【Python数据可视化】matplotlib之设置子图：绘制子图、子图共享x轴坐标、调整子图间距、设置图片大小

news2024/11/30 2:38:35

文章传送门

Python 数据可视化
matplotlib之绘制常用图形：折线图、柱状图（条形图）、饼图和直方图
matplotlib之设置坐标：添加坐标轴名字、设置坐标范围、设置主次刻度、坐标轴文字旋转并标出坐标值
matplotlib之增加图形内容：设置图例、设置中文标题、设置网格效果
matplotlib之设置子图：绘制子图、子图共享x轴坐标、调整子图间距、设置图片大小
matplotlib之绘制高级图形：散点图、热力图、等值线图、极坐标图
matplotlib之绘制三维图形：三维散点图、三维柱状图、三维曲面图

目录

  • 简述 / 前言
  • 1. 通过 add_subplot 方法绘制子图
  • 2. 通过 subplot 方法绘制子图
  • 3. 两种绘制子图方法的区别
  • 4. 子图嵌套
  • 5. 子图共享x轴坐标
  • 6. 调整子图间距
  • 7. 设置图片大小

简述 / 前言

这篇将分享数据可视化最重要也最常用的一个部分——子图，下面将会分享一些常用的方法：绘制子图、子图共享x轴坐标。

1. 通过 add_subplot 方法绘制子图

首先需要新建一个 figure 对象，然后使用 matplotlib.pyplot.figure().add_subplot() 方法绘制子图。

matplotlib.pyplot.figure().add_subplot() 方法有3个参数，第一个参数是把图表划分为几行，第二个参数是把图表划分为几列，第三个参数是当前图形要放在那个区域，比如下面的 add_subplot(2, 2, 1) 就是指图层被划分为2行2列4个区域，该子图在第一个位置创建。

注：图层区域的位置是按照行排序的，即2行2列的区域位置分布如下：

第一个区域(2, 2, 1)      第二个区域(2, 2, 2)
第三个区域(2, 2, 3)      第四个区域(2, 2, 4)

示例：

import matplotlib.pyplot as plt
import numpy as np

x = np.arange(0, 10, 0.1)
fig = plt.figure()      # 新建figure对象
# 子图1
ax1 = fig.add_subplot(2, 2, 1)
ax1.plot(x, x, label='y=x', color='red')
ax1.legend()
# 子图2
ax2 = fig.add_subplot(2, 2, 3)
ax2.plot(x, 2 * x, label='y=2x', color='blue')
ax2.legend()
# 子图3
ax3 = fig.add_subplot(2, 2, 4)
ax3.plot(x, 4 * x, label='y=4x', color='green')
ax3.legend()
plt.show()

输出：
请添加图片描述

2. 通过 subplot 方法绘制子图

除了使用 matplotlib.pyplot.figure().add_subplot() 方法绘制子图，还能使用 matplotlib.pyplot 的 subplot() 方法绘制子图。

与 matplotlib.pyplot.figure().add_subplot() 方法一样，matplotlib.pyplot.subplot() 方法也有3个参数，第一个参数是把图表划分为几行，第二个参数是把图表划分为几列，第三个参数是当前图形要放在那个区域，比如下面的 subplot(2, 2, 1) 就是指图层被划分为2行2列4个区域，该子图在第一个位置创建。

注：图层区域的位置是按照行排序的，即2行2列的区域位置分布如下：

第一个区域(2, 2, 1)      第二个区域(2, 2, 2)
第三个区域(2, 2, 3)      第四个区域(2, 2, 4)

示例：

import matplotlib.pyplot as plt
import numpy as np

x = np.arange(0, 10, 0.1)
plt.subplot(2, 1, 1)  # 第一个子图在2*1的第1个位置
plt.plot(x, x, label='y=x', color='red')
plt.legend()
plt.subplot(2, 2, 3)  # 第二个子图在2*2的第3个位置
plt.plot(x, 2 * x, label='y=2x', color='green')
plt.legend()
plt.subplot(2, 2, 4)  # 第三个子图在2*2的第4个位置
plt.plot(x, 4 * x, label='y=4x', color='blue')
plt.legend()
plt.show()

