Matplotlib 绘制多子图（subplot）进行实验结果分析

本文主要总结于本人近期的科研经历，在最后撰写论文试验分析的时候曾经被导师要求绘制一幅2*8的16子图的超参数分析结果图。所以踩了很多坑，在这里给出简单的实现方式，本文使用的子图以折线图为例，其他的类型的图都可以举一反三。当然为了使结果呈现得更加美观简洁，本文在最后也介绍了一点如何调整刻度的小技巧。

预备工作

前期环境配置

pycharm-2021.2.2, python-3.7, matplotlib-3.2.2, numpy-1.20.2 具体其实只要有这几个版本的包就行了，更高版本推测应该也没事。导包：

import numpy as np
import matplotlib.pyplot as plt

准备数据

个人建议使用np.array来准备数据，这样可以随时确认数据的格式。例如本文就采用如图1所示的格式，来存储准备打印的数据，只不过这里是为了简单实验所以都用了相同的数据，到时候真的要做实验分析图的话，肯定是把真实的实验数据放上。如下所示，为2*4的图准备数据。

demo_data = np.array([82.51, 77.66, 81.92, 83.48, 78.95])

配置图表所需的字体

如果所投的期刊或会议有要求，那么这一步设置是很重要的，要使图标坐标轴上、图例的字体以及显示的字体与论文正文一致起来。注意这里需要以dict() 的类型来定义字体，另外还需要注意单独定义坐标轴上刻度的字体大小。如：

default_font = {'family': 'Times New Roman', 'weight': 'normal', 'size': 14}
tick_font = 12  # 坐标轴上字体大小

构建Figures

设置子图布局器

首先需要定义整个布局框架和子图component，代码如下：

plt.subplots(2, 4, figsize=(12, 4), dpi=100)

其中，第一个参数为子图的行数，第二个参数为列数。第三个参数figsize就如同我们定义单张matplotlib图时一样是表示画布的大小，如代码所示就是宽1600*高400的size，dpi越高则图像被放大后的失真率越小。

调整边距

同时我们需要在这里就对图片的边距进行调整，当然如果这6个值一开始设计的不理想，可以在打印出结果后根据自己的视觉感觉慢慢调整。如下代码：

plt.subplots_adjust(top=0.97, bottom=0.2, left=0.05, right=0.995, hspace=0.6, wspace=0.5)

其中，top值越接近1则子图距离顶部越接近，bottom值越接近于0则子图距离底部约接近，left值越接近于0则子图距离左边框越接近，right值越接近于1则子图距离右边框越接近，而hspace指的是两行子图之间的间距，值越大则两行之间距离越高，同理wspace指的是两列子图之间的距离，值越大距离越大。

定义子图

plt.subplot(241)

Subplot方法中可以这样写，这表示定义当前子图为1号图属于2*4的子图阵列。当然也可以写作：

plt.subplot(2, 4, 1)

加上逗号的好处是可以避免如果你需要定义2行5列，或十张以上子图，如subplot（2510）时，编译会报错的情况，当你打算定义10张以上子图的时候必须加逗号来区分(行数，列数和子图编号)这三个数字了（2, 5, 10），而不能直接写2510。此时，当着行代码被执行的时候就代表目前plt已经将布局器定位到了当前子图下，此时再使用plt进行修改的就是当前子图了。（直到代码执行到下一句plt.subplot(***)的时候，plt才会结束定义当前子图）

定义好当前子图就可以开始定义子图内部的结构了，这里以折线图为例子，还可以换成饼图，柱状图，散点图或是3D图。

axis_x_1 = np.arange(1, 6, dtype=np.float32)
plt.plot(axis_x_1, demo_data, color='darkred', linestyle='-', linewidth=2, marker='o',markeredgecolor='darkred', markersize='4', markeredgewidth=2)

其中plot函数是主要的绘图函数，它代表着线图的主体，其中第一个参数定义着横轴接受数据的范围，比如我们刚刚定义的输入是5个数值，所以这里定义axis_x为np.arrange(1, 6)表示要接受5个值来展示，而第二个参数代表的就是具体的那五个数的数据了。至于后面的参数是一些修饰性质的，大家可以自行查阅文档来了解使用，无非就是主线条配色、主线条粗细、结点形状、结点线条样式，当然为了方便大家查询，我在Reference部分放置了颜色和形状参照表，并且在本文中8个图里也使用了四种不同的但是常用的颜色和形状表示。（补充，如果需要给图添加图例，可以在其中添加参数label=”label text”来实现）

在定义绘图部分后，要尝试为子图添加坐标轴和横纵坐标描述，如下代码：

plt.xticks(np.arange(1, 6), fontsize=tick_font)
plt.yticks(np.arange(75, 85.1, 2.0), fontsize=tick_font)
plt.xlabel('Values of $K$\n(a) Text here', default_font)
plt.ylabel('Text here ', default_font)

