1. 从“画布”到“画廊”理解Matplotlib多图布局的核心逻辑刚接触Python数据可视化的朋友大概率都经历过这个阶段学会了用plt.plot()画一根简单的折线用plt.scatter()撒几个散点成就感满满。但当你需要把趋势图、分布图、对比图放在一起向老板或同事做一次完整的汇报时直接把几个plt.figure()生成的窗口来回切换就显得非常不专业了。这时候你就需要掌握“多图合并显示”这项核心技能。这不仅仅是把几张图物理上拼在一起那么简单。想象一下你是一名策展人手里有几幅画单个图表现在你需要把它们布置在一面墙一个画布上既要考虑每幅画的尺寸和位置又要保证整体布局和谐、标题清晰、间距舒适。Matplotlib的subplot系统就是你手中的布局工具。很多人卡在第一步看到subplot(2, 2, 1)这样的参数就发懵其实它的逻辑非常直观。今天我们就抛开那些晦涩的官方文档句式用最“人话”的方式从根儿上把多图合并这件事掰开揉碎讲清楚让你看完就能在自己的项目里用起来做出既专业又美观的复合图表。2.plt.subplots()你的多图“脚手架”搭建器在Matplotlib中创建多子图主要有两种经典方式一种是略显“复古”的plt.subplot()函数注意是单数另一种是现在更推荐、功能也更强大的plt.subplots()函数复数。我强烈建议你从后者开始学因为它更符合现代Python“显式优于隐式”的编程哲学一次性返回画布和所有子图轴对象管理起来清晰得多。2.1 核心参数拆解nrows,ncols,figsizefig, axes plt.subplots(nrows2, ncols2, figsize(10, 8))这行代码是你的起点。我们拆开看nrows2, ncols2这定义了你的“画廊墙”有多少行、多少列。2, 2就意味着一个2x2的网格总共4个“画框”子图。这个网格是逻辑上的它帮你规划好了位置。figsize(10, 8)这是整个画布Figure的物理尺寸单位是英寸。(10, 8)表示宽10英寸、高8英寸。这里有个关键经验figsize的宽高比会直接影响每个子图的形状。如果你画了4个正方形子图但整体画布是个瘦高条那每个子图都会被压扁。通常你需要根据子图的行列数来调整。比如2x2的网格用(10, 8)比例1.25或(12, 8)比例1.5通常能得到比较舒服的方形子图。返回值fig是最大的画布对象axes是一个NumPy数组如果行列数大于1它按行优先的顺序存储了每个子图对应的“轴”Axes对象。对于2x2网格axes就是一个2行2列的数组你可以通过axes[0, 0]、axes[0, 1]、axes[1, 0]、axes[1, 1]来访问左上、右上、左下、右下四个子图。2.2axes对象的操作像操作数组一样操作你的子图理解了axes是个数组一切就简单了。以前你习惯用plt.plot(x, y)来画图这个plt是“当前活动的轴”。现在你需要指定在哪个“轴”上画。所以画第一个子图的折线图就变成了axes[0, 0].plot(x_data, y_data) axes[0, 0].set_title(第一个子图) axes[0, 0].set_xlabel(X轴) axes[0, 0].set_ylabel(Y轴)其他子图同理。这种方式的优势是你可以用循环来批量处理相似图表代码非常干净。例如如果你有四个不同的数据集要分别绘制成折线图data_list [data1, data2, data3, data4] titles [数据集A, 数据集B, 数据集C, 数据集D] for i in range(2): for j in range(2): ax axes[i, j] data data_list[i*2 j] # 将一维索引映射到二维网格 ax.plot(data[x], data[y]) ax.set_title(titles[i*2 j]) ax.grid(True, linestyle--, alpha0.6) # 给每个子图添加虚线网格一个极易踩的坑当你只有一个子图时例如plt.subplots(1, 1)axes不是一个数组而是一个单独的Axes对象。如果你写了通用的循环代码这里就会报错“Axesobject is not subscriptable”。稳妥的做法是始终用np.atleast_2d或条件判断将axes统一为二维数组来处理fig, axes plt.subplots(1, 2) # 1行2列axes是形状为(1, 2)的数组 axes axes.reshape(-1) # 如果你习惯用一维索引可以展平axes[0], axes[1] # 或者对于单个子图 fig, ax plt.subplots() # 注意这里接收的是ax不是axes # 通用写法 fig, axes plt.subplots(nrows, ncols) if nrows 1 and ncols 1: axes np.array([[axes]]) # 将其包装成二维数组 elif nrows 1 or ncols 1: axes axes.reshape(-1, 1) if ncols 1 else axes.reshape(1, -1)3. 