输出：
请添加图片描述

3. 两种绘制子图方法的区别

  1. 从上面的两个例子可以看出两张输出的图像还是不同的。

    • matplotlib.pyplot.figure().add_subplot() 方法绘制的子图是完全在一个区域内绘制的；
    • 而 matplotlib.pyplot.subplot() 方法绘制的子图虽然也是在一个区域内绘制，但是若发现附近区域没有绘制子图，它会占据旁边的子图空间，让图像看起来更自然。

  2. 假设我们有4个区域，但是只有1、3、4号区域绘制子图：

    • matplotlib.pyplot.figure().add_subplot() 方法绘制的子图格式如下：
      第一个子图(2, 2, 1)      子图为空！(2, 2, 2)
第三个子图(2, 2, 3)      第四个子图(2, 2, 4)
    • 而 matplotlib.pyplot.subplot() 方法绘制的子图虽然也是在一个区域内绘制，但是若发现附近区域没有绘制子图，它会占据旁边的子图空间，让图像看起来更自然。
           第一个子图(2, 2, 1&2)【把第二个空子图区域合并了】
第三个子图(2, 2, 3)      第四个子图(2, 2, 4)

4. 子图嵌套

方法就是通过调用 figure 对象的 add_axes 方法创建子图，不管是主图还是嵌套图形都用 add_axes 方法创建子图。

用法：matplotlib.pyplot.figure().add_axes(x, y, len_x, len_y)，各参数含义如下：

参数含义
x子图x轴距离整张图片在下角多远的位置（水平）
y子图y轴距离整张图片在下角多远的位置（垂直）
len_x子图x轴的长度
len_y子图y轴的长度

以上4个参数的取值范围为：[0, 1]，虽然取此范围以外的数字不报错，但是生成的子图将不在图片中。这个其实类似于 HTML 里面的一个相对位置比例，都是相对于整张图片左下角的顶点进行参照的。

值得注意的是，嵌套的子图的参数取值范围应该是：(0, 1)。

不理解的可以自己写代码，调参数画个图就知道了。

示例：

import matplotlib.pyplot as plt
import numpy as np

fig = plt.figure()
ax = fig.add_axes([0.1, 0.1, 0.9, 0.9])			# 大图位置
child_ax = fig.add_axes([0.45, 0.7, 0.2, 0.2])	# 嵌套子图的位置
x = np.arange(0, 10, 0.1)
ax.plot(x, np.sin(x), color='g')
# 子图
childX = np.arange(0, 10, 0.1)
child_ax.plot(childX, np.sin(childX), color='b')
plt.show()

输出：
请添加图片描述

5. 子图共享x轴坐标

顾名思义，这个就是指好几张垂直摆放的图，它们的 x 轴都是一样的，那么我们只要在最下面那一张图画 x 轴就好了。

  • 关键语句：matplotlib.pyplot.subplots()

  • 关键参数：sharex=True

  • 一般用法：figure, (axClass1, axClass2, ...) = matplotlib.pyplot.subplots(nrows=nrows, ncols=ncols, sharex=True, figsize=(len_x, len_y))，各参数含义如下：

    参数含义
    axClass1第一个子图
    axClass2第二个子图
    nrows行数
    nclos列数
    sharex布尔值（默认为：False，每个子图都显示x轴的数值），一般改为：True
    figsize子图大小
    len_x子图长度【一般取值范围为：[1, ∞)】
    len_y子图高度【一般取值范围为：[1, ∞)】

示例：

import matplotlib.pyplot as plt
import numpy as np

# 两个子图共享x轴
figure, (axClass1, axClass2) = plt.subplots(2, sharex=True, figsize=(10, 4))

x = np.arange(0, 10, 0.1)
axClass1.plot(x, np.sin(x), color='g')
axClass2.plot(x, np.cos(x), color='b')
axClass1.set_title("$sin(x)$")
axClass2.set_title("$cos(x)$")
plt.show()

