Matplotlib中使用plt.subplots和figsize创建自定义大小的子图布局|极客笔记

Matplotlib中使用plt.subplots和figsize创建自定义大小的子图布局

Matplotlib是Python中最流行的数据可视化库之一，它提供了丰富的绘图功能和灵活的自定义选项。在使用Matplotlib进行数据可视化时，我们经常需要创建多个子图并调整图形的大小。本文将详细介绍如何使用plt.subplots函数和figsize参数来创建自定义大小的子图布局，帮助你更好地掌握这些重要的Matplotlib功能。

1. plt.subplots函数简介

plt.subplots是Matplotlib库中的一个重要函数，它允许我们在一个图形窗口中创建多个子图。这个函数返回一个包含图形对象（Figure）和轴对象（Axes）的元组。使用plt.subplots可以轻松地创建具有不同行数和列数的子图布局，非常适合同时展示多个相关的图表。

以下是一个简单的示例，展示如何使用plt.subplots创建一个2×2的子图布局：

import matplotlib.pyplot as plt
import numpy as np

fig, axs = plt.subplots(2, 2)
x = np.linspace(0, 10, 100)

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

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

axs[1, 0].plot(x, np.exp(x))
axs[1, 0].set_title('Exponential - how2matplotlib.com')

axs[1, 1].plot(x, np.log(x))
axs[1, 1].set_title('Logarithm - how2matplotlib.com')

plt.tight_layout()
plt.show()

Output:

Matplotlib中使用plt.subplots和figsize创建自定义大小的子图布局

在这个示例中，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数学函数。plt.subplots(2, 2)返回一个图形对象和一个2×2的轴对象数组。我们可以通过索引axs[i, j]来访问每个子图，其中i表示行，j表示列。

2. figsize参数的作用

figsize是plt.subplots函数的一个重要参数，用于设置整个图形的大小。它接受一个包含两个元素的元组，分别表示图形的宽度和高度，单位为英寸。通过调整figsize参数，我们可以控制图形的整体大小，从而影响子图的大小和布局。

下面是一个使用figsize参数的示例：

import matplotlib.pyplot as plt
import numpy as np

fig, axs = plt.subplots(2, 2, figsize=(12, 8))
x = np.linspace(0, 10, 100)

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

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

axs[1, 0].plot(x, np.exp(x))
axs[1, 0].set_title('Exponential - how2matplotlib.com')

axs[1, 1].plot(x, np.log(x))
axs[1, 1].set_title('Logarithm - how2matplotlib.com')

plt.tight_layout()
plt.show()

Output:

Matplotlib中使用plt.subplots和figsize创建自定义大小的子图布局

在这个示例中，我们将figsize设置为(12, 8)，这意味着整个图形的宽度为12英寸，高度为8英寸。这样可以创建一个更大的图形，使得每个子图有更多的空间来显示数据。

3. 调整子图的布局

除了使用figsize参数调整整个图形的大小，我们还可以通过其他方法来调整子图的布局。以下是一些常用的技巧：

3.1 使用gridspec_kw参数

gridspec_kw参数允许我们更精细地控制子图的布局。我们可以使用它来设置行高和列宽的比例。

import matplotlib.pyplot as plt
import numpy as np

fig, axs = plt.subplots(2, 2, figsize=(10, 8), 
                        gridspec_kw={'height_ratios': [2, 1], 'width_ratios': [1, 2]})
x = np.linspace(0, 10, 100)

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

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

axs[1, 0].plot(x, np.exp(x))
axs[1, 0].set_title('Exponential - how2matplotlib.com')

axs[1, 1].plot(x, np.log(x))
axs[1, 1].set_title('Logarithm - how2matplotlib.com')

plt.tight_layout()
plt.show()

Output:

Matplotlib中使用plt.subplots和figsize创建自定义大小的子图布局

在这个示例中，我们使用gridspec_kw参数设置了不同的行高和列宽比例。第一行的高度是第二行的两倍，第二列的宽度是第一列的两倍。

3.2 使用plt.tight_layout()

plt.tight_layout()函数可以自动调整子图之间的间距，以避免重叠和溢出。它通常在绘制完所有子图后调用。

import matplotlib.pyplot as plt
import numpy as np

fig, axs = plt.subplots(2, 3, figsize=(12, 8))
x = np.linspace(0, 10, 100)

for i in range(2):
    for j in range(3):
        axs[i, j].plot(x, np.sin(x + i + j))
        axs[i, j].set_title(f'Sine Wave {i+1},{j+1} - how2matplotlib.com')

plt.tight_layout()
plt.show()

Output:

Matplotlib中使用plt.subplots和figsize创建自定义大小的子图布局

在这个示例中，我们创建了一个2×3的子图布局，并使用循环在每个子图中绘制正弦波。plt.tight_layout()确保了子图之间有适当的间距。

3.3 使用plt.subplots_adjust()

plt.subplots_adjust()函数允许我们手动调整子图之间的间距和边距。

import matplotlib.pyplot as plt
import numpy as np

fig, axs = plt.subplots(2, 2, figsize=(10, 8))
x = np.linspace(0, 10, 100)

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

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

axs[1, 0].plot(x, np.exp(x))
axs[1, 0].set_title('Exponential - how2matplotlib.com')

axs[1, 1].plot(x, np.log(x))
axs[1, 1].set_title('Logarithm - how2matplotlib.com')

plt.subplots_adjust(left=0.1, right=0.95, top=0.95, bottom=0.05, wspace=0.3, hspace=0.4)
plt.show()

Output:

Matplotlib中使用plt.subplots和figsize创建自定义大小的子图布局

在这个示例中，我们使用plt.subplots_adjust()函数调整了子图的位置和间距。left、right、top和bottom参数控制整个图形的边距，而wspace和hspace分别控制子图之间的水平和垂直间距。

4. 创建不同大小的子图

有时我们可能需要创建大小不同的子图。这可以通过使用gridspec模块来实现。

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

fig = plt.figure(figsize=(12, 8))
gs = gridspec.GridSpec(2, 2, height_ratios=[2, 1], width_ratios=[1, 2])

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

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

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

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

ax3.plot(x, np.exp(x))
ax3.set_title('Exponential - how2matplotlib.com')

plt.tight_layout()
plt.show()

Output:

Matplotlib中使用plt.subplots和figsize创建自定义大小的子图布局

在这个示例中，我们使用gridspec创建了一个2×2的网格，但第三个子图跨越了整个底行。这种方法允许我们创建更复杂和灵活的子图布局。

5. 在子图中添加颜色条

当我们使用plt.subplots创建多个子图时，有时需要为每个子图添加颜色条（colorbar）。以下是一个示例：

import matplotlib.pyplot as plt
import numpy as np

fig, axs = plt.subplots(2, 2, figsize=(10, 8))

for i in range(2):
    for j in range(2):
        data = np.random.rand(10, 10)
        im = axs[i, j].imshow(data, cmap='viridis')
        axs[i, j].set_title(f'Plot {i+1},{j+1} - how2matplotlib.com')
        fig.colorbar(im, ax=axs[i, j])

plt.tight_layout()
plt.show()

Output:

Matplotlib中使用plt.subplots和figsize创建自定义大小的子图布局

在这个示例中，我们为每个子图创建了一个随机的2D数组，并使用imshow函数显示它。然后，我们为每个子图添加了一个颜色条，使用fig.colorbar()函数。

6. 在子图中添加文本注释

我们可以使用text()函数在子图中添加文本注释。以下是一个示例：

import matplotlib.pyplot as plt
import numpy as np

fig, axs = plt.subplots(2, 2, figsize=(10, 8))
x = np.linspace(0, 10, 100)

axs[0, 0].plot(x, np.sin(x))
axs[0, 0].set_title('Sine Wave - how2matplotlib.com')
axs[0, 0].text(5, 0.5, 'Sin(x)', fontsize=12, ha='center')

axs[0, 1].plot(x, np.cos(x))
axs[0, 1].set_title('Cosine Wave - how2matplotlib.com')
axs[0, 1].text(5, 0.5, 'Cos(x)', fontsize=12, ha='center')

axs[1, 0].plot(x, np.exp(x))
axs[1, 0].set_title('Exponential - how2matplotlib.com')
axs[1, 0].text(5, 1000, 'Exp(x)', fontsize=12, ha='center')

axs[1, 1].plot(x, np.log(x))
axs[1, 1].set_title('Logarithm - how2matplotlib.com')
axs[1, 1].text(5, 1, 'Log(x)', fontsize=12, ha='center')

plt.tight_layout()
plt.show()

Output:

Matplotlib中使用plt.subplots和figsize创建自定义大小的子图布局

在这个示例中，我们在每个子图中添加了一个文本注释，说明了绘制的函数。text()函数的前两个参数是文本的x和y坐标，第三个参数是要显示的文本内容。

7. 在子图中添加图例

当我们在一个子图中绘制多条线时，通常需要添加图例来区分它们。以下是一个示例：

import matplotlib.pyplot as plt
import numpy as np

fig, axs = plt.subplots(2, 2, figsize=(12, 10))
x = np.linspace(0, 10, 100)

axs[0, 0].plot(x, np.sin(x), label='Sin(x)')
axs[0, 0].plot(x, np.cos(x), label='Cos(x)')
axs[0, 0].set_title('Trigonometric Functions - how2matplotlib.com')
axs[0, 0].legend()

axs[0, 1].plot(x, x, label='Linear')
axs[0, 1].plot(x, x**2, label='Quadratic')
axs[0, 1].set_title('Polynomial Functions - how2matplotlib.com')
axs[0, 1].legend()

axs[1, 0].plot(x, np.exp(x), label='Exp(x)')
axs[1, 0].plot(x, np.log(x), label='Log(x)')
axs[1, 0].set_title('Exponential and Logarithm - how2matplotlib.com')
axs[1, 0].legend()

axs[1, 1].plot(x, np.sqrt(x), label='Sqrt(x)')
axs[1, 1].plot(x, x**(1/3), label='Cube Root(x)')
axs[1, 1].set_title('Root Functions - how2matplotlib.com')
axs[1, 1].legend()

plt.tight_layout()
plt.show()

Output:

Matplotlib中使用plt.subplots和figsize创建自定义大小的子图布局

在这个示例中，我们在每个子图中绘制了两条线，并使用label参数为每条线指定了一个标签。然后，我们调用legend()函数来显示图例。这样，每个子图都有自己的图例，清晰地标识了不同的线条。

8. 自定义子图的外观

我们可以通过多种方式自定义子图的外观，例如更改背景颜色、设置坐标轴范围、添加网格线等。以下是一个综合示例：

import matplotlib.pyplot as plt
import numpy as np

fig, axs = plt.subplots(2, 2, figsize=(12, 10))
x = np.linspace(0, 10, 100)

# 自定义第一个子图
axs[0, 0].plot(x, np.sin(x), color='red')
axs[0, 0].set_title('Customized Sine Wave - how2matplotlib.com')
axs[0, 0].set_facecolor('#f0f0f0')
axs[0, 0].set_xlim(0, 10)
axs[0, 0].set_ylim(-1.5, 1.5)
axs[0, 0].grid(True, linestyle='--', alpha=0.7)

# 自定义第二个子图
axs[0, 1].plot(x, np.cos(x), color='blue')
axs[0, 1].set_title('Customized Cosine Wave - how2matplotlib.com')
axs[0, 1].set_xscale('log')
axs[0, 1].set_yscale('log')
axs[0, 1].set_xlabel('Log X')
axs[0, 1].set_ylabel('Log Y')

# 自定义第三个子图
axs[1, 0].plot(x, np.exp(x), color='green')
axs[1, 0].set_title('Customized Exponential - how2matplotlib.com')
axs[1, 0].spines['top'].set_visible(False)
axs[1, 0].spines['right'].set_visible(False)
axs[1, 0].tick_params(axis='both', which='major', labelsize=8)

# 自定义第四个子图
axs[1, 1].plot(x, np.log(x), color='purple')
axs[1, 1].set_title('Customized Logarithm - how2matplotlib.com')
axs[1, 1].set_xticks(np.arange(0, 11, 2))
axs[1, 1].set_yticks(np.arange(0, 2.5, 0.5))
axs[1, 1].axhline(y=0, color='k', linestyle='--')
axs[1, 1].axvline(x=5, color='k', linestyle='--')

plt.tight_layout()
plt.show()

Output:

Matplotlib中使用plt.subplots和figsize创建自定义大小的子图布局

在这个示例中，我们对每个子图进行了不同的自定义：
– 第一个子图：设置了背景颜色、坐标轴范围和网格线。
– 第二个子图：使用了对数刻度并添加了坐标轴标签。
– 第三个子图：隐藏了顶部和右侧的坐标轴线，并调整了刻度标签的大小。
– 第四个子图：自定义了刻度位置，并添加了水平和垂直的参考线。

9. 在子图中嵌套子图

有时，我们可能需要在一个子图中再嵌套其他子图。这可以通过创建一个主要的子图布局，然后在其中的某个子图中再创建新的子图来实现。以下是一个示例：

import matplotlib.pyplot as plt
import numpy as np

fig, axs = plt.subplots(2, 2, figsize=(12, 10))
x = np.linspace(0, 10, 100)

# 主要子图
axs[0, 0].plot(x, np.sin(x))
axs[0, 0].set_title('Sine Wave - how2matplotlib.com')

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

axs[1, 0].plot(x, np.exp(x))
axs[1, 0].set_title('Exponential - how2matplotlib.com')

# 在右下角的子图中嵌套新的子图
nested_fig, nested_axs = plt.subplots(2, 2, figsize=(4, 4))
for i in range(2):
    for j in range(2):
        nested_axs[i, j].plot(x, np.random.rand(100))
        nested_axs[i, j].set_title(f'Nested {i+1},{j+1}')
nested_fig.tight_layout()