进阶布局技巧应对不规则多图需求实际项目中你很少会总是画规整的网格。比如你可能需要一个占据第一行的大图下面并排两个小图。这时候基础网格就不够用了需要用到更灵活的GridSpec。3.1 使用GridSpec进行复杂网格划分GridSpec允许你定义网格的行列数和每个子图占据的网格区域。它比基础的subplots更底层也更强大。import matplotlib.gridspec as gridspec fig plt.figure(figsize(12, 8)) # 定义一个3行3列的网格 gs gridspec.GridSpec(3, 3, figurefig, hspace0.4, wspace0.3) # 第一个子图占据第0行跨越所有3列 ax1 fig.add_subplot(gs[0, :]) ax1.plot([1, 2, 3], [1, 4, 9], r-o) ax1.set_title(主趋势图 (占据整行)) # 第二个子图占据第1行第0列到第1列前两列 ax2 fig.add_subplot(gs[1, 0:2]) ax2.scatter(np.random.rand(10), np.random.rand(10)) ax2.set_title(散点图分析) # 第三个子图占据第1行和第2行第2列最后一列 ax3 fig.add_subplot(gs[1:, 2]) ax3.bar([A, B, C], [5, 7, 3]) ax3.set_title(柱状图 (跨两行)) # 第四个子图占据第2行第0列到第1列 ax4 fig.add_subplot(gs[2, 0:2]) ax4.hist(np.random.randn(1000), bins30, edgecolorblack) ax4.set_title(分布直方图)GridSpec的切片语法[row_start:row_end, col_start:col_end]非常直观就像对数组切片一样来分配空间。参数hspace和wspace分别控制子图间的高度和宽度间距你可以在这里进行整体微调。3.2 极简场景subplot2grid的快速定位对于不太复杂的布局plt.subplot2grid()函数提供了一种快捷方式。你定义一个网格形状然后指定子图的位置和跨度。plt.figure(figsize(10, 6)) # 定义一个2行3列的网格 # 第一个图从(0,0)开始跨1行跨3列 ax1 plt.subplot2grid((2, 3), (0, 0), colspan3) ax1.plot([0, 1], [0, 1]) ax1.set_title(Title 1) # 第二个图从(1,0)开始跨1行跨1列 ax2 plt.subplot2grid((2, 3), (1, 0)) ax2.plot([0, 1], [1, 0]) # 第三个图从(1,1)开始跨1行跨2列 ax3 plt.subplot2grid((2, 3), (1, 1), colspan2) ax3.plot([0, 1], [0.5, 0.5])这种方法在脚本式编程中很快速但当你需要创建很多子图时管理返回的ax对象会有点麻烦。GridSpec在面向对象的写法中更清晰。4. 让多图真正“专业”起来样式与细节打磨图形画出来了但看起来还是有点“学生作业”的感觉问题通常出在细节上。多图合并时细节的统一和协调比单图更重要。4.1 统一坐标轴与刻度样式当子图是同一类数据的对比时使用相同的坐标轴范围能让比较变得公平、直观。fig, axes plt.subplots(2, 2, figsize(10, 8)) # 假设四个子图都是同一指标在不同场景下的时间序列 common_xlim (0, 100) common_ylim (-10, 10) for i in range(2): for j in range(2): ax axes[i, j] # ... 这里是画图代码 ... ax.set_xlim(common_xlim) ax.set_ylim(common_ylim) # 统一刻度标签字体大小 ax.tick_params(axisboth, whichmajor, labelsize9)一个实用技巧对于共享同一X轴或Y轴的一行或一列子图可以使用sharex或sharey参数让它们自动联动。fig, axes plt.subplots(3, 1, figsize(8, 10), sharexTrue) # 现在这三个上下排列的子图共享X轴。你只需要在最后一个子图上设置X轴标签即可避免重复。 axes[0].plot(...) axes[1].plot(...) axes[2].plot(...) axes[2].set_xlabel(共同的时间轴) # 只在最下面的子图设置X轴标签 # 自动隐藏上面两个子图的X轴刻度标签图表更清爽 plt.setp(axes[0].get_xticklabels(), visibleFalse) plt.setp(axes[1].get_xticklabels(), visibleFalse)4.2 全局标题、图例与布局调整总标题使用fig.suptitle(这是一个多图总标题, fontsize16, y1.02)。