输出：
请添加图片描述

6. 调整子图间距

虽然我们可以设置很多子图，但是一旦子图过多，那么显示图案就会重叠在一起，比如这样：

import numpy as np
import matplotlib.pyplot as plt

np.random.seed(2024)
data = np.random.rand(100, 2) * 10
x = data[:, 0]
y = data[:, 1]

# 新建figure对象
plt.subplot(131)
plt.scatter(x, y, s=50, alpha=0.7, color='g')
# 设置标题
plt.title("原始数据", fontdict={'fontname': 'FangSong', 'fontsize': 'xx-large', 'fontweight': 'bold'})
plt.xlabel('x轴', fontdict={'fontname': 'FangSong', 'fontsize': 20})
plt.ylabel('y轴', fontdict={'fontname': 'FangSong', 'fontsize': 20})
plt.xlim(-5, 20)
plt.ylim(-5, 20)
plt.grid()

# 计算极大值
max_d = np.max(data, axis=0)
# 计算极小值
min_d = np.min(data, axis=0)
# 减去均值，除以标准差
newData = (data - min_d) / (max_d - min_d)
x = newData[:, 0]
y = newData[:, 1]

# 新建figure对象
plt.subplot(132)
plt.scatter(x, y, s=50, alpha=0.7, color='g')
# 设置标题
plt.title("归一化后的数据", fontdict={'fontname': 'FangSong', 'fontsize': 'xx-large', 'fontweight': 'bold'})
plt.xlabel('x轴', fontdict={'fontname': 'FangSong', 'fontsize': 20})
# plt.ylabel('y轴', fontdict={'fontname': 'FangSong', 'fontsize': 20})
plt.xlim(-5, 20)
plt.ylim(-5, 20)
plt.grid()

# 新建figure对象
plt.subplot(133)
plt.scatter(x, y, s=50, alpha=0.7, color='g')
# 设置标题
plt.title(f"归一化后的数据\n（放大版）", fontdict={'fontname': 'FangSong', 'fontsize': 'xx-large', 'fontweight': 'bold'})
plt.xlabel('x轴', fontdict={'fontname': 'FangSong', 'fontsize': 20})
# plt.ylabel('y轴', fontdict={'fontname': 'FangSong', 'fontsize': 20})
plt.xlim(-0.5, 1.5)
plt.ylim(-0.5, 1.5)
plt.grid()
plt.show()

输出：
请添加图片描述

那么我们可以通过 matplotlib.pyplot.subplots_adjust(wspace=wspace, hspace=hspace) 来调整子图之间的间距，参数解释如下：

参数含义
wspace子图每一列之间的间隔
hspace子图每一行之间的间隔

改进代码：

import numpy as np
import matplotlib.pyplot as plt

np.random.seed(2024)
data = np.random.rand(100, 2) * 10
x = data[:, 0]
y = data[:, 1]

# 新建figure对象
plt.subplot(131)
plt.scatter(x, y, s=50, alpha=0.7, color='g')
# 设置标题
plt.title("原始数据", fontdict={'fontname': 'FangSong', 'fontsize': 'xx-large', 'fontweight': 'bold'})
plt.xlabel('x轴', fontdict={'fontname': 'FangSong', 'fontsize': 20})
plt.ylabel('y轴', fontdict={'fontname': 'FangSong', 'fontsize': 20})
plt.xlim(-5, 20)
plt.ylim(-5, 20)
plt.grid()

# 计算极大值
max_d = np.max(data, axis=0)
# 计算极小值
min_d = np.min(data, axis=0)
# 减去均值，除以标准差
newData = (data - min_d) / (max_d - min_d)
x = newData[:, 0]
y = newData[:, 1]

# 新建figure对象
plt.subplot(132)
plt.scatter(x, y, s=50, alpha=0.7, color='g')
# 设置标题
plt.title("归一化后的数据", fontdict={'fontname': 'FangSong', 'fontsize': 'xx-large', 'fontweight': 'bold'})
plt.xlabel('x轴', fontdict={'fontname': 'FangSong', 'fontsize': 20})
# plt.ylabel('y轴', fontdict={'fontname': 'FangSong', 'fontsize': 20})
plt.xlim(-5, 20)
plt.ylim(-5, 20)
plt.grid()

