子图的使用

小象实战讲义 · Python数据分析实战

在数据分析的可视化环节，我们常常需要将多个相关的图表并排展示，以便于对比分析或呈现数据的不同侧面。Matplotlib 提供的子图（Subplot）功能，允许我们在一张画布上创建并管理多个独立的绘图区域。本节将学习如何使用 plt.subplots 函数高效地创建和绘制子图，并理解共享坐标轴等高级控制参数。

💡 核心导读

• 子图概念：理解如何将一张画布（Figure）划分为多个独立的绘图区域（Axes）。
• plt.subplots 函数：掌握使用 plt.subplots 函数创建画布和子图数组的核心方法。
• 子图索引与绘制：学会通过二维数组索引访问每个子图，并在其上调用不同的绘图方法。
• 坐标轴共享：了解 sharex 和 sharey 参数的作用，实现多个子图间坐标轴的联动。

什么是子图？

子图，顾名思义，是指在一张完整的画布（Figure）上，划分出多个独立的、更小的绘图区域（Axes）。每个子图都可以看作一个独立的画布，你可以在上面绘制散点图、柱状图、直方图等任何类型的图表。

这种布局方式非常实用，例如，你可以将同一数据集的不同可视化视图（如分布、趋势、相关性）并排展示，或者将不同数据集的同类图表放在一起进行对比。

使用 plt.subplots 创建子图

Matplotlib 的 pyplot 模块提供了 subplots 函数，它是创建子图布局最便捷的方法。

该函数的核心参数如下：

• nrows: 子图布局的行数。
• ncols: 子图布局的列数。
• sharex: 布尔值，若为 True，则所有子图共享同一个 x 轴（列方向共享）。
• sharey: 布尔值，若为 True，则所有子图共享同一个 y 轴（行方向共享）。
• figsize: 元组，指定整个画布的宽度和高度（单位：英寸）。

plt.subplots 函数会返回两个对象：

1. fig: 创建的整个画布（Figure）对象。
2. axs: 一个 numpy.ndarray 数组，其形状为 (nrows, ncols)，包含了所有子图（Axes）对象。你可以通过二维索引 axs[row, col] 来访问和操作特定的子图。

下面我们通过一个例子来具体演示。

import matplotlib.pyplot as plt
import numpy as np

# 1. 创建画布和子图数组：2行2列，画布大小为8x8英寸
fig, axs = plt.subplots(nrows=2, ncols=2, figsize=(8, 8))

# 2. 在第一个子图（第0行，第0列）上绘制散点图
# 生成模拟数据
x_scatter = np.random.randn(50)
y_scatter = np.random.randn(50) * 2
axs[0, 0].scatter(x_scatter, y_scatter)
axs[0, 0].set_title('散点图 (Scatter Plot)')

# 3. 在第二个子图（第0行，第1列）上绘制柱状图
x_bar = [1, 2, 3, 4, 5]
height_bar = [5, 2, 7, 8, 2]
axs[0, 1].bar(x_bar, height_bar)
axs[0, 1].set_title('柱状图 (Bar Chart)')

# 4. 在第三个子图（第1行，第0列）上绘制直方图
data_hist = np.random.randn(50)
axs[1, 0].hist(data_hist, bins=10, rwidth=0.8)
axs[1, 0].set_title('直方图 (Histogram)')

# 5. 在第四个子图（第1行，第1列）上绘制热力图（使用imshow）
matrix = np.random.rand(5, 5)
im = axs[1, 1].imshow(matrix, cmap='viridis')
axs[1, 1].set_title('热力图 (Heatmap)')
# 为热力图添加颜色条
plt.colorbar(im, ax=axs[1, 1])

# 6. 自动调整子图布局，防止标签重叠，并显示图形
plt.tight_layout()
plt.show()

(显示一个包含2行2列四个子图的窗口，分别绘制了散点图、柱状图、直方图和热力图)

代码解析：

1. plt.subplots(2, 2, figsize=(8, 8)) 创建了一个 2x2 的子图网格，并将所有子图对象存储在二维数组 axs 中。
2. 通过 axs[0, 0]、axs[0, 1] 等索引，我们可以像操作单个 Axes 对象一样，在每个子图上调用 .scatter(), .bar(), .hist(), .imshow() 等绘图方法，以及 .set_title() 等方法设置属性。
3. plt.tight_layout() 是一个很实用的函数，它能自动调整子图参数，使子图标签、标题等不会互相重叠。
4. 最后调用 plt.show() 显示图形。

共享坐标轴：sharex 与 sharey

观察上面的图形，你会发现四个子图的 x 轴和 y 轴刻度是各自独立的。在某些对比场景下，我们希望子图使用相同的坐标轴刻度，以便进行精确比较。这时就需要用到 sharex 和 sharey 参数。