y参数可以微调标题的垂直位置防止和子图标题重叠。共享图例如果所有子图的图例含义相同与其在每个子图都放一个不如创建一个全局图例。lines [] # 收集图例句柄 labels [] # 收集图例标签 for ax in axes.flat: line, ax.plot(..., label趋势线) lines.append(line) labels.append(趋势线) # 标签相同 # 只在最后一个子图显示图例或者创建独立的图例 fig.legend(lines, labels, locupper center, bbox_to_anchor(0.5, 0), ncol3) # bbox_to_anchor将图例定位在画布底部中央紧凑布局画完所有子图后务必调用plt.tight_layout()或fig.tight_layout()。这个函数会自动调整子图之间的间距和画布边距解决标签重叠的问题。它是让你的多图排版从“凌乱”到“整洁”最关键的一步。如果自动调整不满意可以使用tight_layout(pad, w_pad, h_pad)参数进行微调。4.3 常见问题排查图形重叠、显示不全与保存问题图形重叠或挤在一起这是没有调用tight_layout()或fig.subplots_adjust()的最常见表现。先尝试plt.tight_layout()。如果还不行手动调整plt.subplots_adjust(left0.1, right0.95, bottom0.1, top0.9, wspace0.3, hspace0.4)left,right,bottom,top控制画布四边的留白比例wspace和hspace控制子图间的宽度和高度间距。从0.3左右开始调整。保存的图片标签被截断当你用plt.savefig(output.png)保存时tight_layout()的计算可能和屏幕显示略有不同。解决方法是在保存前使用bbox_inchestight参数plt.savefig(output.png, dpi300, bbox_inchestight, pad_inches0.1)bbox_inchestight会计算图形内容的紧致边界框并以此保存pad_inches会在边界框外加一点边距。在Jupyter Notebook或IDE中不显示图形确保在开头使用了正确的魔术命令或设置。Jupyter:%matplotlib inline希望交互:%matplotlib notebook或%matplotlib widget脚本中在所有绘图命令后需要调用plt.show()来显示图形窗口。5. 实战案例构建一个完整的数据分析仪表板让我们用一个综合案例把上面的知识点串起来。假设我们要分析一组销售数据需要在一个画布里展示1) 月度销售趋势折线图2) 各品类销售额占比饼图3) 各地区销量分布柱状图4) 价格与销量的关系散点图。import numpy as np import matplotlib.pyplot as plt import matplotlib.gridspec as gridspec # 设置中文字体如果需要 plt.rcParams[font.sans-serif] [SimHei, Microsoft YaHei] # 用来正常显示中文标签 plt.rcParams[axes.unicode_minus] False # 用来正常显示负号 # 1. 创建画布和复杂网格 fig plt.figure(figsize(14, 10)) gs gridspec.GridSpec(3, 4, figurefig, height_ratios[2, 1, 1.5], hspace0.4, wspace0.4) # height_ratios指定三行的高度比例为2:1:1.5让第一行趋势图更高 # 2. 月度销售趋势图 (占据第一行所有列) ax_trend fig.add_subplot(gs[0, :]) months np.arange(1, 13) sales np.array([120, 135, 148, 210, 198, 176, 165, 189, 220, 250, 230, 280]) ax_trend.plot(months, sales, markero, linewidth2, colorsteelblue, label销售额) ax_trend.fill_between(months, sales, alpha0.2, colorsteelblue) # 填充下方区域 ax_trend.set_title(2023年度月度销售趋势, fontsize14, fontweightbold) ax_trend.set_xlabel(月份) ax_trend.set_ylabel(销售额 (万元)) ax_trend.grid(True, linestyle--, alpha0.6) ax_trend.set_xticks(months) ax_trend.legend() # 3. 