matplotlib subplot画子图

文章目录

1 举例
2 设置
- 2.1 标题
- 2.2 对单个子图的设置
- 2.3 使用for简化程序
3 scatter画图
- 3.1 scatter在log坐标下画图
- 3.2 scatter在semilogx画图
4 healpy画子图

1 举例

以下图为例：在一个figure上有三个图：

plt.subplot(221) #表示有2行2列第一个图
plt.plot(x1,y1)
plt.subplot(222)  #表示有2行2列第二个图
plt.loglog(x2,y2)
plt.subplot(212)
plt.loglog(x3,y3)plt.show()

上面的前两个都好理解，plt.subplot(212)比较不好理解。
因为第三个图实际上是占用了(223)和(224)两个图的位置；现在规定当出现这种一个图占多个图位置时要重新划分，相当于是(211)和(212)，即2行1列，而(211)已经被第一第二个图占了（此时要把它们一起看成一列），现在是(212)表示第2行第1列第2个图。

当然，更方便的是使用(参考：https://blog.csdn.net/kepengs/article/details/84886457）

fig,ax = plt.subplots()

等价于

fig = plt.figure()
ax = fig.add_subplot(1,1,1)

这样就不用每次画图都先写plt.figure()了
完整代码如下，计算的是黑体谱

import numpy as np
import matplotlib.pyplot as plt
import pysmdef Bv(nu, T):kB = 1.3806505*10**(-23)  # J/Kh = 6.6260693*10**(-34+9)  # J·s, dimension becomes J/GHz by plus 9c = 299792458return 2*h*nu**3/c**2*1/(np.exp(h*nu/(kB*T))-1)# plot CMB power spectrum
Tcmb = 2.725
nu = np.arange(10,1000)
CMB_power_spect = Bv(nu,Tcmb)
# get max value of Bv and corresponding value of nu;
max_Bv = max(CMB_power_spect)
max_ind = list(CMB_power_spect).index(max_Bv)
max_Bv_to_nu = nu[max_ind]
print("maximun value:>>>(%e,%d)"%(max_Bv,max_Bv_to_nu))
# subplot
plt.figure() #这句可有可无
plt.subplot(221)
plt.plot(nu,CMB_power_spect)
plt.subplot(222)
plt.loglog(nu,CMB_power_spect)
plt.subplot(212)
plt.loglog(nu,CMB_power_spect*10**26*pysm.common.convert_units('Jysr','uK_RJ',nu))plt.show()

2 设置

2.1 标题

更多设置可以参考官网的例子
注意： 一旦子图超过两个，那么就不能只用ax[0]这样表示，而是要用ax[0,0]表示第一个子图。

fig,ax = plt.subplots(2,1,figsize=(14,8))  #设置figsize
ax[1].semilogx(m_tt[2:],np.sqrt(2*m_tt*Gamma_m)[2:],label='$\Gamma_m$')
ax[1].set_xlabel('$m$') #xlabel
ax[1].set_ylabel('$(2m\Gamma_m)^{1/2}$') #ylabel
ax[0].semilogx(ell_tt,np.sqrt(Dl_tt/2*bl**2),label='Cl')
ax[0].set_xlabel('$\ell$')
ax[0].set_ylabel('$(\ell(2\ell+1)/4\pi)^{1/2}$')

设置每个子图标题：

fig,ax = plt.subplots(2,3,figsize=(14,8))
ax[0,0].plot(ell, ell*(ell+1)/2/np.pi*Cl_cmb[0], ell, cleaned_Dl[0])
ax[0,0].set_title('TT')
ax[0,1].plot(ell, ell*(ell+1)/2/np.pi*Cl_cmb[1], ell, cleaned_Dl[1])
ax[0,1].set_title('EE')
ax[0,2].plot(ell, ell*(ell+1)/2/np.pi*Cl_cmb[2], ell, cleaned_Dl[2])
ax[0,2].set_title('BB')
ax[1,0].plot(ell, ell*(ell+1)/2/np.pi*Cl_cmb[3], ell, cleaned_Dl[3])
ax[1, 0].set_title('TE')
ax[1,1].plot(ell, ell*(ell+1)/2/np.pi*Cl_cmb[4], ell, cleaned_Dl[4])
ax[1, 1].set_title('EB')
ax[1,2].plot(ell, ell*(ell+1)/2/np.pi*Cl_cmb[5], ell, cleaned_Dl[5])
ax[1,2].set_title('TB')
plt.legend(['original CMB', 'ILC CMB'])

设置总标题

fig, ax = plt.subplots(2, 1,figsize=(10,7))
fig.suptitle('semilogx of $m\Gamma_m$ and $D_\ell$') #设置总标题
ax[1].semilogx(m_tt, m_tt*Gamma_m)
ax[1].legend(['theory', 'ring_data'])
ax[1].set_xlabel('$m$')
ax[1].set_ylabel('$m\Gamma_m$')
ax[0].semilogx(ell_tt_bin, Dl_bin)
ax[0].set_xlabel('$\ell$')
ax[0].set_ylabel('$\ell(\ell+1)C_\ell/2\pi$')

