当前位置：极客笔记 > Matplotlib > Matplotlib 问答 > Matplotlib中创建多个子图的全面指南

Matplotlib中创建多个子图的全面指南

Matplotlib中创建多个子图的全面指南

参考：How to Create Multiple Subplots in Matplotlib

Matplotlib是Python中最流行的数据可视化库之一，它提供了强大的工具来创建各种类型的图表和绘图。在数据分析和科学研究中，我们经常需要在同一个图形窗口中展示多个相关的图表。这就需要用到Matplotlib中的子图（subplots）功能。本文将全面介绍如何在Matplotlib中创建和使用多个子图，帮助你更好地展示和比较数据。

1. 子图的基本概念

在Matplotlib中，子图是指在一个图形窗口中创建的多个独立的绘图区域。每个子图可以包含自己的坐标轴、标题和数据。使用子图可以让我们在一个窗口中同时展示多个相关的图表，方便比较和分析数据。

创建子图的最基本方法是使用plt.subplot()函数。这个函数接受三个参数：行数、列数和子图索引。例如：

import matplotlib.pyplot as plt
import numpy as np

# 创建数据
x = np.linspace(0, 10, 100)
y1 = np.sin(x)
y2 = np.cos(x)

# 创建2x1的子图布局
plt.subplot(2, 1, 1)
plt.plot(x, y1)
plt.title('Sine Wave - how2matplotlib.com')

plt.subplot(2, 1, 2)
plt.plot(x, y2)
plt.title('Cosine Wave - how2matplotlib.com')

plt.tight_layout()
plt.show()

Output:

Matplotlib中创建多个子图的全面指南

在这个例子中，我们创建了一个2行1列的子图布局。第一个子图显示正弦波，第二个子图显示余弦波。plt.tight_layout()函数用于自动调整子图之间的间距，使布局更加紧凑和美观。

2. 使用plt.subplots()创建子图

虽然plt.subplot()函数很有用，但当我们需要创建大量子图时，使用plt.subplots()函数会更加方便。这个函数可以一次性创建多个子图，并返回图形对象和子图数组。

import matplotlib.pyplot as plt
import numpy as np

# 创建数据
x = np.linspace(0, 10, 100)
y1 = np.sin(x)
y2 = np.cos(x)
y3 = np.tan(x)
y4 = np.exp(x)

# 创建2x2的子图布局
fig, axs = plt.subplots(2, 2, figsize=(10, 8))

axs[0, 0].plot(x, y1)
axs[0, 0].set_title('Sine - how2matplotlib.com')

axs[0, 1].plot(x, y2)
axs[0, 1].set_title('Cosine - how2matplotlib.com')

axs[1, 0].plot(x, y3)
axs[1, 0].set_title('Tangent - how2matplotlib.com')

axs[1, 1].plot(x, y4)
axs[1, 1].set_title('Exponential - how2matplotlib.com')

plt.tight_layout()
plt.show()

Output:

Matplotlib中创建多个子图的全面指南

在这个例子中，我们创建了一个2×2的子图布局，并在每个子图中绘制了不同的函数。figsize参数用于设置整个图形的大小。

3. 自定义子图布局

有时候，我们可能需要更灵活的子图布局。Matplotlib提供了GridSpec类来实现复杂的子图布局。

import matplotlib.pyplot as plt
import matplotlib.gridspec as gridspec
import numpy as np

# 创建数据
x = np.linspace(0, 10, 100)
y1 = np.sin(x)
y2 = np.cos(x)
y3 = np.tan(x)

# 创建自定义布局
fig = plt.figure(figsize=(12, 8))
gs = gridspec.GridSpec(2, 2)

ax1 = fig.add_subplot(gs[0, :])
ax2 = fig.add_subplot(gs[1, 0])
ax3 = fig.add_subplot(gs[1, 1])

ax1.plot(x, y1)
ax1.set_title('Sine Wave - how2matplotlib.com')

ax2.plot(x, y2)
ax2.set_title('Cosine Wave - how2matplotlib.com')

ax3.plot(x, y3)
ax3.set_title('Tangent Wave - how2matplotlib.com')

plt.tight_layout()
plt.show()