品类销售额占比饼图 (第二行左侧两列) ax_pie fig.add_subplot(gs[1, 0:2]) categories [电子产品, 服装, 家居, 食品, 图书] category_sales [35, 25, 20, 15, 5] colors [#ff9999, #66b3ff, #99ff99, #ffcc99, #c2c2f0] wedges, texts, autotexts ax_pie.pie(category_sales, labelscategories, colorscolors, autopct%1.1f%%, startangle90) ax_pie.set_title(各品类销售额占比, fontsize13) # 美化饼图文本 for autotext in autotexts: autotext.set_color(white) autotext.set_fontweight(bold) # 4. 地区销量柱状图 (第二行右侧两列) ax_bar fig.add_subplot(gs[1, 2:]) regions [华北, 华东, 华南, 华中, 西部] region_volume [45, 68, 72, 38, 29] bars ax_bar.bar(regions, region_volume, colorlightcoral, edgecolordarkred) ax_bar.set_title(各地区销量分布, fontsize13) ax_bar.set_ylabel(销量 (千件)) ax_bar.grid(True, axisy, linestyle--, alpha0.4) # 在柱子上添加数值标签 for bar in bars: height bar.get_height() ax_bar.text(bar.get_x() bar.get_width()/2., height 1, f{height}, hacenter, vabottom, fontsize10) # 5. 价格-销量散点图 (第三行跨越所有列) ax_scatter fig.add_subplot(gs[2, :]) np.random.seed(42) price np.random.uniform(50, 500, 50) volume 1000 - price * 1.2 np.random.randn(50) * 100 # 模拟负相关关系 scatter ax_scatter.scatter(price, volume, cprice, cmapviridis, s100, alpha0.7, edgecolorsk) ax_scatter.set_title(商品价格与销量关系散点图, fontsize13) ax_scatter.set_xlabel(价格 (元)) ax_scatter.set_ylabel(销量 (件)) ax_scatter.grid(True, linestyle:, alpha0.5) # 添加颜色条 cbar plt.colorbar(scatter, axax_scatter, orientationvertical, pad0.02) cbar.set_label(价格梯度, rotation270, labelpad15) # 添加趋势线 z np.polyfit(price, volume, 1) p np.poly1d(z) ax_scatter.plot(price, p(price), r--, linewidth1.5, labelf趋势线: y{z[0]:.2f}x{z[1]:.2f}) ax_scatter.legend() # 6. 添加全局标题并自动调整布局 fig.suptitle(销售数据分析综合仪表板, fontsize18, fontweightbold, y0.98) plt.tight_layout(rect[0, 0, 1, 0.96]) # rect参数调整tight_layout的生效区域为总标题留空间 plt.show()这个案例几乎用到了我们讨论的所有技巧GridSpec定义非均匀网格、height_ratios调整行高、多种图表类型混合、详细的样式定制颜色、网格、标签、以及最终的tight_layout调整。你可以直接复制这段代码运行看看效果然后根据自己的数据替换其中的数据部分一个专业的分析仪表板就诞生了。多图合并是Matplotlib从“会用”到“用好”的关键一步。它考验的不是多么高深的语法而是你对图形布局的整体构思和对细节的耐心打磨。最开始可能会觉得参数繁琐但一旦你亲手做出几个像样的复合图表并应用到你的报告或项目中那种效率和专业度的提升感会让你觉得这些投入都是值得的。记住核心心法先规划布局subplots或GridSpec再逐个击破子图操作axes对象最后统一美化调整suptitle,tight_layout等。多练几次你就能形成自己的肌肉记忆和审美风格了。