设置每个子图注释：

for i in range(2, np.shape(dTrj_dt)[1]):ax[0].plot(f, dTrj_dt[:, 2+np.shape(dTrj_dt)[1]-i-1], label=str(i-2)+'th')ax[0].set_title('dTrj/dT (K_RJ)')ax[0].set_xlabel('freq (GHz)')ax[0].set_ylabel('dTrj/dT')ax[1].plot(f, RJ2CMB*dTrj_dt[:, 2+np.shape(dTrj_dt)[1]-i-1], label=str(i-2)+'th')ax[1].set_title('dTrj/dT (K_cmb)')ax[1].set_xlabel('freq (GHz)')ax[1].set_ylabel('dTrj/dT')
ax[0].legend()
ax[1].legend()
#最后两行用于展示注释，

最后两行是展示子图注释的，

2.2 对单个子图的设置

fig, ax = plt.subplots(2, 1, figsize=(14, 8))
ax[1].semilogx(m_tt, np.sqrt(2*m_tt*Gamma_m), m_tt, np.sqrt(2*m_tt*Gamma_m1))
ax[1].legend(['theory','ring_data'])  #标签
ax[1].set_xlabel('$m$')
ax[1].set_ylabel('$(2m\Gamma_m)^{1/2}$')
ax[0].semilogx(ell_tt, np.sqrt(Dl_tt/2*bl**2), label='Cl')
ax[0].set_xlabel('$\ell$')
ax[0].set_ylabel('$(\ell(2\ell+1)C_\ell/4\pi)^{1/2}$')

2.3 使用for简化程序

上面都是单独每个子图设置的，其实可以使用for来简化程序

fig, ax = plt.subplots(2, 3, figsize=(14, 10))
count = 0
for i in range(2):for j in range(3):if not (count>=n_bands):#防止指标超出ax[i, j].loglog(m, gamma_cmb[:m_len], m,gamma_c[:m_len], m, gamma[count])ax[i, j].legend(['gamma_cmb', 'gamma_clean', 'gamma_tot'])ax[i, j].set_title(str(bands[count])+' GHz')count += 1plt.show()

此外，可以将需要标注的内容先用列表收集起来，然后统一调用
如

class_names = ['T-shirt/top', 'Trouser', 'Pullover', 'Dress', 'Coat','Sandal', 'Shirt', 'Sneaker', 'Bag', 'Ankle boot']

plt.figure(figsize=(10,10))
for i in range(25):plt.subplot(5,5,i+1) #5行5列，会按顺序从左到右从上到下进行画图plt.xticks([]) #不需要刻度plt.yticks([]) #不需要刻度plt.imshow(train_images[i], cmap=plt.cm.binary)plt.xlabel(class_names[train_labels[i]])
plt.show()

3 scatter画图

3.1 scatter在log坐标下画图

fig = plt.figure()
ax = plt.gca()
ax.scatter(ell_tt_bin, Dl_bin, s=3, c='r', label='Dl_bin (log)')
ax.loglog(ell_tt_bin, Dl_bin)
ax.set_title('bin_size = round('+str(rt)+'*'+str(q)+'^i) m_start='+str(start_m))
ax.set_xlabel('$\ell$')
ax.set_ylabel('$D_\ell$')
# ax.set_ylim(0, 6*1e-8)
# plt.xlim(-10, 600)
plt.legend()

以上scatter之所以是在log坐标下是因为我们又画了一个plt.loglog的线，如果我们只想要散点图，那么直接使用loglog并设置曲线图像为圆圈`o``也可以达到目的，如下：

plt.loglog(x,y,'o',markersize=1)

3.2 scatter在semilogx画图

fig, ax = plt.subplots(2, 1,figsize=(10,7))
fig.suptitle('semilogx of $m\Gamma_m$ and $D_\ell$')
ax[1].semilogx(m_tt, m_tt*Gamma_m)
ax[1].scatter(m_tt, m_tt*Gamma_m,s=3,c='r')
ax[1].legend(['theory', 'ring_data'])
ax[1].set_xlabel('$m$')
ax[1].set_ylabel('$m\Gamma_m$')
ax[0].semilogx(ell_tt_bin, Dl_bin)
ax[0].scatter(ell_tt_bin, Dl_bin,s=3,c='r')
ax[0].set_xlabel('$\ell$')
ax[0].set_ylabel('$\ell(\ell+1)C_\ell/2\pi$')

可以看到，是属于log还是semilogx不是看scatter如何设置，而是画图时scatter随着所画的图所属的坐标系撒点，比如上面ax[1].semilogx(m_tt, m_tt*Gamma_m)表示在semilogx下画图，那么下面的scatter撒点就会跟随这个semilogx，如果上面用的是loglog，那么scatter也就会属于loglog

4 healpy画子图

注意在healpy是从1开始数的，而python是0开始，所以第一个是i+1