Matplotlib 子图（Subplots）解析
子图（Subplots）可以帮助我们在 同一个画布（figure） 上绘制多个不同的图表，方便进行 数据对比 或 展示多个视角 的数据。
1. 什么是 figure 和 subplot
figure：整个 画布（canvas），包含一个或多个子图。subplot：画布上的 单个子图，可以包含不同类型的图表。
在 Matplotlib 中，我们可以使用 plt.subplots() 来创建多个子图：
fig, axes = plt.subplots(nrows=1, ncols=2, figsize=(12, 6))
nrows=1, ncols=2：表示 创建 1 行 2 列的子图（即两个并排的图）。figsize=(12, 6)：设置 整体画布大小。
2. 子图示例
我们以 中国（China）和印度（India）的移民数据 为例，绘制：
- 箱线图（Boxplot）
- 折线图（Line plot）
import matplotlib.pyplot as plt
# 创建画布，1 行 2 列的子图
fig, axes = plt.subplots(nrows=1, ncols=2, figsize=(12, 6))
# 绘制箱线图（左侧子图）
df[['China', 'India']].plot(kind='box', ax=axes[0], color='blue')
axes[0].set_title('Box plot of China & India Immigration')
# 绘制折线图（右侧子图）
df[['China', 'India']].plot(kind='line', ax=axes[1])
axes[1].set_title('Line plot of China & India Immigration')
# 调整布局，使图表不重叠
plt.tight_layout()
# 显示图表
plt.show()
3. 代码解析
(1) 创建 1 行 2 列的子图
fig, axes = plt.subplots(nrows=1, ncols=2, figsize=(12, 6))
nrows=1, ncols=2：创建 一行两列 的子图布局。figsize=(12, 6)：设置 画布大小。
(2) 绘制箱线图
df[['China', 'India']].plot(kind='box', ax=axes[0], color='blue')
axes[0].set_title('Box plot of China & India Immigration')
ax=axes[0]：指定绘制到 第 1 个子图（左侧）。set_title()：设置 子图标题。
(3) 绘制折线图
df[['China', 'India']].plot(kind='line', ax=axes[1])
axes[1].set_title('Line plot of China & India Immigration')
ax=axes[1]：指定绘制到 第 2 个子图（右侧）。
(4) 调整布局
plt.tight_layout()
- 这个函数 自动调整子图的间距，避免重叠。
(5) 显示图表
plt.show()
4. 结果
✅ 左侧子图（箱线图）：显示中国和印度移民数量的分布情况。
✅ 右侧子图（折线图）：显示移民数量的变化趋势。
✅ 整体布局清晰、易读，适用于数据对比。
5. 其他子图布局
除了 1x2 的布局，我们还可以使用其他布局：
(1) 2x2 子图
fig, axes = plt.subplots(nrows=2, ncols=2, figsize=(10, 8))
这将创建一个 2 行 2 列的网格布局，适合显示 4 个图。
(2) 不规则布局（GridSpec）
如果想要 不同大小的子图，可以用 GridSpec：
import matplotlib.gridspec as gridspec
fig = plt.figure(figsize=(10, 8))
gs = gridspec.GridSpec(2, 2, height_ratios=[2, 1])
ax1 = plt.subplot(gs[0, :]) # 第 1 行，占满 2 列
ax2 = plt.subplot(gs[1, 0]) # 第 2 行，左侧
ax3 = plt.subplot(gs[1, 1]) # 第 2 行，右侧
- 上方大图，下方两张小图。
总结
plt.subplots()可以创建多个子图，便于 数据对比。ax=axes[i]指定不同的子图位置。plt.tight_layout()避免子图重叠。GridSpec适用于 不规则子图布局。
这样，我们可以 高效可视化 数据！ 🎉
评论