【Python数据可视化】matplotlib之设置子图：绘制子图、子图共享x轴坐标、调整子图间距、设置图片大小

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、调整子图间距、设置图片大小
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

目录

  • 简述 / 前言
  • 1. 通过 add_subplot 方法绘制子图
  • 2. 通过 subplot 方法绘制子图
  • 3. 两种绘制子图方法的区别
  • 4. 子图嵌套
  • 5. 子图共享x轴坐标
  • 6. 调整子图间距
  • 7. 设置图片大小

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 npx = 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：
请添加图片描述

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 npx = 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：
请添加图片描述

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 npfig = 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：
请添加图片描述

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：
请添加图片描述

6. 调整子图间距

虽然我们可以设置很多子图，但是一旦子图过多，那么显示图案就会重叠在一起，比如这样：

import numpy as np
import matplotlib.pyplot as pltnp.random.seed(2024)
data = np.random.rand(100, 2) * 10
x = data[:, 0]
y = data[:, 1]# 新建figure对象
plt.subplot(131)
plt.scatter(x, y, s=50, alpha=0.7, color='g')
# 设置标题
plt.title("原始数据", fontdict={'fontname': 'FangSong', 'fontsize': 'xx-large', 'fontweight': 'bold'})
plt.xlabel('x轴', fontdict={'fontname': 'FangSong', 'fontsize': 20})
plt.ylabel('y轴', fontdict={'fontname': 'FangSong', 'fontsize': 20})
plt.xlim(-5, 20)
plt.ylim(-5, 20)
plt.grid()# 计算极大值
max_d = np.max(data, axis=0)
# 计算极小值
min_d = np.min(data, axis=0)
# 减去均值，除以标准差
newData = (data - min_d) / (max_d - min_d)
x = newData[:, 0]
y = newData[:, 1]# 新建figure对象
plt.subplot(132)
plt.scatter(x, y, s=50, alpha=0.7, color='g')
# 设置标题
plt.title("归一化后的数据", fontdict={'fontname': 'FangSong', 'fontsize': 'xx-large', 'fontweight': 'bold'})
plt.xlabel('x轴', fontdict={'fontname': 'FangSong', 'fontsize': 20})
# plt.ylabel('y轴', fontdict={'fontname': 'FangSong', 'fontsize': 20})
plt.xlim(-5, 20)
plt.ylim(-5, 20)
plt.grid()# 新建figure对象
plt.subplot(133)
plt.scatter(x, y, s=50, alpha=0.7, color='g')
# 设置标题
plt.title(f"归一化后的数据\n（放大版）", fontdict={'fontname': 'FangSong', 'fontsize': 'xx-large', 'fontweight': 'bold'})
plt.xlabel('x轴', fontdict={'fontname': 'FangSong', 'fontsize': 20})
# plt.ylabel('y轴', fontdict={'fontname': 'FangSong', 'fontsize': 20})
plt.xlim(-0.5, 1.5)
plt.ylim(-0.5, 1.5)
plt.grid()
plt.show()

输出：
请添加图片描述

那么我们可以通过 matplotlib.pyplot.subplots_adjust(wspace=wspace, hspace=hspace) 来调整子图之间的间距，参数解释如下：

参数含义
wspace子图每一列之间的间隔
hspace子图每一行之间的间隔

改进代码：

import numpy as np
import matplotlib.pyplot as pltnp.random.seed(2024)
data = np.random.rand(100, 2) * 10
x = data[:, 0]
y = data[:, 1]# 新建figure对象
plt.subplot(131)
plt.scatter(x, y, s=50, alpha=0.7, color='g')
# 设置标题
plt.title("原始数据", fontdict={'fontname': 'FangSong', 'fontsize': 'xx-large', 'fontweight': 'bold'})
plt.xlabel('x轴', fontdict={'fontname': 'FangSong', 'fontsize': 20})
plt.ylabel('y轴', fontdict={'fontname': 'FangSong', 'fontsize': 20})
plt.xlim(-5, 20)
plt.ylim(-5, 20)
plt.grid()# 计算极大值
max_d = np.max(data, axis=0)
# 计算极小值
min_d = np.min(data, axis=0)
# 减去均值，除以标准差
newData = (data - min_d) / (max_d - min_d)
x = newData[:, 0]
y = newData[:, 1]# 新建figure对象
plt.subplot(132)
plt.scatter(x, y, s=50, alpha=0.7, color='g')
# 设置标题
plt.title("归一化后的数据", fontdict={'fontname': 'FangSong', 'fontsize': 'xx-large', 'fontweight': 'bold'})
plt.xlabel('x轴', fontdict={'fontname': 'FangSong', 'fontsize': 20})
# plt.ylabel('y轴', fontdict={'fontname': 'FangSong', 'fontsize': 20})
plt.xlim(-5, 20)
plt.ylim(-5, 20)
plt.grid()# 新建figure对象
plt.subplot(133)
plt.scatter(x, y, s=50, alpha=0.7, color='g')
# 设置标题
plt.title(f"归一化后的数据\n（放大版）", fontdict={'fontname': 'FangSong', 'fontsize': 'xx-large', 'fontweight': 'bold'})
plt.xlabel('x轴', fontdict={'fontname': 'FangSong', 'fontsize': 20})
# plt.ylabel('y轴', fontdict={'fontname': 'FangSong', 'fontsize': 20})
plt.xlim(-0.5, 1.5)
plt.ylim(-0.5, 1.5)
plt.grid()# wspace 控制子图列间距, hspace 控制子图横间距
plt.subplots_adjust(wspace=0.5, hspace=0)
plt.show()