其中横纵坐标轴ticks的区间也建议使用np.arrange来定义，关于横坐标，我建议使用输入数据的公因数来绘制会比较美观，比如我的输入是10个数据，那么我可以选择每两个数据记一个刻度，np.arrange(0, 10.1, 2)（注意：这里写10.1是为了让10显示出来）当然如果你只有五个数据需要显示的话，可以直接像我代码中写的一样写成np.arrange(1, 6)来直接绘制5个刻度。纵坐标如何显示的美观呢，也是同样的法子，首先去观察你的输入数据他们最大值和最小值相差多少，然后将这个差除以5，就是间距应该设置多少。比如，我在代码中举的例子：我的数据最大的是83.48最小的是77.66，这时候我们将np.arrange的下限设为75（略低于最小值），上限设为85.1（略高于最大值，且+0.1为了显示出85这个刻度），间距设置为2，就可以美观的铺设五个刻度，并且尽可能的让我们的图像位于中央。

而xlabel中填写的就是坐标轴刻度的含义了，其中大家可以使用$ text $的方式是中间的text变为斜体，这是很有用的，比如在绘制超参数实验图的时候，往往我们定义的参数在Latex中都是倾斜体，为了一致起来，这里也要这样修改。并且善用\n换行符也可以让图变得更加美观。

保存图像

plt.savefig('demo.eps', bbox_inches='tight')
plt.show()

不要忘记保存和显示绘制好的图像，Latex插入图像建议使用.eps格式，所以我在输出的时候采用的.eps，当然你也可以改成.png或是.jpg都没关系，其中的参数bbox_inches是表示以什么样的边距输出图像，tight是最窄边距，不过这个参数在你自定义设置了边距时效果不明显，当你没有自己设置边距，而画布有定义的比较大的时候，这个参数就很有效果了。同时需要注意的是如果你想一边保存一边在Pycharm里查看即时生成的效果图，那么这个plt.show是要放在保存之后的，不然有时会出错。

完整代码

import numpy as np
import matplotlib.pyplot as pltdemo_data = np.array([82.51, 77.66, 81.92, 83.48, 78.95])default_font = {'family': 'Times New Roman', 'weight': 'normal', 'size': 14}
tick_font = 12  # 坐标轴上字体大小plt.subplots(2, 4, figsize=(12, 4), dpi=100)
plt.subplots_adjust(top=0.97, bottom=0.2, left=0.05, right=0.995, hspace=0.6,wspace=0.5)# 画第1个图：
plt.subplot(241)
axis_x_1 = np.arange(1, 6, dtype=np.float32)
plt.plot(axis_x_1, demo_data, color='darkred', linestyle='-', linewidth=2, marker='o',markeredgecolor='darkred', markersize='4', markeredgewidth=2)
plt.xticks(np.arange(1, 6), fontsize=tick_font)
plt.yticks(np.arange(75, 85.1, 2.0), fontsize=tick_font)
plt.xlabel('Values of $K$\n(a) Text here', default_font)
plt.ylabel('Text here ', default_font)# 画第2个图：
plt.subplot(242)
axis_x_2 = np.arange(1, 6, dtype=np.float32)
plt.plot(axis_x_2, demo_data, color='darkred', linestyle='-', linewidth=2, marker='o',markeredgecolor='darkred', markersize='4', markeredgewidth=2)
plt.xlabel('Values of $K$\n(a) Text here', default_font)
plt.ylabel('Text here ', default_font)
plt.xticks(np.arange(1, 6), fontsize=tick_font)
plt.yticks(np.arange(75, 85.1, 2.0), fontsize=tick_font)# 画第3个图：
plt.subplot(243)
axis_x_3 = np.arange(1, 6, dtype=np.float32)
plt.plot(axis_x_3, demo_data, color='navy', linestyle='-', linewidth=2, marker='v',markeredgecolor='navy', markersize='4', markeredgewidth=2)
plt.xlabel('Values of $K$\n(a) Text here', default_font)
plt.ylabel('Text here ', default_font)
plt.xticks(np.arange(1, 6), fontsize=tick_font)
plt.yticks(np.arange(75, 85.1, 2.0), fontsize=tick_font)# 画第4个图：
plt.subplot(244)
axis_x_4 = np.arange(1, 6, dtype=np.float32)
plt.plot(axis_x_4, demo_data, color='navy', linestyle='-', linewidth=2, marker='v',markeredgecolor='navy', markersize='4', markeredgewidth=2)
plt.xlabel('Values of $K$\n(a) Text here', default_font)
plt.ylabel('Text here ', default_font)
plt.xticks(np.arange(1, 6), fontsize=tick_font)
plt.yticks(np.arange(75, 85.1, 2.0), fontsize=tick_font)# 画第5个图：
plt.subplot(245)
axis_x_5 = np.arange(1, 6, dtype=np.float32)
plt.plot(axis_x_5, demo_data, color='darkorange', label="label text", linestyle='-', linewidth=2, marker='s',markeredgecolor='darkorange', markersize='4', markeredgewidth=2)
plt.xlabel('Values of $K$\n(a) Text here', default_font)
plt.ylabel('Text here ', default_font)
plt.xticks(np.arange(1, 5.1, 1), fontsize=tick_font)
plt.yticks(np.arange(75, 85.1, 2.0), fontsize=tick_font)
plt.legend(loc='upper left')    # 定义图例显示的位置# 画第6个图：
plt.subplot(246)
axis_x_6 = np.arange(1, 6, dtype=np.float32)
plt.plot(axis_x_6, demo_data, color='darkorange', label="label text", linestyle='-', linewidth=2, marker='s',markeredgecolor='darkorange', markersize='4', markeredgewidth=2)
plt.xlabel('Values of $K$\n(a) Text here', default_font)
plt.ylabel('Text here ', default_font)
plt.xticks(np.arange(1, 5.1, 1), fontsize=tick_font)
plt.yticks(np.arange(75, 85.1, 2.0), fontsize=tick_font)
plt.legend(loc='upper right')# 画第7个图：
plt.subplot(247)
axis_x_7 = np.arange(1, 6, dtype=np.float32)
plt.plot(axis_x_7, demo_data, color='darkgreen', linestyle='-', linewidth=2, marker='D',markeredgecolor='darkgreen', markersize='4', markeredgewidth=2)
plt.xlabel('Values of $K$\n(a) Text here', default_font)
plt.ylabel('Text here ', default_font)
plt.xticks(np.arange(1, 6), fontsize=tick_font)
plt.yticks(np.arange(75, 85.1, 2.0), fontsize=tick_font)
plt.grid(True)# 画第8个图：
plt.subplot(248)
axis_x_8 = np.arange(1, 6, dtype=np.float32)
plt.plot(axis_x_8, demo_data, color='darkgreen', linestyle='-', linewidth=2, marker='D',markeredgecolor='darkgreen', markersize='4', markeredgewidth=2)
plt.xlabel('Values of $K$\n(a) Text here', default_font)
plt.ylabel('Text here ', default_font)
plt.xticks(np.arange(1, 6), fontsize=tick_font)
plt.yticks(np.arange(75, 85.1, 2.0), fontsize=tick_font)
plt.grid(True)plt.savefig('demo.eps', bbox_inches='tight')
plt.show()