# 将嵌套的图形添加到主图形中
axs[1, 1].set_title('Nested Subplots - how2matplotlib.com')
axs[1, 1].axis('off')
nested_subplot = axs[1, 1].inset_axes([0, 0, 1, 1])
nested_subplot.imshow(nested_fig.canvas.renderer.buffer_rgba())
nested_subplot.axis('off')

plt.tight_layout()
plt.show()

Output:

Matplotlib中使用plt.subplots和figsize创建自定义大小的子图布局

在这个示例中，我们首先创建了一个2×2的主要子图布局。然后，我们创建了一个新的图形对象，其中包含4个嵌套的子图。最后，我们将这个嵌套的图形作为图像插入到主要布局的右下角子图中。

10. 使用不同的图表类型

plt.subplots不仅可以用于创建线图，还可以用于其他类型的图表，如柱状图、散点图、饼图等。以下是一个综合示例，展示了如何在不同的子图中使用不同类型的图表：

import matplotlib.pyplot as plt
import numpy as np

fig, axs = plt.subplots(2, 2, figsize=(12, 10))

# 线图
x = np.linspace(0, 10, 100)
axs[0, 0].plot(x, np.sin(x))
axs[0, 0].set_title('Line Plot - how2matplotlib.com')

# 散点图
x = np.random.rand(50)
y = np.random.rand(50)
colors = np.random.rand(50)
sizes = 1000 * np.random.rand(50)
axs[0, 1].scatter(x, y, c=colors, s=sizes, alpha=0.5)
axs[0, 1].set_title('Scatter Plot - how2matplotlib.com')

# 柱状图
categories = ['A', 'B', 'C', 'D', 'E']
values = np.random.randint(0, 100, 5)
axs[1, 0].bar(categories, values)
axs[1, 0].set_title('Bar Plot - how2matplotlib.com')

# 饼图
sizes = [30, 20, 25, 15, 10]
labels = ['A', 'B', 'C', 'D', 'E']
axs[1, 1].pie(sizes, labels=labels, autopct='%1.1f%%', startangle=90)
axs[1, 1].set_title('Pie Chart - how2matplotlib.com')

plt.tight_layout()
plt.show()

Output:

Matplotlib中使用plt.subplots和figsize创建自定义大小的子图布局

在这个示例中，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plt.subplots的多功能性。

11. 保存多子图布局

当我们创建了一个包含多个子图的复杂布局后，可能希望将其保存为图像文件。Matplotlib提供了多种保存图形的方法。以下是一个示例：

import matplotlib.pyplot as plt
import numpy as np

fig, axs = plt.subplots(2, 2, figsize=(12, 10))
x = np.linspace(0, 10, 100)

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

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

axs[1, 0].plot(x, np.exp(x))
axs[1, 0].set_title('Exponential - how2matplotlib.com')

axs[1, 1].plot(x, np.log(x))
axs[1, 1].set_title('Logarithm - how2matplotlib.com')

plt.tight_layout()

# 保存为PNG文件
plt.savefig('multiple_subplots.png', dpi=300, bbox_inches='tight')

# 保存为PDF文件
plt.savefig('multiple_subplots.pdf', bbox_inches='tight')

# 保存为SVG文件
plt.savefig('multiple_subplots.svg', bbox_inches='tight')

plt.show()

Output:

Matplotlib中使用plt.subplots和figsize创建自定义大小的子图布局

在这个示例中，我们使用plt.savefig()函数将图形保存为不同格式的文件。dpi参数控制图像的分辨率，bbox_inches='tight'参数确保图形的所有部分都包含在保存的文件中，不会被裁剪。

12. 使用面向对象的方法创建子图

虽然我们一直在使用plt.subplots()函数，但Matplotlib也提供了一种更加面向对象的方法来创建子图。这种方法给予我们更多的控制权，特别是在处理复杂布局时。以下是一个示例：

import matplotlib.pyplot as plt
import numpy as np

# 创建Figure对象
fig = plt.figure(figsize=(12, 10))

# 创建子图
ax1 = fig.add_subplot(221)
ax2 = fig.add_subplot(222)
ax3 = fig.add_subplot(223)
ax4 = fig.add_subplot(224)

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

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

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

ax3.plot(x, np.exp(x))
ax3.set_title('Exponential - how2matplotlib.com')

ax4.plot(x, np.log(x))
ax4.set_title('Logarithm - how2matplotlib.com')

plt.tight_layout()
plt.show()

Output:

Matplotlib中使用plt.subplots和figsize创建自定义大小的子图布局