1. 从“画布”到“画廊”理解Matplotlib多图布局的核心逻辑刚接触Python数据可视化的朋友大概率都经历过这个阶段学会了用plt.plot()画一根简单的折线用plt.scatter()撒几个散点成就感满满。但当你需要把趋势图、分布图、对比图放在一起向老板或同事做一次完整的汇报时直接把几个plt.figure()生成的窗口来回切换就显得非常不专业了。这时候你就需要掌握“多图合并显示”这项核心技能。这不仅仅是把几张图物理上拼在一起那么简单。想象一下你是一名策展人手里有几幅画单个图表现在你需要把它们布置在一面墙一个画布上既要考虑每幅画的尺寸和位置又要保证整体布局和谐、标题清晰、间距舒适。Matplotlib的subplot系统就是你手中的布局工具。很多人卡在第一步看到subplot(2, 2, 1)这样的参数就发懵其实它的逻辑非常直观。今天我们就抛开那些晦涩的官方文档句式用最“人话”的方式从根儿上把多图合并这件事掰开揉碎讲清楚让你看完就能在自己的项目里用起来做出既专业又美观的复合图表。2.plt.subplots()你的多图“脚手架”搭建器在Matplotlib中创建多子图主要有两种经典方式一种是略显“复古”的plt.subplot()函数注意是单数另一种是现在更推荐、功能也更强大的plt.subplots()函数复数。我强烈建议你从后者开始学因为它更符合现代Python“显式优于隐式”的编程哲学一次性返回画布和所有子图轴对象管理起来清晰得多。2.1 核心参数拆解nrows,ncols,figsizefig, axes plt.subplots(nrows2, ncols2, figsize(10, 8))这行代码是你的起点。我们拆开看nrows2, ncols2这定义了你的“画廊墙”有多少行、多少列。2, 2就意味着一个2x2的网格总共4个“画框”子图。这个网格是逻辑上的它帮你规划好了位置。figsize(10, 8)这是整个画布Figure的物理尺寸单位是英寸。(10, 8)表示宽10英寸、高8英寸。这里有个关键经验figsize的宽高比会直接影响每个子图的形状。如果你画了4个正方形子图但整体画布是个瘦高条那每个子图都会被压扁。通常你需要根据子图的行列数来调整。比如2x2的网格用(10, 8)比例1.25或(12, 8)比例1.5通常能得到比较舒服的方形子图。返回值fig是最大的画布对象axes是一个NumPy数组如果行列数大于1它按行优先的顺序存储了每个子图对应的“轴”Axes对象。对于2x2网格axes就是一个2行2列的数组你可以通过axes[0, 0]、axes[0, 1]、axes[1, 0]、axes[1, 1]来访问左上、右上、左下、右下四个子图。2.2axes对象的操作像操作数组一样操作你的子图理解了axes是个数组一切就简单了。以前你习惯用plt.plot(x, y)来画图这个plt是“当前活动的轴”。现在你需要指定在哪个“轴”上画。所以画第一个子图的折线图就变成了axes[0, 0].plot(x_data, y_data) axes[0, 0].set_title(第一个子图) axes[0, 0].set_xlabel(X轴) axes[0, 0].set_ylabel(Y轴)其他子图同理。这种方式的优势是你可以用循环来批量处理相似图表代码非常干净。例如如果你有四个不同的数据集要分别绘制成折线图data_list [data1, data2, data3, data4] titles [数据集A, 数据集B, 数据集C, 数据集D] for i in range(2): for j in range(2): ax axes[i, j] data data_list[i*2 j] # 将一维索引映射到二维网格 ax.plot(data[x], data[y]) ax.set_title(titles[i*2 j]) ax.grid(True, linestyle--, alpha0.6) # 给每个子图添加虚线网格一个极易踩的坑当你只有一个子图时例如plt.subplots(1, 1)axes不是一个数组而是一个单独的Axes对象。如果你写了通用的循环代码这里就会报错“Axesobject is not subscriptable”。稳妥的做法是始终用np.atleast_2d或条件判断将axes统一为二维数组来处理fig, axes plt.subplots(1, 2) # 1行2列axes是形状为(1, 2)的数组 axes axes.reshape(-1) # 如果你习惯用一维索引可以展平axes[0], axes[1] # 或者对于单个子图 fig, ax plt.subplots() # 注意这里接收的是ax不是axes # 通用写法 fig, axes plt.subplots(nrows, ncols) if nrows 1 and ncols 1: axes np.array([[axes]]) # 将其包装成二维数组 elif nrows 1 or ncols 1: axes axes.reshape(-1, 1) if ncols 1 else axes.reshape(1, -1)3. 