效果图

Reference

[1] 表格和图例的参考：https://blog.csdn.net/HangoverLG/article/details/106044304
[2] 颜色和形状参考表：https://blog.csdn.net/The_Time_Runner/article/details/102599891

【科研分享】Matplotlib 绘制多子图（subplot）进行实验结果分析相关推荐

Python Matplotlib绘制多子图准备训练数据和GIF动画实践
我们程序员.设计人员,按需求辛辛苦苦开发出来的统计图形,往往达不到用户的要求,原因一般是表达不全面,也有内容过多而比较乱,真是众口难调. 其实,是我们表达方式与业务人员工作脱节.业务人员看了一张图或及 ...
matplotlib绘制多子图共享鼠标光标
matplotlib官方除了提供了鼠标十字光标的示例,还提供了同一图像内多子图共享光标的示例,其功能主要由widgets模块中的MultiCursor类提供支持. MultiCursor类与Curso ...
Matplotlib 绘制双轴图
Matplotlib 绘制双轴图创作背景分析思路总结结尾创作背景最近本菜鸡想要画一个双轴图 ,可是直接使用 plt.plot() 实现不了这个功能,无奈,菜嘛,所以只能去 Matpl ...
【matplotlib笔记】plt.subplot()绘制子图
绘制子图面向过程的方式绘图如何绘制如下的图呢? 上半部分:看做2行2列,第1行第1列.第1行第2列分别放一张图下半部分:看做2行1列,第2行的1列放一张图通过plt.subplot()绘制子图 ...
如何理解subplot绘制不规则子图的参数设置
在matplotlib下,一个Figure对象可以包含多个子图(Axes),可以使用subplot()快速绘制,其调用形式如下 subplot(numRows, numCols, plotNum) 图 ...
【python】python matplotlib绘制并保存多张图片+绘制多张子图
需求描述:画图对比观测值和预测值,绘制对比图及多张子图绘制对比图示例代码 import matplotlib.pyplot as plt import numpy as npobs_x_data ...
Matplotlib——绘制多个子图（Axes）及其布局
本文介绍如何用matplotlib绘制多个子图,并介绍控制它们布局的方法.按照其布局方式,分为均一排布,规整排布和跨行列排布三种. 一.均一排布plt.subplots() 均一排布的含义:所有子图的 ...
python使用matplotlib可视化subplots子图、subplots绘制子图、子图之间有重叠问题、使用subplots_adjust函数合理设置子图之间的水平和垂直距离
python使用matplotlib可视化subplots子图.subplots绘制子图.子图之间有重叠问题.使用subplots_adjust函数合理设置子图之间的水平和垂直距离(vertical/ ...
python用for循环画多个图形_Python matplotlib读取excel数据并用for循环画多个子图subplot操作...
Python matplotlib读取excel数据并用for循环画多个子图subplot操作,英语,总分,平均,数据,语文 Python matplotlib读取excel数据并用for循环画多个子 ...

【科研分享】Matplotlib 绘制多子图（subplot）进行实验结果分析