输出：
请添加图片描述

7. 设置图片大小

关键方法：matplotlib.pyplot.figure(figsize=(x, y))，x和y为画布的长和宽，可自行调整。

特别注意：该语句要在画图前设置，不能画完图后才写这句话（因为这样就会生成2张画布，画好的画在第一张画布）。

示例：

import numpy as np
import matplotlib.pyplot as pltplt.figure(figsize=(6, 6))np.random.seed(2024)
data = np.random.rand(100, 2) * 10
x = data[:, 0]
y = data[:, 1]# 新建figure对象
plt.subplot(231)
plt.scatter(x, y, s=50, alpha=0.7, color='g')
# 设置标题
plt.title("原始数据", fontdict={'fontname': 'FangSong', 'fontsize': 'xx-large', 'fontweight': 'bold'})
plt.xlabel('x轴', fontdict={'fontname': 'FangSong', 'fontsize': 20})
plt.ylabel('y轴', fontdict={'fontname': 'FangSong', 'fontsize': 20})
plt.xlim(-5, 20)
plt.ylim(-5, 20)
plt.grid()# 计算极大值
max_d = np.max(data, axis=0)
# 计算极小值
min_d = np.min(data, axis=0)
# 减去均值，除以标准差
newData = (data - min_d) / (max_d - min_d)
x = newData[:, 0]
y = newData[:, 1]# 新建figure对象
plt.subplot(232)
plt.scatter(x, y, s=50, alpha=0.7, color='g')
# 设置标题
plt.title("归一化后的数据", fontdict={'fontname': 'FangSong', 'fontsize': 'xx-large', 'fontweight': 'bold'})
plt.xlabel('x轴', fontdict={'fontname': 'FangSong', 'fontsize': 20})
# plt.ylabel('y轴', fontdict={'fontname': 'FangSong', 'fontsize': 20})
plt.xlim(-5, 20)
plt.ylim(-5, 20)
plt.grid()# 新建figure对象
plt.subplot(233)
plt.scatter(x, y, s=50, alpha=0.7, color='g')
# 设置标题
plt.title(f"归一化后的数据\n（放大版）", fontdict={'fontname': 'FangSong', 'fontsize': 'xx-large', 'fontweight': 'bold'})
plt.xlabel('x轴', fontdict={'fontname': 'FangSong', 'fontsize': 20})
# plt.ylabel('y轴', fontdict={'fontname': 'FangSong', 'fontsize': 20})
plt.xlim(-0.5, 1.5)
plt.ylim(-0.5, 1.5)
plt.grid()# 新建figure对象
plt.subplot(234)
plt.scatter(x, y, s=50, alpha=0.7, color='g')
# 设置标题
plt.title(f"归一化后的数据\n（放大版）", fontdict={'fontname': 'FangSong', 'fontsize': 'xx-large', 'fontweight': 'bold'})
plt.xlabel('x轴', fontdict={'fontname': 'FangSong', 'fontsize': 20})
# plt.ylabel('y轴', fontdict={'fontname': 'FangSong', 'fontsize': 20})
plt.xlim(-0.5, 1.5)
plt.ylim(-0.5, 1.5)
plt.grid()# wspace 控制子图列间距, hspace 控制子图横间距
plt.subplots_adjust(wspace=0.5, hspace=1)
plt.show()

输出：
请添加图片描述

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.hqwc.cn/news/409745.html

如若内容造成侵权/违法违规/事实不符，请联系编程知识网进行投诉反馈email:809451989@qq.com，一经查实，立即删除！

相关文章

vscode安装和基本设置

vscode安装和基本设置

目录 vscode安装和基本设置1.HTML标签2.标签属性3.HTML基本结构4.安装vscode5.安装Live Server插件6.HTML注释7.文档说明8.HTML字符编码9.HTML设置语言10.HTML标准结构 vscode安装和基本设置 1.HTML标签 标签 又称 元素，是HTML的基本组成单位。标签分为&#xff1…
阅读更多...
HTML---Jquery选择器