• sharex=True: 同一列的子图将共享 x 轴。最下方子图的 x 轴刻度会作为整列的基准。
• sharey=True: 同一行的子图将共享 y 轴。最左侧子图的 y 轴刻度会作为整行的基准。

注意：共享坐标轴后，Matplotlib 会把所有相关子图的数据范围取并集作为该轴的显示范围。这保证每个子图的数据都不会被裁掉，但代价是：如果某个子图的数据范围远小于其他子图，它会被“压扁”在共享轴的一小段里，细节不容易看清。

import matplotlib.pyplot as plt
import numpy as np

# 创建画布和子图数组，并共享x轴
fig, axs = plt.subplots(nrows=2, ncols=2, figsize=(8, 8), sharex=True)

# 绘制与之前相同的数据
x_scatter = np.random.randn(50)
y_scatter = np.random.randn(50) * 2
axs[0, 0].scatter(x_scatter, y_scatter)
axs[0, 0].set_title('共享X轴 - 散点图')

x_bar = [1, 2, 3, 4, 5]
height_bar = [5, 2, 7, 8, 2]
axs[0, 1].bar(x_bar, height_bar) # 注意：柱状图的x为1-5
axs[0, 1].set_title('共享X轴 - 柱状图')

data_hist = np.random.randn(50)
axs[1, 0].hist(data_hist, bins=10, rwidth=0.8)
axs[1, 0].set_title('共享X轴 - 直方图')

matrix = np.random.rand(5, 5)
im = axs[1, 1].imshow(matrix, cmap='plasma')
axs[1, 1].set_title('共享X轴 - 热力图')
plt.colorbar(im, ax=axs[1, 1])

plt.tight_layout()
plt.show()

(显示图形。观察可发现，同一列子图的x轴刻度范围变得一致——这个范围是各子图数据范围的并集。
 例如散点图和直方图的数据在x轴上大致分布在[-3,3]，而柱状图需要显示x=5的位置，
 共享后的x轴范围会被拉宽到能容纳所有子图的数据；柱状图最右侧的柱子（x=5）依然完整显示，
 只是散点图/直方图在宽轴上会显得相对集中于中段。
 热力图的x轴（0-4）同样被对齐到共享的x轴刻度上。)

共享 y 轴 (sharey=True) 的效果类似，会使同一行的子图 y 轴刻度保持一致。你可以尝试将上面代码中的 sharex=True 改为 sharey=True 来观察效果。

📝 动手练一练

1. 概念辨析：plt.subplots(3, 1) 和 plt.subplots(1, 3) 创建的子图布局有什么不同？返回的 axs 对象的形状分别是什么？

2. 动手实践：修改第一个示例代码，创建一个 1行2列的子图布局。在左侧子图绘制正弦曲线 y = sin(x)，在右侧子图绘制余弦曲线 y = cos(x)，其中 x 的范围为 [0, 2π]。为两个子图分别添加标题，并尝试设置 sharey=True，观察图形变化。

import matplotlib.pyplot as plt
import numpy as np

# 创建1行2列的子图，并共享y轴
fig, axs = plt.subplots(1, 2, figsize=(10, 4), sharey=True)

# 生成x数据
x = np.linspace(0, 2*np.pi, 100)

# 在左侧子图绘制正弦曲线
axs[0].plot(x, np.sin(x), color='blue')
axs[0].set_title('正弦函数 y = sin(x)')
axs[0].grid(True)

# 在右侧子图绘制余弦曲线
axs[1].plot(x, np.cos(x), color='red')
axs[1].set_title('余弦函数 y = cos(x)')
axs[1].grid(True)

plt.tight_layout()
plt.show()

(显示一个横向排列的图形，左侧为蓝色正弦波，右侧为红色余弦波。
 由于设置了sharey=True，两个子图的y轴刻度范围保持一致，便于对比两个函数的振幅。)

本章小结

本节我们学习了 Matplotlib 中子图（Subplot）的核心创建方法。通过 plt.subplots 函数，我们可以灵活地定义画布的网格布局，并便捷地获取每个子图对象进行独立绘图。sharex 和 sharey 参数为我们提供了控制子图间坐标轴关系的强大工具，使得多图对比更加规范和清晰。

📋 行动清单

• 尝试使用 plt.subplots 创建不同行列数（如 2x3, 3x1）的子图布局，感受 axs 数组的索引方式。
• 在一个 2x2 的子图中，分别用折线图、散点图、箱线图和饼图展示不同的模拟数据。
• 修改 sharex 和 sharey 参数，观察同一组数据在不同共享设置下可视化效果的差异，思考其适用的分析场景。

—— 小象教研组