing Y-Axis', fontsize=16, fontweight='bold') # 显示图形 plt.show()
运行：
6 绘制多个子图类型
您可以在同一个图表中组合不同类型的子图，例如线图和散点图。以下示例演示了如何在同一图表
中绘制多个子图类型：
import matplotlib.pyplot as plt import numpy as np # 创建示例数据 x = np.linspace(0, 2 * np.pi, 100) y1 = np.sin(x) y2 = np.cos(x) x_scatter = np.random.rand(50) * 2 * np.pi y_scatter = np.sin(x_scatter) # 创建一个包含多个子图的图表 fig, axs = plt.subplots(2, 2, figsize=(10, 6)) # 第一个子图：线图 axs[0, 0].plot(x, y1, label='Sine Function', color='blue') axs[0, 0].set_title('Line Plot') axs[0, 0].legend() # 第二个子图：散点图 axs[0, 1].scatter(x_scatter, y_scatter, label='Scatter Points', color='red', marker='o') axs[0, 1].set_title('Scatter Plot') axs[0, 1].legend() # 第三个子图：线图 axs[1, 0].plot(x, y2, label='Cosine Function', color='green') axs[1, 0].set_title('Line Plot') axs[1, 0].legend() # 第四个子图：散点图 axs[1, 1].scatter(x_scatter, y_scatter, label='Scatter Points', color='purple', marker='s') axs[1, 1].set_title('Scatter Plot') axs[1, 1].legend() # 调整子图之间的距离 plt.tight_layout() # 显示图形 plt.show()
运行：
- 导入Matplotlib库和NumPy库。
- 创建示例数据，使用NumPy的linspace函数生成0到2π之间的100个点作为x轴数据，并计算对应的正弦值和余弦值作为y轴数据。还生成了50个随机点用于绘制散点图。
- 创建一个包含2行2列子图的图表，使用
subplots函数并设置figsize参数指定图表的大小。subplots函数会返回一个Figure对象和一个包含子图的Axes对象的二维数组。 - 在第一个子图(axs[0, 0])中绘制正弦函数的线图，使用
plot函数，并指定标签(label)和颜色(color)。设置标题(set_title)为"Line Plot"并显示图例(legend)。 - 在第二个子图(axs[0, 1])中绘制散点图，使用
scatter函数，并指定标签、颜色和标记(marker)类型。同样设置标题和图例。 - 在第三个子图(axs[1, 0])中绘制余弦函数的线图，使用
plot函数，并指定标签和颜色。设置标题和图例。 - 在第四个子图(axs[1, 1])中绘制散点图，使用
scatter函数，并指定标签、颜色和标记类型。同样设置标题和图例。 - 使用
tight_layout函数调整子图之间的距离，使其更美观。 - 调用
show函数显示图形。
7 实战：
绘制一个大图，里面包含6个不同类别的子图，不均匀布局。
第一行放一个子图，第二行放两个子图 ，第三行放三个子图 ，分别自适应设置子图的尺寸和背景色，示例与代码如下：
import matplotlib.pyplot as plt import numpy as np # 创建示例数据 x = np.linspace(0, 2 * np.pi, 100) y = np.sin(x) # 创建图形 fig = plt.figure(figsize=(12, 8)) # 在上方添加母图标题 fig.suptitle('Customized Subplots Example', fontsize=16, fontweight='bold') # fig.suptitle('Customized Subplots Example', fontsize=16, fontweight='bold', y=0.05) # 在下方添加母图标题 # 调整子图的布局，增加垂直间距，避免子图之间有交叉 plt.subplots_adjust(hspace=0.5) # 第一行，一个子图，绘制线图 ax1 = fig.add_subplot(3, 1, 1) ax1.plot(x, y, color='blue', label='Sine Function', linewidth=2, linestyle='--', marker='o', markersize=5) ax1.set_title('Line Plot', fontsize=14) ax1.set_facecolor('lightgray') ax1.set_xlabel('X-axis', fontsize=12) ax1.set_ylabel('Y-axis', fontsize=12) ax1.legend() # 添加注释 ax1.annotate('Peak Point', xy=(np.pi/2, 1), xytext=(np.pi/2, 1.2), arrowprops=dict(facecolor='black', shrink=0.05), fontsize=12, bbox=dict(boxstyle='round,pad=0.3', edgecolor='black', facecolor='yellow')) # 第二行，两个子图，一个散点图，一个柱状图 ax2 = fig.add_subplot(3, 2, 3) ax2.scatter(x, y, color='red', label='Scatter Plot', s=20) ax2.set_title('Scatter Plot', fontsize=14) ax2.set_facecolor('lightyellow') ax2.set_xlabel('X-axis', fontsize=12) ax2.set_ylabel('Y-axis', fontsize=12) ax2.legend() ax3 = fig.add_subplot(3, 2, 4) ax3.bar(x, y, color='green', label='Bar Plot', alpha=0.7) ax3.set_title('Bar Plot', fontsize=14) ax3.set_facecolor('lightgreen') ax3.set_xlabel('X-axis', fontsize=12) ax3.set_ylabel('Y-axis', fontsize=12) ax3.legend() # 第三行，三个子图，一个直方图，一个饼图，一个箱线图 ax4 = fig.add_subplot(3, 3, 7) ax4.hist(y, bins=20, color='purple', label='Histogram', alpha=0.7) ax4.set_title('Histogram', fontsize=14) ax4.set_facecolor('lightpink') ax4.set_xlabel('X-axis', fontsize=12) ax4.set_ylabel('Frequency', fontsize=12) ax4.legend() ax5 = fig.add_subplot(3, 3, 8) ax5.pie([len(y[y > 0]), len(y[y < 0])], labels=['Positive', 'Negative'], colors=['orange', 'lightblue'], autopct='%1.1f%%') ax5.set_title('Pie Chart', fontsize=14) ax5.set_facecolor('lightcoral') ax5.legend() ax6 = fig.add_subplot(3, 3, 9) ax6.boxplot(y, vert=False, widths=0.3, patch_artist=True, boxprops=dict(facecolor='lightgray')) ax6.set_title('Box Plot', fontsize=14) ax6.set_facecolor('lightblue') ax6.set_xlabel('X-axis', fontsize=12) ax6.legend([]) # 添加空的图例以解决警告 # 调整子图布局 plt.tight_layout() # 显示图形 plt.show()
运行：
上面的示例代码演示了如何创建一个包含不同类型子图的图形，并对每个子图进行了定制化设置。代码流程：
- 创建示例数据：使用
numpy生成示例数据，这里生成了一个sin函数的数据。 - 创建图形对象：使用
plt.figure()创建一个图形对象，可以设置图形的大小。 - 添加母图标题：使用
fig.suptitle()可以为整个图形添加一个标题。 - 调整子图的布局：使用
plt.subplots_adjust()可以调整子图之间的间距，这里增加了垂直间距。 - 创建子图：使用
fig.add_subplot()创建子图，指定子图的位置和数量。 - 绘制不同类型的子图：根据需要，创建不同类型的子图，如线图、散点图、柱状图、直方图、饼图、箱线图等。
- 设置子图的标题、背景色、坐标轴标签和图例：使用
set_title()、set_facecolor()、set_xlabel()、set_ylabel()和legend()方法来设置子图的各种属性。 - 添加注释：使用
annotate()方法可以在子图上添加注释。 - 调整子图布局：使用
plt.tight_layout()可以自动调整子图的布局，使其适应图形大小。 - 显示图形：使用
plt.show()显示最终的图形。
这个示例演示了如何在一个图形中创建多个子图，并对每个子图进行不同的设置和绘制不同类型的图表。