进阶布局技巧应对不规则多图需求实际项目中你很少会总是画规整的网格。比如你可能需要一个占据第一行的大图下面并排两个小图。这时候基础网格就不够用了需要用到更灵活的GridSpec。3.1 使用GridSpec进行复杂网格划分GridSpec允许你定义网格的行列数和每个子图占据的网格区域。它比基础的subplots更底层也更强大。import matplotlib.gridspec as gridspec fig plt.figure(figsize(12, 8)) # 定义一个3行3列的网格 gs gridspec.GridSpec(3, 3, figurefig, hspace0.4, wspace0.3) # 第一个子图占据第0行跨越所有3列 ax1 fig.add_subplot(gs[0, :]) ax1.plot([1, 2, 3], [1, 4, 9], r-o) ax1.set_title(主趋势图 (占据整行)) # 第二个子图占据第1行第0列到第1列前两列 ax2 fig.add_subplot(gs[1, 0:2]) ax2.scatter(np.random.rand(10), np.random.rand(10)) ax2.set_title(散点图分析) # 第三个子图占据第1行和第2行第2列最后一列 ax3 fig.add_subplot(gs[1:, 2]) ax3.bar([A, B, C], [5, 7, 3]) ax3.set_title(柱状图 (跨两行)) # 第四个子图占据第2行第0列到第1列 ax4 fig.add_subplot(gs[2, 0:2]) ax4.hist(np.random.randn(1000), bins30, edgecolorblack) ax4.set_title(分布直方图)GridSpec的切片语法[row_start:row_end, col_start:col_end]非常直观就像对数组切片一样来分配空间。参数hspace和wspace分别控制子图间的高度和宽度间距你可以在这里进行整体微调。3.2 极简场景subplot2grid的快速定位对于不太复杂的布局plt.subplot2grid()函数提供了一种快捷方式。你定义一个网格形状然后指定子图的位置和跨度。plt.figure(figsize(10, 6)) # 定义一个2行3列的网格 # 第一个图从(0,0)开始跨1行跨3列 ax1 plt.subplot2grid((2, 3), (0, 0), colspan3) ax1.plot([0, 1], [0, 1]) ax1.set_title(Title 1) # 第二个图从(1,0)开始跨1行跨1列 ax2 plt.subplot2grid((2, 3), (1, 0)) ax2.plot([0, 1], [1, 0]) # 第三个图从(1,1)开始跨1行跨2列 ax3 plt.subplot2grid((2, 3), (1, 1), colspan2) ax3.plot([0, 1], [0.5, 0.5])这种方法在脚本式编程中很快速但当你需要创建很多子图时管理返回的ax对象会有点麻烦。GridSpec在面向对象的写法中更清晰。4. 让多图真正“专业”起来样式与细节打磨图形画出来了但看起来还是有点“学生作业”的感觉问题通常出在细节上。多图合并时细节的统一和协调比单图更重要。4.1 统一坐标轴与刻度样式当子图是同一类数据的对比时使用相同的坐标轴范围能让比较变得公平、直观。fig, axes plt.subplots(2, 2, figsize(10, 8)) # 假设四个子图都是同一指标在不同场景下的时间序列 common_xlim (0, 100) common_ylim (-10, 10) for i in range(2): for j in range(2): ax axes[i, j] # ... 这里是画图代码 ... ax.set_xlim(common_xlim) ax.set_ylim(common_ylim) # 统一刻度标签字体大小 ax.tick_params(axisboth, whichmajor, labelsize9)一个实用技巧对于共享同一X轴或Y轴的一行或一列子图可以使用sharex或sharey参数让它们自动联动。fig, axes plt.subplots(3, 1, figsize(8, 10), sharexTrue) # 现在这三个上下排列的子图共享X轴。你只需要在最后一个子图上设置X轴标签即可避免重复。 axes[0].plot(...) axes[1].plot(...) axes[2].plot(...) axes[2].set_xlabel(共同的时间轴) # 只在最下面的子图设置X轴标签 # 自动隐藏上面两个子图的X轴刻度标签图表更清爽 plt.setp(axes[0].get_xticklabels(), visibleFalse) plt.setp(axes[1].get_xticklabels(), visibleFalse)4.2 全局标题、图例与布局调整总标题使用fig.suptitle(这是一个多图总标题, fontsize16, y1.02)。