# 新建figure对象
plt.subplot(133)
plt.scatter(x, y, s=50, alpha=0.7, color='g')
# 设置标题
plt.title(f"归一化后的数据\n（放大版）", fontdict={'fontname': 'FangSong', 'fontsize': 'xx-large', 'fontweight': 'bold'})
plt.xlabel('x轴', fontdict={'fontname': 'FangSong', 'fontsize': 20})
# plt.ylabel('y轴', fontdict={'fontname': 'FangSong', 'fontsize': 20})
plt.xlim(-0.5, 1.5)
plt.ylim(-0.5, 1.5)
plt.grid()

# wspace 控制子图列间距, hspace 控制子图横间距
plt.subplots_adjust(wspace=0.5, hspace=0)
plt.show()

输出：
请添加图片描述

7. 设置图片大小

关键方法：matplotlib.pyplot.figure(figsize=(x, y))，x和y为画布的长和宽，可自行调整。

特别注意：该语句要在画图前设置，不能画完图后才写这句话（因为这样就会生成2张画布，画好的画在第一张画布）。

示例：

import numpy as np
import matplotlib.pyplot as plt


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

np.random.seed(2024)
data = np.random.rand(100, 2) * 10
x = data[:, 0]
y = data[:, 1]

# 新建figure对象
plt.subplot(231)
plt.scatter(x, y, s=50, alpha=0.7, color='g')
# 设置标题
plt.title("原始数据", fontdict={'fontname': 'FangSong', 'fontsize': 'xx-large', 'fontweight': 'bold'})
plt.xlabel('x轴', fontdict={'fontname': 'FangSong', 'fontsize': 20})
plt.ylabel('y轴', fontdict={'fontname': 'FangSong', 'fontsize': 20})
plt.xlim(-5, 20)
plt.ylim(-5, 20)
plt.grid()

# 计算极大值
max_d = np.max(data, axis=0)
# 计算极小值
min_d = np.min(data, axis=0)
# 减去均值，除以标准差
newData = (data - min_d) / (max_d - min_d)
x = newData[:, 0]
y = newData[:, 1]

# 新建figure对象
plt.subplot(232)
plt.scatter(x, y, s=50, alpha=0.7, color='g')
# 设置标题
plt.title("归一化后的数据", fontdict={'fontname': 'FangSong', 'fontsize': 'xx-large', 'fontweight': 'bold'})
plt.xlabel('x轴', fontdict={'fontname': 'FangSong', 'fontsize': 20})
# plt.ylabel('y轴', fontdict={'fontname': 'FangSong', 'fontsize': 20})
plt.xlim(-5, 20)
plt.ylim(-5, 20)
plt.grid()

# 新建figure对象
plt.subplot(233)
plt.scatter(x, y, s=50, alpha=0.7, color='g')
# 设置标题
plt.title(f"归一化后的数据\n（放大版）", fontdict={'fontname': 'FangSong', 'fontsize': 'xx-large', 'fontweight': 'bold'})
plt.xlabel('x轴', fontdict={'fontname': 'FangSong', 'fontsize': 20})
# plt.ylabel('y轴', fontdict={'fontname': 'FangSong', 'fontsize': 20})
plt.xlim(-0.5, 1.5)
plt.ylim(-0.5, 1.5)
plt.grid()


# 新建figure对象
plt.subplot(234)
plt.scatter(x, y, s=50, alpha=0.7, color='g')
# 设置标题
plt.title(f"归一化后的数据\n（放大版）", fontdict={'fontname': 'FangSong', 'fontsize': 'xx-large', 'fontweight': 'bold'})
plt.xlabel('x轴', fontdict={'fontname': 'FangSong', 'fontsize': 20})
# plt.ylabel('y轴', fontdict={'fontname': 'FangSong', 'fontsize': 20})
plt.xlim(-0.5, 1.5)
plt.ylim(-0.5, 1.5)
plt.grid()

# wspace 控制子图列间距, hspace 控制子图横间距
plt.subplots_adjust(wspace=0.5, hspace=1)
plt.show()

输出：
请添加图片描述

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.coloradmin.cn/o/1392125.html

