深入Matplotlib：画布分区与高级图形展示【第33篇—python：Matplotlib】_matllab 图分层展示,兼具修改

Matplotlib画布分区技术详解

引言

Matplotlib是一个强大的Python绘图库，通过其灵活的画布分区技术，用户可以在一个画布上创建多个子图，以更清晰地呈现数据图形。本文将深入介绍Matplotlib中的画布分区方法，并通过实例演示如何在子图中展示不同类型的数据。

方法一：plt.subplot()

首先，我们使用plt.subplot()方法来实现画布分区。以下是示例代码：

import matplotlib.pyplot as plt
import numpy as np

# 将画布分为2行2列，将图画到画布的指定区域
x = np.linspace(1, 10, 100)

plt.subplot(2, 2, 1)
plt.plot(x, np.sin(x))

plt.subplot(2, 2, 3)
plt.plot(x, np.cos(x))

plt.show()
1
2
3
4
5
6
7
8
9
10
11
12
13

在这段代码中，我们选择了画布的第一个区域作为当前子图，并在该子图中绘制了正弦曲线。通过类似的方式，我们在第三个子图中绘制了余弦曲线。

方法二：简略写法

第二种方法是方法一的简略写法，只需去掉逗号即可：

import matplotlib.pyplot as plt
import numpy as np

# 将画布分为2行2列，将图画到画布的指定区域
x = np.linspace(1, 10, 100)

plt.subplot(221)
plt.plot(x, np.sin(x))

plt.subplot(223)
plt.plot(x, np.cos(x))

plt.show()
1
2
3
4
5
6
7
8
9
10
11
12
13

方法三：plt.subplots()

第三种方法通过plt.subplots()创建包含多个子图的画布，并返回子图对象的元组：

import matplotlib.pyplot as plt
import numpy as np

# 将画布分为2行2列，创建子图对象
x = np.linspace(1, 10, 100)

fig, ax = plt.subplots(nrows=2, ncols=2)

ax[0][1].plot(x, np.sin(x))
ax[1][1].plot(x, np.cos(x))

plt.show()
1
2
3
4
5
6
7
8
9
10
11
12

这种方法返回了一个包含子图对象的元组 (fig, ax)，通过 ax 对象可以选择和操作不同的子图区域。

实例展示

通过一个实际的例子，结合Matplotlib的画布分区，展示如何绘制多个子图，并在每个子图中展示不同的数据：

import matplotlib.pyplot as plt
import numpy as np

# 生成一些虚构的数据
x = np.linspace(0, 10, 100)
y1 = np.sin(x)
y2 = np.cos(x)
y3 = x**2
y4 = np.exp(x)

# 创建画布并分为2行2列
fig, ax = plt.subplots(nrows=2, ncols=2, figsize=(10, 8))

ax[0][0].plot(x, y1, color='blue', label='sin(x)')
ax[0][1].plot(x, y2, color='green', label='cos(x)')
ax[1][0].plot(x, y3, color='orange', label='x^2')
ax[1][1].plot(x, y4, color='red', label='exp(x)')

# 添加标题和图例
for i in range(2):
    for j in range(2):
        ax[i][j].set_title(['Sine Curve', 'Cosine Curve', 'Quadratic Curve', 'Exponential Curve'][i * 2 + j])
        ax[i][j].legend()

plt.tight_layout()
plt.show()
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26

在这个例子中，我们展示了如何在一个画布上展示多个子图，每个子图中绘制不同类型的数据，并通过标题和图例使图形更加清晰。

添加更多元素

最后，我们展示了如何在子图中添加更多的元素，例如坐标轴标签、网格线和自定义颜色、样式：

import matplotlib.pyplot as plt
import numpy as np

x = np.linspace(0, 2 * np.pi, 100)
y1 = np.sin(x)
y2 = np.cos(x)

fig, ax = plt.subplots(nrows=2, ncols=1, figsize=(8, 8))

