回顾

在走进Matplotlib世界(三)中，我们继续介绍了Matplotlib修改图表的一些属性，包括图例、网格、主/次刻度、文本等。今天我们讨论一下Matplotlib中的子图。

子图的概念

在Matplotlib中，整个图像就是一个Figure对象，在Figure对象中可以包含一个或多个Axes对象，而每个Axes对象都是拥有自己的坐标系系统的绘图区域。在同一个Figure图像下的每个图表都代表这个图像的一个子图。

子图的创建方法

常用的子图创建方法一般有三种。

第一种，利用Figure对象的add_subplot方法生成子图然后再向其中填充图表。add_subplot方法的参数包括nrows, ncols, index以及可选参数。其中nrows, ncols是子图的行列大小，index是当前创建的子图的索引，即作为图像的第几个子图。

为了更好地展示图表，用到了numpy和pandas来创建数据。首先创建一个2*2共4个子图区域的图像，然后向其中的3个子图区域填充图表。注意，这里创建的4个区域只是占位符，不一定要去填充，而且不一定要根据顺序去填充。 ​

# 0、导入包import matplotlib.pyplot as pltimport numpy as npimport pandas as pd# 1、准备数据data1 = np.random.rand(100).cumsum()data2 = 50-np.random.rand(100).cumsum()# 2、创建图像fig = plt.figure(figsize=(6, 6), facecolor=(0, 1, 0, 1))# 3、绘图ax1 = fig.add_subplot(2, 2, 1)ax1.plot(data1)ax2 = fig.add_subplot(2, 2, 2)ax2.plot(data2)ax3 = fig.add_subplot(2, 2, 3)df = pd.DataFrame(np.random.rand(10, 4), columns=['a', 'b', 'c', 'd'])ax3.plot(df)# 4、自定义设置ax1.set_title("No.1")ax2.set_title("No.2")ax3.set_title("No.3")# 5、保存图形(按需要使用)# plt.savefig(‘xxx.png’)# 6、显示图形plt.show()

运行后可以看到，在左上、右上、左下三个位置分别生成了图表，当然我们也可以根据需要或自己的喜好在4个子图区域中随意选择摆放图表的位置。

第一种创建方法

第二种，使用plt.add_subplots方法同时生成Figure对象和axes对象数组，每个axes对象就相当于一个子图。add_subplots方法的参数包括nrows, ncols, sharex, sharey, squeeze, subplot_kw, gridspec_kw。其中nrows, ncols就是子图的行列大小，共生成nrows*ncols个子图。sharex, sharey设置是否共享x轴或y轴，默认不共享。squeeze默认True，挤压多余尺寸，一般默认即可。subplot_kw、gridspec_kw可选参数，用来设置子图的属性。

首先使用subplots方法得到axes对象数组，然后分别取出相应子图进行设置，同样，这里创建的axes也只是占位符。​

# 0、导入包import matplotlib.pyplot as pltimport numpy as npimport pandas as pd# 1、准备数据data1 = np.random.rand(100).cumsum()data2 = 50-np.random.rand(100).cumsum()# 2、创建图像fig, axes = plt.subplots(2, 2, figsize=(6, 6), facecolor=(0, 1, 0, 1))# 3、绘图ax1 = axes[0, 0]ax1.plot(data1)ax2 = axes[0, 1]ax2.plot(data2)ax3 = axes[1, 0]df = pd.DataFrame(np.random.rand(10, 4), columns=['a', 'b', 'c', 'd'])ax3.plot(df)# 4、自定义设置ax1.set_title("No.1")ax2.set_title("No.2")ax3.set_title("No.3")# 5、保存图形(按需要使用)# plt.savefig(‘xxx.png’)# 6、显示图形plt.show()

运行结果如下图所示。 可以看到，与之前先生成子图区域再填充的方法相比，生成axes数组会将坐标轴事先生成，即使不向其中添加图表，坐标轴也会展示在相应的位置。

第二种创建方法

第三种，利用pandas的DataFrame生成多系列图，然后拆分成子图。上述两种创建子图方法中的第三个子图都使用了pandas创建数据并在图表中展示了4条折线。这里我们依旧使用这个pandas数据，然后进行拆分直接生成子图。​

# 导入包import matplotlib.pyplot as pltimport numpy as npimport pandas as pd# 准备数据df = pd.DataFrame(np.random.rand(10, 4), columns=['a', 'b', 'c', 'd'])# 拆分生成子图df.plot(figsize=(6, 6), subplots=True, layout=(2, 2))plt.show()

运行效果如下。这种拆分方式生成的子图默认就有图例，并共用了一个x轴。

第三种创建方法

在前两种子图创建方法中，我们发现各个子图之间的间距非常小，尤其是垂直方向上的间距，看着很不舒服，我们使用subplots_adjust方法来调整子图间的间距，subplots_adjust方法接收wspace, hspace两个参数分别表示水平方向和垂直方向上的间距。以第二种方法为例，我们向其中加入subplots_adjust方法。​

# 0、导入包import matplotlib.pyplot as pltimport numpy as np# 1、准备数据data1 = np.random.rand(100).cumsum()data2 = 50-np.random.rand(100).cumsum()# 2、创建图像fig, axes = plt.subplots(2, 2, figsize=(6, 6), facecolor=(0, 1, 0, 1))# 3、绘图ax1 = axes[0, 0]ax1.plot(data1)ax2 = axes[0, 1]ax2.plot(data2)ax3 = axes[1, 0]df = pd.DataFrame(np.random.rand(10, 4), columns=['a', 'b', 'c', 'd'])ax3.plot(df)# 4、自定义设置ax1.set_title("No.1")ax2.set_title("No.2")ax3.set_title("No.3")# 调整子图间间距plt.subplots_adjust(wspace=0.2, hspace=0.4)# 5、保存图形(按需要使用)# plt.savefig(‘xxx.png’)# 6、显示图形plt.show()

再次运行后可以看到，各个子图之间已经不再那么拥挤了。

调整子图间距

内嵌图

除了像子图这种图表比较外，我们有时候也常常在已有的图表中再生成图表来进行比较，这种方式就叫做内嵌。​

# 0、导入包import matplotlib.pyplot as plt# 1、准备数据x = [1, 2, 3, 4]y1 = [10, 20, 30, 40]y2 = [40, 30, 20, 10]# 2、创建图像fig = plt.figure(figsize=(3, 3), dpi=100, facecolor=(0,1,0,1), edgecolor=(1,0,0,1), frameon=True, linewidth=1)# 3、绘图ax1 = fig.add_axes([0.1, 0.1, 0.8, 0.8])# 在ax1中内嵌ax2 = fig.add_axes([0.2, 0.6, 0.25, 0.25])# 4、自定义设置ax1.plot(x, y1, 'r')ax1.set_title('No.1')ax2.plot(x, y2, 'b')ax2.set_title('No.2')# 5、保存图形(按需要使用)# plt.savefig(‘xxx.png’)# 6、显示图形plt.show()

运行结果如下图所示。

内嵌

子图和内嵌图在日常的图表表示中很常见，毕竟图表的最终目的还是展示分析。​

​

​