HTML---Jquery选择器

文章目录 目录 文章目录 本章目标 一.Jquery选择器概述 二.Jquery选择器分类 基本选择器 层次选择器 属性选择器 三.基本过滤选择器 练习 本章目标 会使用基本选择器获取元素会使用层次选择器获取元素会使用属性选择器获取元素会使用过滤选择器获取元素 …
阅读更多...
Java可视化物联网智慧工地综合云平台源码 私有化部署

Java可视化物联网智慧工地综合云平台源码 私有化部署

智慧工地平台围绕建筑施工人、物、事的安全管理为核心，对应研发了劳务实名制、视频监控、扬尘监测、起重机械安全监测、安全帽监测等功能一体化管理的解决方案。 智慧工地是聚焦工程施工现场，紧紧围绕人、机、料、法、环等关键要素，综合运用…
阅读更多...
文心一言 vs. ChatGPT：哪个更胜一筹？

文心一言 vs. ChatGPT：哪个更胜一筹？

文心一言 vs. ChatGPT：从简洁美到深度思考的文本生成之旅 近年来，文本生成工具的崛起使得人们在表达和沟通方面拥有了更多的选择。在这个领域中，文心一言和ChatGPT作为两个备受瞩目的工具，各自以独特的优势展现在用户面前。本文将…
阅读更多...
基于LabVIEW的声音信号采集分析系统开发

基于LabVIEW的声音信号采集分析系统开发

摘要：以美国国家仪器(NI)公司开发的LabVIEW虚拟仪器为软件开发平台，设计了一个可以同步实现声音信号采集和分析的多功能模块化软件系统．借助LabVIEW图形化软件相应的声音读取、写入和存储函数实现对声音信号的采集、存储、时域分析和频域分析…
阅读更多...
香港服务器托管：你对服务器托管了解多少？

香港服务器托管：你对服务器托管了解多少？

在当今数字化的时代，服务器托管已成为企业和网站运营的关键一环。对于许多企业来说，如何选择一个安全、稳定、高效的服务器托管方案，成为了确保业务连续性和数据安全的重要课题。那么，究竟什么是服务器托管，它又有哪些…
阅读更多...
LeetCode刷题---基本计算器

LeetCode刷题---基本计算器

解题思路： 根据题意，字符串中包含的运算符只有和- 使用辅助栈的方法来解决该问题 定义结果集res和符号位sign(用于判断对下一数的加减操作),接着对字符串进行遍历。 如果当前字符为数字字符，判断当前字符的下一个字符是否也是数字字符&#x…
阅读更多...
2024最新PyQt5及其工具（Qt Designer、PyUIC、PyRcc）手把手操作实践指南

2024最新PyQt5及其工具（Qt Designer、PyUIC、PyRcc）手把手操作实践指南

2024最新PyQt5及其工具（Qt Designer、PyUIC、PyRcc）手把手操作实践指南 前言 最近做了一些个人项目，内部逻辑还是挺多的，而且也有想要开源的想法，但是总不能直接把源码端给大家直接运行，有一些需求还有萌…
阅读更多...
openssl3.2 - 官方demo学习 - guide - tls-client-block.c

openssl3.2 - 官方demo学习 - guide - tls-client-block.c

文章目录 openssl3.2 - 官方demo学习 - guide - tls-client-block.c概述记录问题server和client IP都为localhostserver和client IP都为127.0.0.1想到解决问题的方法1想到解决问题的方法2笔记END openssl3.2 - 官方demo学习 - guide - tls-client-block.c 概述 tls 客户端 官…
阅读更多...
FFMPEG解码实时流，支持cpu、gpu解码

FFMPEG解码实时流，支持cpu、gpu解码

官网下载的ffmpeg目前只能下载到X64版本的库，具体编译请参考windows编译ffmpeg源码（32位库）_windows 32位ffmpeg动态库-CSDN博客 直接上代码 int VideoDecodeModule::Open(std::string strUrl) {AVFormatContext *pFormatCtx nullptr;AVCo…
阅读更多...
grep 在运维中的常用可选项

grep 在运维中的常用可选项

一、对比两个文件 vim -d <filename1> <filename2> 演示&#xff1a; 需求&#xff1a;&#xff5e;目录下有两个文件一个test.txt 以及 text2.txt,需求对比两个文件的内容。 执行后会显示如图&#xff0c;不同会高亮。 二、两次过滤 场景&#xff1a;当需要多…
阅读更多...
探索数据的奥秘：一份深入浅出的数据分析入门指南

探索数据的奥秘：一份深入浅出的数据分析入门指南

数据分析 书籍推荐 入门读物 深入浅出数据分析啤酒与尿布数据之美数学之美 数据分析 Scipy and NumpyPython for Data AnalysisBad Data Handbook集体智慧编程Machine Learning in Action机器学习实战Building Machine Learning Systems with Python数据挖掘导论Machine L…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023