# 子图1
ax[0].plot(x, y1, color='blue', label='sin(x)', linestyle='--', linewidth=2)
ax[0].set_title('Sine Curve')
ax[0].legend()
ax[0].grid(True, linestyle=':', alpha=0.7)
ax[0].set_xlabel('X-axis')
ax[0].set_ylabel('Y-axis')

# 子图2
ax[1].plot(x, y2, color='green', label='cos(x)', linestyle='-', linewidth=2)
ax[1].set_title('Cosine Curve')
ax[1].legend()
ax[1].grid(True, linestyle=':', alpha=0.7)
ax[1].set_xlabel('X-axis')
ax[1].set_ylabel('Y-axis')

plt.tight_layout()
plt.show()
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27

在这个例子中，我们通过添加标题、标签、网格线和坐标轴标签，增强了子图中数据的表达力和可读性。

通过这些例子，我们深入探讨了Matplotlib的画布分区技术及其在数据可视化中的应用。

进一步探索Matplotlib画布分区

自定义子图布局

Matplotlib允许用户自定义子图的布局方式，例如不规则的子图排列。以下是一个示例，展示了如何使用gridspec模块创建不规则布局的子图：

import matplotlib.pyplot as plt
import matplotlib.gridspec as gridspec
import numpy as np

# 生成一些虚构的数据
x = np.linspace(0, 10, 100)
y1 = np.sin(x)
y2 = np.cos(x)
y3 = x**2
y4 = np.exp(x)

# 创建画布并使用gridspec定义子图布局
fig = plt.figure(figsize=(12, 8))
gs = gridspec.GridSpec(3, 3, width_ratios=[1, 1, 2], height_ratios=[1, 2, 1])

# 子图1
ax1 = plt.subplot(gs[0, 0])
ax1.plot(x, y1, color='blue', label='sin(x)')
ax1.set_title('Sine Curve')
ax1.legend()

# 子图2
ax2 = plt.subplot(gs[0, 1])
ax2.plot(x, y2, color='green', label='cos(x)')
ax2.set_title('Cosine Curve')
ax2.legend()

# 子图3
ax3 = plt.subplot(gs[1:, :2])
ax3.plot(x, y3, color='orange', label='x^2')
ax3.set_title('Quadratic Curve')
ax3.legend()

# 子图4
ax4 = plt.subplot(gs[1:, 2])
ax4.plot(x, y4, color='red', label='exp(x)')
ax4.set_title('Exponential Curve')
ax4.legend()

plt.tight_layout()
plt.show()
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41

在这个例子中，我们使用gridspec模块创建了一个3x3的子图网格，通过width_ratios和height_ratios参数指定了每行和每列的相对宽度和高度。然后，我们根据这个网格布局创建了四个子图，并在每个子图中绘制不同的数据。

3D子图

Matplotlib还支持在画布上创建3D子图。以下是一个简单的示例，展示如何创建一个包含3D散点图的子图：

import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d import Axes3D
import numpy as np

# 生成一些虚构的3D数据
x = np.random.rand(100)
y = np.random.rand(100)
z = np.random.rand(100)

# 创建画布和3D子图
fig = plt.figure(figsize=(10, 8))
ax = fig.add_subplot(111, projection='3d')

# 绘制3D散点图
ax.scatter(x, y, z, c='blue', marker='o', label='Random Points')

# 设置坐标轴标签
ax.set_xlabel('X-axis')
ax.set_ylabel('Y-axis')
ax.set_zlabel('Z-axis')

# 添加图例
ax.legend()

plt.show()
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25

在这个例子中，我们通过mpl_toolkits.mplot3d导入Axes3D，然后使用fig.add_subplot(111, projection='3d')创建了一个3D子图。接着，我们在3D子图中绘制了散点图，展示了X、Y、Z三个维度的数据关系。

结语

通过本文的介绍和实例，我们深入探讨了Matplotlib中画布分区的不同方法，并展示了如何在子图中绘制不同类型的数据。从自定义布局到3D子图，Matplotlib提供了丰富的功能，帮助用户创建复杂和多样化的图形。