Output:

Matplotlib中创建多个子图的全面指南

在这个例子中，我们使用GridSpec创建了一个自定义布局，其中顶部是一个跨越两列的大子图，底部是两个小子图。

4. 共享坐标轴

当我们需要比较多个子图中的数据时，共享坐标轴可以使比较更加直观。Matplotlib允许我们在创建子图时指定共享的x轴或y轴。

import matplotlib.pyplot as plt
import numpy as np

# 创建数据
x = np.linspace(0, 10, 100)
y1 = np.sin(x)
y2 = np.sin(2*x)
y3 = np.sin(3*x)

# 创建共享x轴的子图
fig, (ax1, ax2, ax3) = plt.subplots(3, 1, sharex=True, figsize=(8, 10))

ax1.plot(x, y1)
ax1.set_title('sin(x) - how2matplotlib.com')

ax2.plot(x, y2)
ax2.set_title('sin(2x) - how2matplotlib.com')

ax3.plot(x, y3)
ax3.set_title('sin(3x) - how2matplotlib.com')

plt.tight_layout()
plt.show()

Output:

Matplotlib中创建多个子图的全面指南

在这个例子中，我们创建了三个垂直排列的子图，它们共享x轴。这样可以很容易地比较不同频率的正弦波。

5. 调整子图间距

默认情况下，Matplotlib会自动设置子图之间的间距。但有时我们可能需要手动调整间距以获得更好的布局效果。我们可以使用plt.subplots_adjust()函数来实现这一点。

import matplotlib.pyplot as plt
import numpy as np

# 创建数据
x = np.linspace(0, 10, 100)
y1 = np.sin(x)
y2 = np.cos(x)

# 创建子图并调整间距
fig, (ax1, ax2) = plt.subplots(2, 1, figsize=(8, 8))

ax1.plot(x, y1)
ax1.set_title('Sine Wave - how2matplotlib.com')

ax2.plot(x, y2)
ax2.set_title('Cosine Wave - how2matplotlib.com')

plt.subplots_adjust(hspace=0.5)  # 增加垂直间距
plt.show()

Output:

Matplotlib中创建多个子图的全面指南

在这个例子中，我们使用plt.subplots_adjust()函数增加了子图之间的垂直间距。hspace参数控制垂直间距，wspace参数控制水平间距。

6. 不同大小的子图

有时我们可能需要创建不同大小的子图。这可以通过设置子图的相对大小来实现。

import matplotlib.pyplot as plt
import numpy as np

# 创建数据
x = np.linspace(0, 10, 100)
y1 = np.sin(x)
y2 = np.cos(x)
y3 = np.tan(x)

# 创建不同大小的子图
fig = plt.figure(figsize=(12, 8))
gs = fig.add_gridspec(2, 2)

ax1 = fig.add_subplot(gs[0, :])
ax2 = fig.add_subplot(gs[1, 0])
ax3 = fig.add_subplot(gs[1, 1])

ax1.plot(x, y1)
ax1.set_title('Sine Wave (Large) - how2matplotlib.com')

ax2.plot(x, y2)
ax2.set_title('Cosine Wave - how2matplotlib.com')

ax3.plot(x, y3)
ax3.set_title('Tangent Wave - how2matplotlib.com')

plt.tight_layout()
plt.show()

Output:

Matplotlib中创建多个子图的全面指南

在这个例子中，我们创建了一个大的子图和两个小的子图。大子图占据了整个顶部行，而两个小子图分别占据底部行的左右两列。

7. 嵌套子图

Matplotlib还支持创建嵌套的子图，即在一个子图内部再创建子图。这可以用于展示更复杂的数据关系。

import matplotlib.pyplot as plt
import numpy as np

# 创建数据
x = np.linspace(0, 10, 100)
y1 = np.sin(x)
y2 = np.cos(x)

# 创建主图和子图
fig = plt.figure(figsize=(12, 8))
ax1 = fig.add_subplot(121)
ax2 = fig.add_subplot(122)

# 在右侧子图中创建嵌套子图
inner_ax1 = ax2.inset_axes([0.1, 0.1, 0.4, 0.4])
inner_ax2 = ax2.inset_axes([0.55, 0.55, 0.4, 0.4])

ax1.plot(x, y1)
ax1.set_title('Sine Wave - how2matplotlib.com')

ax2.plot(x, y2)
ax2.set_title('Cosine Wave with Nested Plots - how2matplotlib.com')

inner_ax1.plot(x[:50], y1[:50], 'r')
inner_ax1.set_title('First Half - how2matplotlib.com')

inner_ax2.plot(x[50:], y2[50:], 'g')
inner_ax2.set_title('Second Half - how2matplotlib.com')

plt.tight_layout()
plt.show()

Output:

Matplotlib中创建多个子图的全面指南

在这个例子中，我们在右侧的子图中创建了两个嵌套的小子图，分别显示了余弦波的前半部分和后半部分。

8. 3D子图

Matplotlib不仅支持2D子图，还支持3D子图。我们可以在一个图形窗口中同时展示2D和3D的子图。

import matplotlib.pyplot as plt
import numpy as np
from mpl_toolkits.mplot3d import Axes3D

# 创建数据
x = np.linspace(-5, 5, 100)
y = np.linspace(-5, 5, 100)
X, Y = np.meshgrid(x, y)
Z = np.sin(np.sqrt(X**2 + Y**2))

# 创建2D和3D子图
fig = plt.figure(figsize=(12, 6))
ax1 = fig.add_subplot(121)
ax2 = fig.add_subplot(122, projection='3d')

# 2D等高线图
c = ax1.contourf(X, Y, Z)
ax1.set_title('2D Contour - how2matplotlib.com')
fig.colorbar(c, ax=ax1)

# 3D表面图
surf = ax2.plot_surface(X, Y, Z, cmap='viridis')
ax2.set_title('3D Surface - how2matplotlib.com')
fig.colorbar(surf, ax=ax2, shrink=0.5, aspect=5)

plt.tight_layout()
plt.show()

Output:

Matplotlib中创建多个子图的全面指南

在这个例子中，我们创建了一个2D等高线图和一个3D表面图，展示了同一数据的不同视角。

9. 子图中的多个图表

在一个子图中，我们可以绘制多个图表。这对于比较不同数据集或展示数据的不同方面非常有用。

import matplotlib.pyplot as plt
import numpy as np

# 创建数据
x = np.linspace(0, 10, 100)
y1 = np.sin(x)
y2 = np.cos(x)
y3 = np.exp(-x/10)*np.sin(x)

# 创建子图
fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(12, 5))

# 在左侧子图中绘制多个图表
ax1.plot(x, y1, label='sin(x)')
ax1.plot(x, y2, label='cos(x)')
ax1.set_title('Trigonometric Functions - how2matplotlib.com')
ax1.legend()

# 在右侧子图中绘制主图和插图
ax2.plot(x, y3)
ax2.set_title('Damped Sine Wave - how2matplotlib.com')

# 创建插图
inset_ax = ax2.inset_axes([0.6, 0.6, 0.35, 0.35])
inset_ax.plot(x[:30], y3[:30])
inset_ax.set_title('Zoom - how2matplotlib.com')

plt.tight_layout()
plt.show()

Output:

Matplotlib中创建多个子图的全面指南

在这个例子中，左侧子图展示了正弦和余弦函数，右侧子图展示了一个衰减的正弦波，并包含一个放大的插图。

10. 子图中的不同类型图表

Matplotlib允许我们在不同的子图中使用不同类型的图表，这对于全面展示数据的各个方面非常有用。

import matplotlib.pyplot as plt
import numpy as np

# 创建数据
x = np.linspace(0, 10, 100)
y = np.sin(x)
categories = ['A', 'B', 'C', 'D', 'E']
values = [23, 45, 56, 78, 32]

# 创建2x2的子图布局
fig, ((ax1, ax2), (ax3, ax4)) = plt.subplots(2, 2, figsize=(12, 10))

# 线图
ax1.plot(x, y)
ax1.set_title('Line Plot - how2matplotlib.com')

# 散点图
ax2.scatter(x[::10], y[::10])
ax2.set_title('Scatter Plot - how2matplotlib.com')

# 柱状图
ax3.bar(categories, values)
ax3.set_title('Bar Plot - how2matplotlib.com')

# 饼图
ax4.pie(values, labels=categories, autopct='%1.1f%%')
ax4.set_title('Pie Chart - how2matplotlib.com')

plt.tight_layout()
plt.show()

Output:

Matplotlib中创建多个子图的全面指南

在这个例子中，我们在四个子图中分别创建了线图、散点图、柱状图和饼图，展示了Matplotlib支持的不同图表类型。

11. 子图中的图像显示

除了绘制图表，Matplotlib还支持在子图中显示图像。这对于图像处理和计算机视觉任务非常有用。

import matplotlib.pyplot as plt
import numpy as np

# 创建示例图像数据
image1 = np.random.rand(100, 100)
image2 = np.random.rand(100, 100)

# 创建2x1的子图布局
fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(10, 5))

# 显示第一张图像
im1 = ax1.imshow(image1, cmap='viridis')
ax1.set_title('Image 1 - how2matplotlib.com')
fig.colorbar(im1, ax=ax1)

# 显示第二张图像
im2 = ax2.imshow(image2, cmap='plasma')
ax2.set_title('Image 2 - how2matplotlib.com')
fig.colorbar(im2, ax=ax2)

plt.tight_layout()
plt.show()

Output:

Matplotlib中创建多个子图的全面指南

在这个例子中，我们创建了两个随机的图像数据，并在两个子图中分别显示它们。我们还为每个图像添加了颜色条，以显示像素值的范围。

12. 子图中的极坐标图

Matplotlib还支持在子图中创建极坐标图，这对于显示周期性数据或方向数据非常有用。

import matplotlib.pyplot as plt
import numpy as np

# 创建数据
r = np.linspace(0, 2, 100)
theta = 4 * np.pi * r

# 创建1x2的子图布局
fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(12, 5), subplot_kw=dict(projection='polar'))

# 第一个极坐标图
ax1.plot(theta, r)
ax1.set_title('Spiral - how2matplotlib.com')

# 第二个极坐标图（玫瑰图）
ax2.bar(np.linspace(0, 2*np.pi, 8, endpoint=False), np.random.rand(8), width=0.8)
ax2.set_title('Rose Plot - how2matplotlib.com')

plt.tight_layout()
plt.show()

Output:

Matplotlib中创建多个子图的全面指南

在这个例子中，我们创建了两个极坐标子图。左侧子图显示了一个螺旋线，右侧子图显示了一个玫瑰图（也称为极坐标柱状图）。

13. 子图中的动画

Matplotlib还支持创建动画，我们可以在子图中展示动态变化的数据。

import matplotlib.pyplot as plt
import matplotlib.animation as animation
import numpy as np

# 创建数据
x = np.linspace(0, 2*np.pi, 100)
y = np.sin(x)

# 创建图形和子图
fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(12, 5))

line1, = ax1.plot(x, y)
line2, = ax2.plot(x, y)

ax1.set_title('Sine Wave - how2matplotlib.com')
ax2.set_title('Cosine Wave - how2matplotlib.com')

# 定义动画函数
def animate(i):
    line1.set_ydata(np.sin(x + i/10))
    line2.set_ydata(np.cos(x + i/10))
    return line1, line2