y参数可以微调标题的垂直位置防止和子图标题重叠。共享图例如果所有子图的图例含义相同与其在每个子图都放一个不如创建一个全局图例。lines [] # 收集图例句柄 labels [] # 收集图例标签 for ax in axes.flat: line, ax.plot(..., label趋势线) lines.append(line) labels.append(趋势线) # 标签相同 # 只在最后一个子图显示图例或者创建独立的图例 fig.legend(lines, labels, locupper center, bbox_to_anchor(0.5, 0), ncol3) # bbox_to_anchor将图例定位在画布底部中央紧凑布局画完所有子图后务必调用plt.tight_layout()或fig.tight_layout()。这个函数会自动调整子图之间的间距和画布边距解决标签重叠的问题。它是让你的多图排版从“凌乱”到“整洁”最关键的一步。如果自动调整不满意可以使用tight_layout(pad, w_pad, h_pad)参数进行微调。4.3 常见问题排查图形重叠、显示不全与保存问题图形重叠或挤在一起这是没有调用tight_layout()或fig.subplots_adjust()的最常见表现。先尝试plt.tight_layout()。如果还不行手动调整plt.subplots_adjust(left0.1, right0.95, bottom0.1, top0.9, wspace0.3, hspace0.4)left,right,bottom,top控制画布四边的留白比例wspace和hspace控制子图间的宽度和高度间距。从0.3左右开始调整。保存的图片标签被截断当你用plt.savefig(output.png)保存时tight_layout()的计算可能和屏幕显示略有不同。解决方法是在保存前使用bbox_inchestight参数plt.savefig(output.png, dpi300, bbox_inchestight, pad_inches0.1)bbox_inchestight会计算图形内容的紧致边界框并以此保存pad_inches会在边界框外加一点边距。在Jupyter Notebook或IDE中不显示图形确保在开头使用了正确的魔术命令或设置。Jupyter:%matplotlib inline希望交互:%matplotlib notebook或%matplotlib widget脚本中在所有绘图命令后需要调用plt.show()来显示图形窗口。5. 实战案例构建一个完整的数据分析仪表板让我们用一个综合案例把上面的知识点串起来。假设我们要分析一组销售数据需要在一个画布里展示1) 月度销售趋势折线图2) 各品类销售额占比饼图3) 各地区销量分布柱状图4) 价格与销量的关系散点图。import numpy as np import matplotlib.pyplot as plt import matplotlib.gridspec as gridspec # 设置中文字体如果需要 plt.rcParams[font.sans-serif] [SimHei, Microsoft YaHei] # 用来正常显示中文标签 plt.rcParams[axes.unicode_minus] False # 用来正常显示负号 # 1. 创建画布和复杂网格 fig plt.figure(figsize(14, 10)) gs gridspec.GridSpec(3, 4, figurefig, height_ratios[2, 1, 1.5], hspace0.4, wspace0.4) # height_ratios指定三行的高度比例为2:1:1.5让第一行趋势图更高 # 2. 月度销售趋势图 (占据第一行所有列) ax_trend fig.add_subplot(gs[0, :]) months np.arange(1, 13) sales np.array([120, 135, 148, 210, 198, 176, 165, 189, 220, 250, 230, 280]) ax_trend.plot(months, sales, markero, linewidth2, colorsteelblue, label销售额) ax_trend.fill_between(months, sales, alpha0.2, colorsteelblue) # 填充下方区域 ax_trend.set_title(2023年度月度销售趋势, fontsize14, fontweightbold) ax_trend.set_xlabel(月份) ax_trend.set_ylabel(销售额 (万元)) ax_trend.grid(True, linestyle--, alpha0.6) ax_trend.set_xticks(months) ax_trend.legend() # 3. 