【Python数据可视化】matplotlib之设置子图：绘制子图、子图共享x轴坐标

文章传送门

Python 数据可视化
matplotlib之绘制常用图形：折线图、柱状图（条形图）、饼图和直方图
matplotlib之设置坐标：添加坐标轴名字、设置坐标范围、设置主次刻度、坐标轴文字旋转并标出坐标值
matplotlib之增加图形内容：设置图例、设置中文标题、设置网格效果
matplotlib之设置子图：绘制子图、子图共享x轴坐标
matplotlib之绘制高级图形：散点图、热力图、等值线图、极坐标图
matplotlib之绘制三维图形：三维散点图、三维柱状图、三维曲面图

简述 / 前言

这篇将分享数据可视化最重要也最常用的一个部分——子图，下面将会分享一些常用的方法：绘制子图、子图共享x轴坐标。

---

1. 通过 add_subplot 方法绘制子图

首先需要新建一个 figure 对象，然后使用 matplotlib.pyplot.figure().add_subplot() 方法绘制子图。

matplotlib.pyplot.figure().add_subplot() 方法有3个参数，第一个参数是把图表划分为几行，第二个参数是把图表划分为几列，第三个参数是当前图形要放在那个区域，比如下面的 add_subplot(2, 2, 1) 就是指图层被划分为2行2列4个区域，该子图在第一个位置创建。

注：图层区域的位置是按照行排序的，即2行2列的区域位置分布如下：

第一个区域(2, 2, 1)      第二个区域(2, 2, 2)
第三个区域(2, 2, 3)      第四个区域(2, 2, 4)

示例：

import matplotlib.pyplot as plt
import numpy as np

x = np.arange(0, 10, 0.1)
fig = plt.figure()      # 新建figure对象
# 子图1
ax1 = fig.add_subplot(2, 2, 1)
ax1.plot(x, x, label='y=x', color='red')
ax1.legend()
# 子图2
ax2 = fig.add_subplot(2, 2, 3)
ax2.plot(x, 2 * x, label='y=2x', color='blue')
ax2.legend()
# 子图3
ax3 = fig.add_subplot(2, 2, 4)
ax3.plot(x, 4 * x, label='y=4x', color='green')
ax3.legend()
plt.show()

输出：

2. 通过 subplot 方法绘制子图

除了使用 matplotlib.pyplot.figure().add_subplot() 方法绘制子图，还能使用 matplotlib.pyplot 的 subplot() 方法绘制子图。

与 matplotlib.pyplot.figure().add_subplot() 方法一样，matplotlib.pyplot.subplot() 方法也有3个参数，第一个参数是把图表划分为几行，第二个参数是把图表划分为几列，第三个参数是当前图形要放在那个区域，比如下面的 subplot(2, 2, 1) 就是指图层被划分为2行2列4个区域，该子图在第一个位置创建。

注：图层区域的位置是按照行排序的，即2行2列的区域位置分布如下：

第一个区域(2, 2, 1)      第二个区域(2, 2, 2)
第三个区域(2, 2, 3)      第四个区域(2, 2, 4)

示例：

import matplotlib.pyplot as plt
import numpy as np

x = np.arange(0, 10, 0.1)
plt.subplot(2, 1, 1)  # 第一个子图在2*1的第1个位置
plt.plot(x, x, label='y=x', color='red')
plt.legend()
plt.subplot(2, 2, 3)  # 第二个子图在2*2的第3个位置
plt.plot(x, 2 * x, label='y=2x', color='green')
plt.legend()
plt.subplot(2, 2, 4)  # 第三个子图在2*2的第4个位置
plt.plot(x, 4 * x, label='y=4x', color='blue')
plt.legend()
plt.show()

输出：

3. 两种绘制子图方法的区别

1. 从上面的两个例子可以看出两张输出的图像还是不同的。

   • matplotlib.pyplot.figure().add_subplot() 方法绘制的子图是完全在一个区域内绘制的；
   • 而 matplotlib.pyplot.subplot() 方法绘制的子图虽然也是在一个区域内绘制，但是若发现附近区域没有绘制子图，它会占据旁边的子图空间，让图像看起来更自然。

2. 假设我们有4个区域，但是只有1、3、4号区域绘制子图：

   • matplotlib.pyplot.figure().add_subplot() 方法绘制的子图格式如下：

     第一个子图(2, 2, 1)      子图为空！(2, 2, 2)
     第三个子图(2, 2, 3)      第四个子图(2, 2, 4)
     

   • 而 matplotlib.pyplot.subplot() 方法绘制的子图虽然也是在一个区域内绘制，但是若发现附近区域没有绘制子图，它会占据旁边的子图空间，让图像看起来更自然。

          第一个子图(2, 2, 1&2)【把第二个空子图区域合并了】
     第三个子图(2, 2, 3)      第四个子图(2, 2, 4)
     

4. 子图嵌套

方法就是通过调用 figure 对象的 add_axes 方法创建子图，不管是主图还是嵌套图形都用 add_axes 方法创建子图。

用法：matplotlib.pyplot.figure().add_axes(x, y, len_x, len_y)，各参数含义如下：

参数	含义
x	子图x轴距离整张图片在下角多远的位置（水平）
y	子图y轴距离整张图片在下角多远的位置（垂直）
len_x	子图x轴的长度
len_y	子图y轴的长度

以上4个参数的取值范围为：[0, 1]，虽然取此范围以外的数字不报错，但是生成的子图将不在图片中。这个其实类似于 HTML 里面的一个相对位置比例，都是相对于整张图片左下角的顶点进行参照的。

值得注意的是，嵌套的子图的参数取值范围应该是：(0, 1)。

不理解的可以自己写代码，调参数画个图就知道了。

示例：

import matplotlib.pyplot as plt
import numpy as np

fig = plt.figure()
ax = fig.add_axes([0.1, 0.1, 0.9, 0.9])			# 大图位置
child_ax = fig.add_axes([0.45, 0.7, 0.2, 0.2])	# 嵌套子图的位置
x = np.arange(0, 10, 0.1)
ax.plot(x, np.sin(x), color='g')
# 子图
childX = np.arange(0, 10, 0.1)
child_ax.plot(childX, np.sin(childX), color='b')
plt.show()

输出：

5. 子图共享x轴坐标

顾名思义，这个就是指好几张垂直摆放的图，它们的 x 轴都是一样的，那么我们只要在最下面那一张图画 x 轴就好了。

• 关键语句：matplotlib.pyplot.subplots()

• 关键参数：sharex=True

• 一般用法：figure, (axClass1, axClass2, ...) = matplotlib.pyplot.subplots(nrows=nrows, ncols=ncols, sharex=True, figsize=(len_x, len_y))，各参数含义如下：

  参数	含义
  axClass1	第一个子图
  axClass2	第二个子图
  nrows	行数
  nclos	列数
  sharex	布尔值（默认为：False，每个子图都显示x轴的数值），一般改为：True
  figsize	子图大小
  len_x	子图长度【一般取值范围为：[1, ∞)】
  len_y	子图高度【一般取值范围为：[1, ∞)】

示例：

import matplotlib.pyplot as plt
import numpy as np

# 两个子图共享x轴
figure, (axClass1, axClass2) = plt.subplots(2, sharex=True, figsize=(10, 4))

x = np.arange(0, 10, 0.1)
axClass1.plot(x, np.sin(x), color='g')
axClass2.plot(x, np.cos(x), color='b')
axClass1.set_title("$sin(x)$")
axClass2.set_title("$cos(x)$")
plt.show()

输出：