# 创建动画
anim = animation.FuncAnimation(fig, animate, frames=100, interval=50, blit=True)

plt.tight_layout()
plt.show()

Output:

Matplotlib中创建多个子图的全面指南

在这个例子中，我们创建了两个子图，分别显示正弦波和余弦波。通过动画，我们可以看到这两个波形随时间变化的过程。

14. 子图中的误差线

在科学绘图中，我们经常需要显示数据的误差范围。Matplotlib提供了绘制误差线的功能，可以在子图中轻松实现。

import matplotlib.pyplot as plt
import numpy as np

# 创建数据
x = np.linspace(0, 10, 50)
y1 = np.sin(x)
y2 = np.cos(x)
error1 = np.random.normal(0, 0.1, len(x))
error2 = np.random.normal(0, 0.1, len(x))

# 创建2x1的子图布局
fig, (ax1, ax2) = plt.subplots(2, 1, figsize=(10, 8))

# 绘制带误差线的图表
ax1.errorbar(x, y1, yerr=error1, capsize=5, label='Sine')
ax1.set_title('Sine with Error Bars - how2matplotlib.com')
ax1.legend()

ax2.errorbar(x, y2, yerr=error2, fmt='o', capsize=5, label='Cosine')
ax2.set_title('Cosine with Error Bars - how2matplotlib.com')
ax2.legend()

plt.tight_layout()
plt.show()

在这个例子中，我们在两个子图中分别绘制了带有误差线的正弦波和余弦波。误差线显示了数据点的不确定性范围。

15. 子图中的填充区域

有时我们需要强调图表中的某些区域，这可以通过填充来实现。Matplotlib提供了多种方法来填充图表的区域。

import matplotlib.pyplot as plt
import numpy as np

# 创建数据
x = np.linspace(0, 10, 100)
y1 = np.sin(x)
y2 = np.cos(x)

# 创建2x1的子图布局
fig, (ax1, ax2) = plt.subplots(2, 1, figsize=(10, 8))

# 填充曲线下方区域
ax1.plot(x, y1)
ax1.fill_between(x, y1, where=(y1 > 0), alpha=0.3)
ax1.set_title('Filled Sine Wave - how2matplotlib.com')

# 填充两条曲线之间的区域
ax2.plot(x, y1, label='Sine')
ax2.plot(x, y2, label='Cosine')
ax2.fill_between(x, y1, y2, where=(y1 > y2), alpha=0.3)
ax2.set_title('Filled Area Between Curves - how2matplotlib.com')
ax2.legend()

plt.tight_layout()
plt.show()

Output:

Matplotlib中创建多个子图的全面指南

在这个例子中，上面的子图填充了正弦波曲线上方的区域，下面的子图填充了正弦波和余弦波之间的区域。

16. 子图中的双轴图

有时我们需要在同一个子图中显示具有不同范围或单位的数据。这可以通过创建双轴图来实现。

import matplotlib.pyplot as plt
import numpy as np

# 创建数据
x = np.linspace(0, 10, 100)
y1 = np.sin(x)
y2 = np.exp(x/10)

# 创建图形和主轴
fig, ax1 = plt.subplots(figsize=(10, 6))

# 绘制第一条曲线
color = 'tab:blue'
ax1.set_xlabel('X-axis')
ax1.set_ylabel('Sine', color=color)
ax1.plot(x, y1, color=color)
ax1.tick_params(axis='y', labelcolor=color)

# 创建第二个Y轴
ax2 = ax1.twinx()
color = 'tab:orange'
ax2.set_ylabel('Exponential', color=color)
ax2.plot(x, y2, color=color)
ax2.tick_params(axis='y', labelcolor=color)

plt.title('Dual Axis Plot - how2matplotlib.com')
plt.tight_layout()
plt.show()

Output:

Matplotlib中创建多个子图的全面指南

在这个例子中，我们在同一个子图中绘制了正弦函数和指数函数，使用不同的Y轴来表示它们的值范围。

17. 子图中的对数刻度

在处理跨越多个数量级的数据时，使用对数刻度可以更好地展示数据的变化。Matplotlib允许我们轻松地为子图设置对数刻度。

import matplotlib.pyplot as plt
import numpy as np

# 创建数据
x = np.logspace(0, 5, 100)
y1 = x**2
y2 = x**3

# 创建2x1的子图布局
fig, (ax1, ax2) = plt.subplots(2, 1, figsize=(10, 8))

# 线性刻度
ax1.plot(x, y1, label='y = x^2')
ax1.plot(x, y2, label='y = x^3')
ax1.set_title('Linear Scale - how2matplotlib.com')
ax1.legend()

# 对数刻度
ax2.loglog(x, y1, label='y = x^2')
ax2.loglog(x, y2, label='y = x^3')
ax2.set_title('Log-Log Scale - how2matplotlib.com')
ax2.legend()

plt.tight_layout()
plt.show()

Output:

Matplotlib中创建多个子图的全面指南

在这个例子中，我们创建了两个子图来比较线性刻度和对数刻度的效果。对数刻度使得跨越多个数量级的数据更容易观察和比较。

18. 子图中的箱线图

箱线图是一种用于显示数据分布的有效方法。我们可以在子图中创建箱线图来比较不同数据集的统计特征。

import matplotlib.pyplot as plt
import numpy as np

# 创建数据
data1 = np.random.normal(0, 1, 1000)
data2 = np.random.normal(2, 1.5, 1000)
data3 = np.random.normal(-1, 2, 1000)

# 创建1x2的子图布局
fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(12, 5))

# 垂直箱线图
ax1.boxplot([data1, data2, data3], labels=['Data 1', 'Data 2', 'Data 3'])
ax1.set_title('Vertical Box Plot - how2matplotlib.com')

# 水平箱线图
ax2.boxplot([data1, data2, data3], labels=['Data 1', 'Data 2', 'Data 3'], vert=False)
ax2.set_title('Horizontal Box Plot - how2matplotlib.com')

plt.tight_layout()
plt.show()

Output:

Matplotlib中创建多个子图的全面指南

在这个例子中，我们创建了两个子图，分别显示垂直和水平的箱线图，用于比较三个不同的数据集的分布情况。

19. 子图中的热力图

热力图是一种用颜色来表示数值大小的图表类型，适合用于显示矩阵数据或相关性分析结果。

import matplotlib.pyplot as plt
import numpy as np

# 创建数据
data1 = np.random.rand(10, 10)
data2 = np.random.rand(10, 10)

# 创建1x2的子图布局
fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(12, 5))

# 第一个热力图
im1 = ax1.imshow(data1, cmap='viridis')
ax1.set_title('Heatmap 1 - how2matplotlib.com')
fig.colorbar(im1, ax=ax1)

# 第二个热力图
im2 = ax2.imshow(data2, cmap='plasma')
ax2.set_title('Heatmap 2 - how2matplotlib.com')
fig.colorbar(im2, ax=ax2)

plt.tight_layout()
plt.show()

Output:

Matplotlib中创建多个子图的全面指南

在这个例子中，我们创建了两个子图，每个子图都显示了一个热力图。热力图使用不同的颜色来表示数据的大小，颜色条显示了颜色与数值的对应关系。

20. 子图中的极坐标直方图

极坐标直方图是一种特殊类型的图表，它将传统的直方图展示在极坐标系中。这种图表对于显示周期性数据或方向数据特别有用。

import matplotlib.pyplot as plt
import numpy as np

# 创建数据
data1 = np.random.normal(0, 2, 1000)
data2 = np.random.normal(0, 3, 1000)

# 创建1x2的子图布局
fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(12, 5), subplot_kw=dict(projection='polar'))

# 第一个极坐标直方图
ax1.hist(data1, bins=16, bottom=4)
ax1.set_title('Polar Histogram 1 - how2matplotlib.com')

# 第二个极坐标直方图
ax2.hist(data2, bins=16, bottom=4)
ax2.set_title('Polar Histogram 2 - how2matplotlib.com')

plt.tight_layout()
plt.show()

