Matplotlib 图形大小和子图布局：全面掌握数据可视化的关键技巧|极客笔记

Matplotlib 图形大小和子图布局：全面掌握数据可视化的关键技巧

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图形。在使用 Matplotlib 进行数据可视化时，正确设置图形大小和子图布局是至关重要的。本文将深入探讨 Matplotlib 中的图形大小（figure size）和子图（subplots）概念，帮助你全面掌握这些关键技巧，以创建更加专业和吸引人的数据可视化作品。

1. 图形大小（Figure Size）

在 Matplotlib 中，图形大小指的是整个图形（Figure）的尺寸。正确设置图形大小可以确保你的可视化作品在不同显示设备上都能得到良好的展示效果。

1.1 设置图形大小

要设置图形大小，我们可以使用 plt.figure() 函数，并通过 figsize 参数指定宽度和高度（以英寸为单位）。

import matplotlib.pyplot as plt

plt.figure(figsize=(10, 6))
plt.plot([1, 2, 3, 4], [1, 4, 2, 3])
plt.title("How2Matplotlib.com: Figure Size Example")
plt.show()

Output:

Matplotlib 图形大小和子图布局：全面掌握数据可视化的关键技巧

在这个例子中，我们创建了一个宽度为 10 英寸、高度为 6 英寸的图形。figsize 参数接受一个包含两个元素的元组，分别表示宽度和高度。

1.2 动态调整图形大小

有时，我们可能需要根据数据的特性或显示设备的要求动态调整图形大小。以下是一个根据数据点数量动态设置图形大小的例子：

import matplotlib.pyplot as plt
import numpy as np

data = np.random.randn(100)
fig_width = max(6, len(data) / 10)
fig_height = fig_width * 0.6

plt.figure(figsize=(fig_width, fig_height))
plt.plot(data)
plt.title("How2Matplotlib.com: Dynamic Figure Size")
plt.show()

Output:

Matplotlib 图形大小和子图布局：全面掌握数据可视化的关键技巧

在这个例子中，我们根据数据点的数量计算图形的宽度，并将高度设置为宽度的 60%。这样可以确保图形的比例始终保持一致，同时适应不同大小的数据集。

1.3 保存指定大小的图形

当保存图形时，我们也可以指定输出文件的大小。这在准备用于出版或网页展示的图形时特别有用。

import matplotlib.pyplot as plt
import numpy as np

x = np.linspace(0, 10, 100)
y = np.sin(x)

plt.figure(figsize=(8, 4))
plt.plot(x, y)
plt.title("How2Matplotlib.com: Saving Figure with Specific Size")
plt.savefig('sine_wave.png', dpi=300, bbox_inches='tight')
plt.show()

Output:

Matplotlib 图形大小和子图布局：全面掌握数据可视化的关键技巧

在这个例子中，我们创建了一个正弦波图形，并将其保存为 PNG 文件。savefig() 函数的 dpi 参数设置了输出图像的分辨率，而 bbox_inches='tight' 确保图形周围没有多余的空白。

2. 子图（Subplots）

子图允许我们在一个图形中创建多个相关的图表。这对于比较不同数据集或展示数据的不同方面非常有用。

2.1 创建基本子图

使用 plt.subplots() 函数可以轻松创建子图。这个函数返回一个 Figure 对象和一个包含 Axes 对象的数组。

import matplotlib.pyplot as plt
import numpy as np

fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(12, 5))

x = np.linspace(0, 10, 100)
ax1.plot(x, np.sin(x))
ax1.set_title("How2Matplotlib.com: Sine Wave")

ax2.plot(x, np.cos(x))
ax2.set_title("How2Matplotlib.com: Cosine Wave")

plt.tight_layout()
plt.show()

Output:

Matplotlib 图形大小和子图布局：全面掌握数据可视化的关键技巧

这个例子创建了一个包含两个子图的图形，分别显示正弦波和余弦波。plt.subplots(1, 2) 创建了一行两列的子图布局。

2.2 调整子图间距

默认情况下，子图之间可能会有一些间距。我们可以使用 plt.subplots() 的参数或 fig.subplots_adjust() 方法来调整这些间距。

import matplotlib.pyplot as plt
import numpy as np

fig, axes = plt.subplots(2, 2, figsize=(10, 8))
fig.suptitle("How2Matplotlib.com: Adjusting Subplot Spacing")

for i, ax in enumerate(axes.flat):
    ax.plot(np.random.randn(100))
    ax.set_title(f"Subplot {i+1}")

fig.subplots_adjust(hspace=0.4, wspace=0.4)
plt.show()

Output:

Matplotlib 图形大小和子图布局：全面掌握数据可视化的关键技巧

在这个例子中，我们创建了一个 2×2 的子图网格，并使用 subplots_adjust() 方法增加了子图之间的水平和垂直间距。

2.3 不规则子图布局

有时，我们可能需要创建不规则的子图布局。Matplotlib 提供了 gridspec 模块来实现这一点。

import matplotlib.pyplot as plt
import matplotlib.gridspec as gridspec

fig = plt.figure(figsize=(12, 8))
gs = gridspec.GridSpec(3, 3)

ax1 = fig.add_subplot(gs[0, :])
ax2 = fig.add_subplot(gs[1, :-1])
ax3 = fig.add_subplot(gs[1:, -1])
ax4 = fig.add_subplot(gs[-1, 0])
ax5 = fig.add_subplot(gs[-1, -2])

ax1.set_title("How2Matplotlib.com: Irregular Subplot Layout")
ax2.set_title("Subplot 2")
ax3.set_title("Subplot 3")
ax4.set_title("Subplot 4")
ax5.set_title("Subplot 5")

plt.tight_layout()
plt.show()

Output:

Matplotlib 图形大小和子图布局：全面掌握数据可视化的关键技巧

这个例子展示了如何使用 gridspec 创建一个不规则的子图布局，包括跨越多个网格单元的子图。

3. 组合图形大小和子图技巧

现在，让我们来看一些结合图形大小和子图布局的高级技巧。

3.1 自适应子图大小

当创建具有不同大小的子图时，我们可以使用 gridspec_kw 参数来指定每个子图的相对大小。

import matplotlib.pyplot as plt
import numpy as np

fig, axs = plt.subplots(2, 2, figsize=(12, 8),
                        gridspec_kw={'height_ratios': [2, 1],
                                     'width_ratios': [1, 2]})

fig.suptitle("How2Matplotlib.com: Adaptive Subplot Sizes")

axs[0, 0].plot(np.random.randn(100))
axs[0, 0].set_title("Larger Height")

axs[0, 1].plot(np.random.randn(100))
axs[0, 1].set_title("Larger Width and Height")

axs[1, 0].plot(np.random.randn(100))
axs[1, 0].set_title("Smaller Size")

axs[1, 1].plot(np.random.randn(100))
axs[1, 1].set_title("Larger Width")

plt.tight_layout()
plt.show()

Output:

Matplotlib 图形大小和子图布局：全面掌握数据可视化的关键技巧

在这个例子中，我们创建了一个 2×2 的子图网格，但每个子图的大小不同。通过 height_ratios 和 width_ratios 参数，我们可以控制每行和每列的相对大小。

3.2 嵌套子图

有时，我们可能需要在一个子图内创建更多的子图。这可以通过嵌套使用 subplot() 函数来实现。

import matplotlib.pyplot as plt
import numpy as np

fig = plt.figure(figsize=(12, 8))
fig.suptitle("How2Matplotlib.com: Nested Subplots")

# 创建主子图
gs = fig.add_gridspec(2, 2)

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

ax1.set_title("Subplot 1")
ax2.set_title("Subplot 2")
ax3.set_title("Subplot 3 (with nested subplots)")

# 在ax3中创建嵌套子图
gs_nested = gs[1, :].subgridspec(1, 3)
ax3_1 = fig.add_subplot(gs_nested[0])
ax3_2 = fig.add_subplot(gs_nested[1])
ax3_3 = fig.add_subplot(gs_nested[2])

ax3_1.set_title("Nested 1")
ax3_2.set_title("Nested 2")
ax3_3.set_title("Nested 3")

plt.tight_layout()
plt.show()

Output:

Matplotlib 图形大小和子图布局：全面掌握数据可视化的关键技巧

这个例子展示了如何在一个较大的子图内创建嵌套的子图，允许更复杂和灵活的布局。

3.3 动态创建子图

在某些情况下，我们可能需要根据数据动态创建子图。以下是一个根据数据集数量动态创建子图的例子：

import matplotlib.pyplot as plt
import numpy as np

datasets = [np.random.randn(100) for _ in range(5)]

n = len(datasets)
cols = min(3, n)
rows = (n + cols - 1) // cols

fig, axes = plt.subplots(rows, cols, figsize=(4*cols, 3*rows))
fig.suptitle("How2Matplotlib.com: Dynamic Subplots Creation")

for i, data in enumerate(datasets):
    ax = axes[i // cols, i % cols] if rows > 1 else axes[i]
    ax.plot(data)
    ax.set_title(f"Dataset {i+1}")

# 隐藏多余的子图
for j in range(i+1, rows*cols):
    ax = axes[j // cols, j % cols] if rows > 1 else axes[j]
    ax.axis('off')

plt.tight_layout()
plt.show()

Output:

Matplotlib 图形大小和子图布局：全面掌握数据可视化的关键技巧

这个例子展示了如何根据数据集的数量动态创建适当数量的子图，并自动调整图形大小以适应所有子图。

4. 高级图形大小和子图技巧

让我们探讨一些更高级的技巧，这些技巧可以帮助你创建更复杂和专业的可视化。

4.1 使用 constrained_layout

constrained_layout 是 Matplotlib 提供的一个自动调整布局的功能，它可以帮助解决标签重叠和子图之间间距不均匀的问题。

import matplotlib.pyplot as plt
import numpy as np

fig, axs = plt.subplots(2, 2, figsize=(10, 8), constrained_layout=True)
fig.suptitle("How2Matplotlib.com: Constrained Layout")

for ax in axs.flat:
    im = ax.imshow(np.random.random((10, 10)), vmin=0, vmax=1)
    ax.set_xlabel("X Label")
    ax.set_ylabel("Y Label")
    ax.set_title("Subplot Title")

fig.colorbar(im, ax=axs, shrink=0.6)
plt.show()

Output:

Matplotlib 图形大小和子图布局：全面掌握数据可视化的关键技巧

在这个例子中，我们使用 constrained_layout=True 来自动调整子图的布局，确保标签和颜色条不会重叠。

4.2 创建不对称的子图布局

有时，我们可能需要创建更复杂的、不对称的子图布局。我们可以使用 GridSpec 来实现这一点。

import matplotlib.pyplot as plt
import matplotlib.gridspec as gridspec

fig = plt.figure(figsize=(12, 8))
gs = gridspec.GridSpec(3, 3)

ax1 = fig.add_subplot(gs[0, :])
ax2 = fig.add_subplot(gs[1, :-1])
ax3 = fig.add_subplot(gs[1:, -1])
ax4 = fig.add_subplot(gs[-1, 0])
ax5 = fig.add_subplot(gs[-1, -2])

fig.suptitle("How2Matplotlib.com: Asymmetric Subplot Layout")
ax1.set_title("Wide subplot")
ax2.set_title("Medium subplot")
ax3.set_title("Tall subplot")
ax4.set_title("Small subplot 1")
ax5.set_title("Small subplot 2")

plt.tight_layout()
plt.show()

Output:

Matplotlib 图形大小和子图布局：全面掌握数据可视化的关键技巧

这个例子展示了如何使用 GridSpec 创建一个复杂的、不对称的子图布局，包括不同大小和形状的子图。

4.3 子图中的子图

在某些情况下，你可能需要在一个子图内创建更多的子图。这可以通过在子图上调用 subplot() 方法来实现。

import matplotlib.pyplot as plt
import numpy as np

fig = plt.figure(figsize=(12, 8))
fig.suptitle("How2Matplotlib.com: Subplots within Subplots")

# 创建主子图
gs = fig.add_gridspec(2, 2)

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

ax1.set_title("Subplot 1")
ax2.set_title("Subplot 2")
ax3.set_title("Subplot 3 (with nested subplots)")

# 在ax3中创建嵌套子图
gs_nested = gs[1, :].subgridspec(1, 3)
ax3_1 = fig.add_subplot(gs_nested[0])
ax3_2 = fig.add_subplot(gs_nested[1])
ax3_3 = fig.add_subplot(gs_nested[2])

ax3_1.set_title("Nested 1")
ax3_2.set_title("Nested 2")
ax3_3.set_title("Nested 3")

for ax in [ax1, ax2, ax3_1, ax3_2, ax3_3]:
    ax.plot(np.random.randn(50))

plt.tight_layout()
plt.show()

Output:

Matplotlib 图形大小和子图布局：全面掌握数据可视化的关键技巧

这个例子展示了如何在一个较大的子图内创建嵌套的子图，允许更复杂和灵活的布局。

4.4 使用 add_axes 创建精确位置的子图

有时，你可能需要在图形上的精确位置创建子图。这可以通过 fig.add_axes() 方法实现。

import matplotlib.pyplot as plt
import numpy as np

fig = plt.figure(figsize=(10, 8))
fig.suptitle("How2Matplotlib.com: Precise Subplot Positioning")

# 主图
ax_main = fig.add_axes([0.1, 0.1, 0.8, 0.8])
ax_main.set_title("Main Plot")
ax_main.plot(np.random.randn(100))

# 右上角的小图
ax_top_right = fig.add_axes([0.65, 0.65, 0.2, 0.2])
ax_top_right.set_title("Top Right")
ax_top_right.plot(np.random.randn(20))

# 左下角的小图
ax_bottom_left = fig.add_axes([0.2, 0.2, 0.2, 0.2])
ax_bottom_left.set_title("Bottom Left")
ax_bottom_left.plot(np.random.randn(20))

plt.show()

Output:

Matplotlib 图形大小和子图布局：全面掌握数据可视化的关键技巧

在这个例子中，我们使用 add_axes() 方法在图形的精确位置创建子图。参数列表 [left, bottom, width, height] 定义了子图在图形中的位置和大小，这些值都是相对于整个图形的比例。

4.5 创建共享轴的子图

共享轴的子图可以帮助我们更好地比较不同数据集。Matplotlib 允许我们创建共享 x 轴或 y 轴的子图。

import matplotlib.pyplot as plt
import numpy as np

fig, (ax1, ax2, ax3) = plt.subplots(3, 1, figsize=(10, 8), sharex=True)
fig.suptitle("How2Matplotlib.com: Subplots with Shared X-axis")

x = np.linspace(0, 10, 100)
ax1.plot(x, np.sin(x))
ax1.set_title("Sine Wave")

ax2.plot(x, np.cos(x))
ax2.set_title("Cosine Wave")

ax3.plot(x, np.tan(x))
ax3.set_title("Tangent Wave")

plt.tight_layout()
plt.show()

Output:

Matplotlib 图形大小和子图布局：全面掌握数据可视化的关键技巧

在这个例子中，我们创建了三个垂直排列的子图，它们共享相同的 x 轴。这使得比较不同函数在相同 x 值范围内的行为变得更加容易。

5. 图形大小和子图的最佳实践

在使用 Matplotlib 创建图形和子图时，遵循一些最佳实践可以帮助你创建更加专业和易读的可视化。

5.1 选择适当的图形大小

选择合适的图形大小对于确保你的可视化既美观又实用至关重要。以下是一些建议：

考虑展示媒介：如果是为打印准备，可能需要更高的分辨率和更大的尺寸。如果是为网页准备，则需要考虑常见的屏幕尺寸。
保持宽高比：通常，宽高比在 1.3 到 1.5 之间的图形看起来最为协调。
根据内容调整：如果你的图表包含很多细节或文本，可能需要更大的尺寸。

import matplotlib.pyplot as plt
import numpy as np

# 为打印准备的大尺寸图形
plt.figure(figsize=(12, 8), dpi=300)
plt.plot(np.random.randn(100))
plt.title("How2Matplotlib.com: High-Resolution Figure for Print")
plt.savefig('high_res_figure.png')
plt.close()

# 为网页准备的小尺寸图形
plt.figure(figsize=(8, 6), dpi=100)
plt.plot(np.random.randn(100))
plt.title("How2Matplotlib.com: Web-Friendly Figure")
plt.show()

Output:

Matplotlib 图形大小和子图布局：全面掌握数据可视化的关键技巧

5.2 有效使用子图

子图可以帮助你在一个图形中展示多个相关的数据集或视图。以下是一些使用子图的建议：

保持一致性：在多个子图中使用相同的颜色、标记和样式可以提高可读性。
使用适当的布局：根据你要展示的数据选择合适的行数和列数。
考虑使用共享轴：如果子图之间有共同的 x 轴或 y 轴，使用共享轴可以减少重复并提高可比性。

import matplotlib.pyplot as plt
import numpy as np

fig, axs = plt.subplots(2, 2, figsize=(12, 10), sharex='col', sharey='row')
fig.suptitle("How2Matplotlib.com: Effective Use of Subplots")

x = np.linspace(0, 10, 100)
colors = ['r', 'g', 'b', 'm']

for i, ax in enumerate(axs.flat):
    ax.plot(x, np.sin(x + i*np.pi/4), color=colors[i])
    ax.set_title(f"Phase shift: {i*np.pi/4:.2f}")

plt.tight_layout()
plt.show()

Output:

Matplotlib 图形大小和子图布局：全面掌握数据可视化的关键技巧

5.3 适当的间距和边距

确保你的图形有适当的间距和边距可以大大提高可读性：

使用 tight_layout()：这个函数可以自动调整子图参数，以给定的填充适应图形。
调整 subplots_adjust()：如果需要更精细的控制，可以使用这个函数来手动调整子图之间的间距。
考虑标签和标题：确保有足够的空间容纳所有的标签和标题，而不会发生重叠。

import matplotlib.pyplot as plt
import numpy as np

fig, axs = plt.subplots(2, 2, figsize=(12, 10))
fig.suptitle("How2Matplotlib.com: Proper Spacing and Margins")

for ax in axs.flat:
    ax.plot(np.random.randn(100))
    ax.set_title("Subplot Title")
    ax.set_xlabel("X Label")
    ax.set_ylabel("Y Label")

# 调整子图之间的间距
plt.subplots_adjust(wspace=0.3, hspace=0.3)

# 调整整个图形的边距
plt.tight_layout(rect=[0, 0.03, 1, 0.95])

plt.show()

Output:

Matplotlib 图形大小和子图布局：全面掌握数据可视化的关键技巧