品类销售额占比饼图 (第二行左侧两列) ax_pie fig.add_subplot(gs[1, 0:2]) categories [电子产品, 服装, 家居, 食品, 图书] category_sales [35, 25, 20, 15, 5] colors [#ff9999, #66b3ff, #99ff99, #ffcc99, #c2c2f0] wedges, texts, autotexts ax_pie.pie(category_sales, labelscategories, colorscolors, autopct%1.1f%%, startangle90) ax_pie.set_title(各品类销售额占比, fontsize13) # 美化饼图文本 for autotext in autotexts: autotext.set_color(white) autotext.set_fontweight(bold) # 4. 地区销量柱状图 (第二行右侧两列) ax_bar fig.add_subplot(gs[1, 2:]) regions [华北, 华东, 华南, 华中, 西部] region_volume [45, 68, 72, 38, 29] bars ax_bar.bar(regions, region_volume, colorlightcoral, edgecolordarkred) ax_bar.set_title(各地区销量分布, fontsize13) ax_bar.set_ylabel(销量 (千件)) ax_bar.grid(True, axisy, linestyle--, alpha0.4) # 在柱子上添加数值标签 for bar in bars: height bar.get_height() ax_bar.text(bar.get_x() bar.get_width()/2., height 1, f{height}, hacenter, vabottom, fontsize10) # 5. 价格-销量散点图 (第三行跨越所有列) ax_scatter fig.add_subplot(gs[2, :]) np.random.seed(42) price np.random.uniform(50, 500, 50) volume 1000 - price * 1.2 np.random.randn(50) * 100 # 模拟负相关关系 scatter ax_scatter.scatter(price, volume, cprice, cmapviridis, s100, alpha0.7, edgecolorsk) ax_scatter.set_title(商品价格与销量关系散点图, fontsize13) ax_scatter.set_xlabel(价格 (元)) ax_scatter.set_ylabel(销量 (件)) ax_scatter.grid(True, linestyle:, alpha0.5) # 添加颜色条 cbar plt.colorbar(scatter, axax_scatter, orientationvertical, pad0.02) cbar.set_label(价格梯度, rotation270, labelpad15) # 添加趋势线 z np.polyfit(price, volume, 1) p np.poly1d(z) ax_scatter.plot(price, p(price), r--, linewidth1.5, labelf趋势线: y{z[0]:.2f}x{z[1]:.2f}) ax_scatter.legend() # 6. 添加全局标题并自动调整布局 fig.suptitle(销售数据分析综合仪表板, fontsize18, fontweightbold, y0.98) plt.tight_layout(rect[0, 0, 1, 0.96]) # rect参数调整tight_layout的生效区域为总标题留空间 plt.show()这个案例几乎用到了我们讨论的所有技巧GridSpec定义非均匀网格、height_ratios调整行高、多种图表类型混合、详细的样式定制颜色、网格、标签、以及最终的tight_layout调整。你可以直接复制这段代码运行看看效果然后根据自己的数据替换其中的数据部分一个专业的分析仪表板就诞生了。多图合并是Matplotlib从“会用”到“用好”的关键一步。它考验的不是多么高深的语法而是你对图形布局的整体构思和对细节的耐心打磨。最开始可能会觉得参数繁琐但一旦你亲手做出几个像样的复合图表并应用到你的报告或项目中那种效率和专业度的提升感会让你觉得这些投入都是值得的。记住核心心法先规划布局subplots或GridSpec再逐个击破子图操作axes对象最后统一美化调整suptitle,tight_layout等。多练几次你就能形成自己的肌肉记忆和审美风格了。