Output:

Matplotlib中创建多个子图的全面指南

在这个例子中，我们创建了两个极坐标子图，每个子图都显示了一个极坐标直方图。这种图表形式可以有效地展示数据的分布和方向性。

总结

在本文中，我们全面探讨了如何在Matplotlib中创建和使用多个子图。我们涵盖了从基本的子图创建到高级的自定义布局，从2D图表到3D图表，从静态图表到动画。以下是本文涉及的主要内容：

  1. 子图的基本概念和创建方法
  2. 使用plt.subplots()创建子图
  3. 自定义子图布局
  4. 共享坐标轴
  5. 调整子图间距
  6. 创建不同大小的子图
  7. 嵌套子图
  8. 3D子图
  9. 在子图中绘制多个图表
  10. 在子图中使用不同类型的图表
  11. 在子图中显示图像
  12. 极坐标子图
  13. 子图中的动画
  14. 子图中的误差线
  15. 子图中的填充区域
  16. 双轴图
  17. 对数刻度
  18. 箱线图
  19. 热力图
  20. 极坐标直方图

通过掌握这些技巧，你可以创建更加丰富、信息量更大的可视化图表，更好地展示和分析你的数据。记住，创建有效的数据可视化不仅需要技术skills，还需要对数据有深入的理解，以及清晰的表达意图。

在实际应用中，你可能需要根据具体的数据和需求来选择合适的子图类型和布局。不要害怕尝试不同的组合和设置，因为有时候最有洞察力的可视化可能来自于意想不到的图表组合。

最后，虽然Matplotlib提供了强大的子图功能，但在处理大量数据或需要高度交互性的场景时，你可能还需要考虑使用其他专门的数据可视化库，如Seaborn、Plotly或Bokeh。这些库在Matplotlib的基础上提供了更高级的功能和更美观的默认样式。

无论如何，掌握Matplotlib中的子图创建和使用是数据科学和可视化领域的重要技能。通过不断练习和实验，你将能够创建出既美观又富有洞察力的数据可视化作品。

Camera课程

Camera API2 教程

API2 教程
Camera 性能教程

Perf 教程
Camera Native Framework 教程

Native FW 教程
Camera QCOM ISP 教程

ISP 教程
Camera QCOM Sensor 教程

Sensor 教程

Python教程

Python 教程

Python 教程
NumPy 教程

NumPy 教程
Django 教程

Django 教程

Java教程

Java 教程

Java 教程

Web教程

JavaScript 教程

JavaScript 教程
jQuery 教程

jQuery 教程
CSS 教程

CSS 教程
PHP 教程

PHP 教程
Laravel 教程

Laravel 教程
TypeScript 教程

TypeScript 教程
WordPress 教程

WordPress 教程

数据库教程

SQL 教程

SQL 教程
SQLite 教程

SQLite 教程
MySQL 教程

MySQL 教程
PL/SQL 教程

PL/SQL 教程
MongoDB 教程

MongoDB 教程

图形图像教程

OpenCV 教程

OpenCV 教程

办公软件教程

Excel 教程

Excel 教程

Linux教程

Linux命令全集

Linux命令全集
Linux内核API

Linux内核API
LVGL 教程

LVGL 教程

计算机教程

操作系统 教程

操作系统 教程
计算机网络 教程

计算机网络 教程
C语言 教程

C语言 教程
C++ 教程

C++ 教程
Swift 教程

Swift 教程

大数据教程

Hadoop 教程

Hadoop 教程
Spark 教程

Spark 教程
Scala 教程

Scala 教程

开发工具教程

Git 教程

Git 教程
Jenkins 教程

Jenkins 教程
ChatGPT 教程

ChatGPT 教程
IntelliJ 教程

IntelliJ 教程