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈，一经查实，立即删除！

相关文章

Informer简单理解

Informer简单理解

一、输入层Encoder改进： 1、ProbAttention算法计算权值： 原Transformer中的注意力机制时间复杂度N^2，而Informer作为实时性要求高的长时间序列预测算法必然需要提高效率，降低时间开销。 1.简化K： 对每个Q不再与所有…
阅读更多...
073：vue+mapbox 加载here地图（影像瓦片图 v3版）

073：vue+mapbox 加载here地图（影像瓦片图 v3版）

第073个 点击查看专栏目录 本示例的目的是介绍演示如何在vue+mapbox中加载here地图的影像瓦片图。 直接复制下面的 vue+mapbox源代码，操作2分钟即可运行实现效果 文章目录 示例效果配置方式示例源代码（共77行）相关API参考：专栏目标示例效果
阅读更多...
Rust-Panic

Rust-Panic

什么是panic 在Rust中，有一类错误叫作panic。示例如下： 编译，没有错误，执行这段程序，输出为： 这种情况就引发了一个panic。在这段代码中，我们调用了Option::unwrap()方法，正是这个方…
阅读更多...
Softmax回归（多类分类模型）

Softmax回归（多类分类模型）

目录 1.对真实值类别编码：2.预测值：3.目标函数要求：4.使用Softmax模型将输出置信度Oi计算转换为输出匹配概率y^i：5.使用交叉熵作为损失函数：6.代码实现： 1.对真实值类别编码： y为真实值&#xf…
阅读更多...
Java顺序表（2）

Java顺序表（2）

🐵本篇文章将对ArrayList类进行讲解 一、ArrayList类介绍 上篇文章我们对顺序表的增删查改等方法进行了模拟实现，实际上Java提供了ArrayList类，而在这个类中就包含了顺序表的一系列方法，这样在用顺序表解决问题时就不用每次都去实…
阅读更多...
smartgit选择30天试用后需要输入可执行文件

smartgit选择30天试用后需要输入可执行文件

突然有一天smartgit提示到期了，我按照以往那样删除license和preferences文件后，选择30天试用，弹出了需要选择git可执行文件。 我尝试选择了我的git.exe，发现根本不行，提示让我执行下git --version 执行过后提示我的.gi…
阅读更多...
【Shell编程练习】编写 shell 脚本,打印 9*9 乘法表

【Shell编程练习】编写 shell 脚本,打印 9*9 乘法表

系列文章目录 输出Hello World 通过位置变量创建 Linux 系统账户及密码 监控内存和磁盘容量，小于给定值时报警 猜大小 输入三个数并进行升序排序 编写脚本测试 192.168.4.0/24 整个网段中哪些主机处于开机状态,哪些主机处于关机状态 系列文章目录编写 shell 脚本,打…
阅读更多...
Vue3响应式系统（二）

Vue3响应式系统（二）

Vue3响应式系统(一)https://blog.csdn.net/qq_55806761/article/details/135587077 六、嵌套的effect与effect栈。 什么场景会用到effect嵌套呢？听我娓娓道来。 就用Vue.js来说吧，Vue.js的渲染函数就是在effect中执行的： /*Foo组件*/ const…
阅读更多...
动态路由协议

动态路由协议

一、动态路由协议 动态路由协议，用在多个 Router 之间定期的、自动的、互相交换 Routes（路由信息，包含了网段信息、可达性信息、路径信息等），动态生成 Routing Table Entries，并最终达到全网的路由收敛&am…
阅读更多...
Java项目：123SSM高校运动会信息管理系统

Java项目：123SSM高校运动会信息管理系统

博主主页：Java旅途 简介：分享计算机知识、学习路线、系统源码及教程 文末获取源码 一、项目介绍 高校运动会信息管理系统基于SpringSpringMVCMybatis开发，主要用来管理高校运动会信息，系统分为管理员何运动员两种角色。系统主要功…
阅读更多...
AI在广告中的应用——预测性定位和调整

