利用这个机会，希望把子图内容一步到位，搞懂搞透。

有时候我们需要从多个角度进行数据的比较、分析，因此就需要用到子图。子图的本质是在一个较大的图形中同时放置一组较小的坐标轴，布局形式可以多种多样，不拘泥于我们在第五集中举的那种网格图的形式。

我们先进行一般化的子图布局。

首先要创建各个子图的坐标轴，传入一个四元列表参数：[x,y,width,height]，用来表示这个子图坐标轴原点的x坐标、y坐标，以及宽和高。值得注意的是，这四个值的取值范围都是[0,1]，我们约定整个大图的左下端为原点(0,0)，右上端为(1,1)。那么x,y的取值就表示该子图坐标原点的横坐标值和纵坐标值占大图整个长宽的比例。而width和height则表示子图的宽和高占整个大图的宽和高的比例。如果不传入参数则表示选取默认坐标轴，即大图的坐标轴。

import numpy as np

import matplotlib.pyplot as plt

ax1 = plt.axes()

ax2 = plt.axes([0.5, 0.6, 0.15, 0.25])

plt.show()

下一步，我们就要在子图中进行绘图了，每生成一个子图坐标系，plt就表示当前的子图，调用plt.plot就是在当前的子图上进行绘图。

import numpy as np

import matplotlib.pyplot as plt

x = np.linspace(0, 10)

plt.axes([0.1, 0.5, 0.8, 0.4], ylim=(-1.2, 1.2))

plt.grid(True)

plt.plot(np.sin(x))

plt.axes([0.1, 0.1, 0.8, 0.4], ylim=(-1.2, 1.2))

plt.grid(True)

plt.plot(np.cos(x))

plt.show()

这时候，我们很自然的回忆起我们在第五集中所使用的plt.subplot方法，和上面有所不同的是，subplot方法无法绘制比例自定义的子图，而是只能创建彼此对齐的行列网格子图，如果仅仅是这种需求的话，倒是使用起来非常简便：

import numpy as np

import matplotlib.pyplot as plt

plt.subplots_adjust(hspace=0.3, wspace=0.3)

for i in range(1,7):

plt.subplot(2,3,i)

plt.text(0.5,0.5,str((2,3,i)),fontsize=18,ha='center')

plt.show()

这个用法非常简单和直观，着重说一下plt.subplots_adjust这个方法，他设置了子图之间的纵、横两方向上的间隙，然后子图中的文本就是他的编号规则。

但是有没有一种感觉，就是这里面的子图显得非常拥挤，因为每个子图都有自己的一套独立的坐标轴，如果这些子图的坐标轴的取值都是一样的，那我们能否让他们同方向上公用，用以简化图形的描述呢，当然可以。

我们下面介绍子图间坐标轴的共用。

import numpy as np

import matplotlib.pyplot as plt

fig, ax = plt.subplots(2,3,sharex='col',sharey='row')

print(ax)

plt.show()

[[

]

[

]]

从图中，我们看出，同方向上重复的坐标轴已经省去，画面简洁而清爽，同时我们可以看出plt.subplots的返回值是一个二维数组，内含子图的坐标轴，我们可以进行引用，利用坐标轴对象也可以在当前子图上进行同样的绘图操作。

import numpy as np

import matplotlib.pyplot as plt

fig, ax = plt.subplots(2,3,sharex='col',sharey='row')

for i in range(2):

for j in range(3):

ax[i,j].text(0.5,0.5,str((i,j)),fontsize=18,ha='center')

plt.show()

如果我们想实现一种不规则的多行多列子图，该怎么办？

这是就要利用GridSpec方法了。

import numpy as np

import matplotlib.pyplot as plt

grid = plt.GridSpec(2, 3, wspace=0.5, hspace=0.5)

plt.subplot(grid[0,0])

plt.subplot(grid[0,1:3])

plt.subplot(grid[1,0:2])

plt.subplot(grid[1,2])

plt.show()

我们来简单的介绍一下这个图的画法，我们得到一个长×宽为2×3的grid区域，这个grid的原点是左上角，第一行第一列的子图占据grid的第0个长度，第0个宽度；第一行第二列子图占据grid的第0个长度，第1和第2个宽度(因此用分片1:3来表示)，其他的以此类推。这样我们就能画出我们自定义位置和大小的子图(不过注意，其长和宽都是grid单位的整数倍)

最后，基于这种画法，我们举一个实际的例子。我们考虑在一个子图中画出二元正态分布的联合分布图，而在另两个子图中分别画出x轴和y轴方向上的边缘分布图。

import numpy as np

import matplotlib.pyplot as plt

mean = [0, 0]

cov = [[1, 1], [1, 4]]

x, y = np.random.multivariate_normal(mean, cov, 3000).T

plt.figure(figsize=(6,6))

grid = plt.GridSpec(4, 4, wspace=0.5, hspace=0.5)

main_ax = plt.subplot(grid[0:3,1:4])

plt.plot(x,y,'ok',markersize=3,alpha=0.2)

y_hist = plt.subplot(grid[0:3,0],xticklabels=[],sharey=main_ax)#和大子图共y轴

plt.hist(y,60,orientation='horizontal',color='gray')#图形水平绘制

y_hist.invert_xaxis()#x轴调换方向

x_hist = plt.subplot(grid[3,1:4],yticklabels=[],sharex=main_ax)#和大子图共x轴

plt.hist(x,60,orientation='vertical', color='gray')#图形垂直绘制

x_hist.invert_yaxis()#y轴调换方向

plt.show()

在最大的子图中，我们通过散点图，绘制了联合分布情况，而两个小的子图，通过频次直方图绘制了边缘分布。这种图在统计分析上非常有用。

更系统、更深入的探讨欢迎进入我们的专栏《Python数据科学之路》：酱油哥：来吧，一起踏上Python数据科学之路​zhuanlan.zhihu.com

本专栏仿照美剧的剧集编排方式和整体逻辑架构进行组织，目前策划共分为七季：

第一季：Python编程语言核心基础。

第二季：Python数据分析基本工具。

第三季：机器学习线性代数核心-Python描述。

第四季：利用python进行时间序列分析。

第五季：机器学习概率统计核心-Python描述。

第六季：机器学习典型算法专题。

第七季：实战热点深度应用。

让我们一步一个台阶，共同踏上Python数据科学之旅。