AI在广告中的应用——预测性定位和调整

营销人员的工作就是在恰当的时间将适合的产品呈现在消费者面前，从而增加他们购买的可能性。随着时间的推移，营销人员能够深入挖掘越来越精准的客户细分市场，他们不仅具备了实现上述目标的能力，而且这种能力还在呈指数级提升。在AI…
阅读更多...
如何将github copilot当gpt4用

如何将github copilot当gpt4用

现在写代码已经离不开ai辅助了我用的是github copilot，一方面是因为它和vscode结合得比较好，另一方面就是copilot chat了。可以在不切换工具的情况下，问它问题，在copilot chat还在内测阶段的时候我就申请使用了（现在已…
阅读更多...
【现代密码学】笔记9-10.3-- 公钥（非对称加密）、混合加密理论《introduction to modern cryphtography》

【现代密码学】笔记9-10.3-- 公钥（非对称加密）、混合加密理论《introduction to modern cryphtography》

【现代密码学】笔记9-10.3-- 公钥（非对称加密）、混合加密理论《introduction to modern cryphtography》 写在最前面8.1 公钥加密理论随机预言机模型（Random Oracle Model，ROM） 写在最前面 主要在 哈工大密码学课程 张…
阅读更多...
Python多线程爬虫——数据分析项目实现详解

Python多线程爬虫——数据分析项目实现详解

前言 「作者主页」：雪碧有白泡泡 「个人网站」：雪碧的个人网站 ChatGPT体验地址 文章目录 前言爬虫获取cookie网站爬取与启动CSDN爬虫爬虫启动将爬取内容存到文件中 多线程爬虫选择要爬取的用户 线程池 爬虫 爬虫是指一种自动化程序，能够模…
阅读更多...
Java基础知识整理，驼峰规则、流程控制、自增自减

Java基础知识整理，驼峰规则、流程控制、自增自减

写在开头 本文接着上一篇文章续写哈。Java基础知识整理，注释、关键字、运算符 在这一篇文章中我们总结了包括注释、关键字、运算符的Java基础知识点，今天继续来聊一聊命名规则（驼峰）、流程控制、自增自减。 一、命名规则 上一…
阅读更多...
pygame学习(三)——支持多种类型的事件

pygame学习(三)——支持多种类型的事件

大家好！我是码银🥰 欢迎关注🥰： CSDN：码银 公众号：码银学编程 实时事件循环 为了保证程序的持续刷新、保持打开的状态，我们会创建一个无限循环，通常使用的是while语句，w…
阅读更多...
第二百六十九回

第二百六十九回

文章目录 概念介绍设置方法示例代码内容总结 我们在上一章回中介绍了Card Widget相关的内容，本章回中将介绍国际化设置.闲话休提，让我们一起Talk Flutter吧。 概念介绍 我们在这里说的国际化设置是指在App设置相关操作，这样可以让不同国家的…
阅读更多...
关于VScode的这个ssh的配置的经验

关于VScode的这个ssh的配置的经验

1.首先，我是因为重装了ubantu系统，不得不重新配置ssh 2.第一步，在本机的终端安装ssh插件： （1） （2）restart开启这个ssh端口 3.然后，就在vscode里面，安装哪个…
阅读更多...
【Rust学习】安装Rust环境

【Rust学习】安装Rust环境

本笔记为了记录学习Rust过程，内容如有错误请大佬指教 使用IDE：vs code 参考教程：菜鸟教程链接: 菜鸟教程链接: Rust学习 Rust入门安装Rust编译环境Rust 编译工具 构建Rust 工程目录 Rust入门 安装Rust编译环境 因为我已经安装过VSCode了&am…
阅读更多...
【ArcGIS遇上Python】ArcGIS Python批量筛选多个shp中指定字段值的图斑（以土地利用数据为例）

【ArcGIS遇上Python】ArcGIS Python批量筛选多个shp中指定字段值的图斑（以土地利用数据为例）

文章目录 一、案例分析二、提取效果二、代码运行效果三、Python代码四、数据及代码下载一、案例分析 以土地利用数据为例，提取多个shp数据中的旱地。 二、提取效果 原始土地利用数据： 属性表： 提取的旱地：（以图层名称+地类名称命名）
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023