8.11 多个子图

原文：Multiple Subplots

译者：飞龙

协议：CC BY-NC-SA 4.0

本节是《Python 数据科学手册》（Python Data Science Handbook）的摘录。

有时，并排比较不同的数据视图会很有帮助。为此，Matplotlib 具备子图的概念：可以在单个图形中一起存在的较小轴域分组。这些子图可能是插图，绘图网格或者其余更复杂的布局。在本节中，我们将讨论在 Matplotlib 中创立子图的四个例程。

%matplotlib inlineimport matplotlib.pyplot as pltplt.style.use('seaborn-white')import numpy as np

plt.axes：手动创立子图

创立轴域的最基本方法是使用plt.axes函数。正如我们之前看到的，默认情况下，这会创立一个填充整个图形的标准轴域对象。plt.axes也有一个可选参数，它是图坐标系中四个数字的列表。这些数字代表图形坐标系中的“左，底，宽，高”``，其范围从图的左下角的 0 到图的右上角的 1。

例如，我们可以通过将x和y位置设置为 0.65（也就是说，从图形宽度的 65% 和高度的 65% 开始），x和y范围为 0.2（即轴域的大小是图形宽度的 20% 和高度的 20%），在另一个轴域的右上角创立一个插入的轴域：

ax1 = plt.axes()  # 标准轴域ax2 = plt.axes([0.65, 0.65, 0.2, 0.2])

在面向对象的接口中，这个命令的等价物是fig.add_axes()。 让我们用它来创立两个垂直堆叠的轴：

fig = plt.figure()ax1 = fig.add_axes([0.1, 0.5, 0.8, 0.4],                   xticklabels=[], ylim=(-1.2, 1.2))ax2 = fig.add_axes([0.1, 0.1, 0.8, 0.4],                   ylim=(-1.2, 1.2))x = np.linspace(0, 10)ax1.plot(np.sin(x))ax2.plot(np.cos(x));

我们现在有两个刚刚接触的轴域（顶部没有刻度标签）：上面板的底部（位置为 0.5）匹配下面板的顶部（位置为 0.1 + 0.4）。

plt.subplot：子图的简单网格

子图的对齐的列或者行是一个常见的需求，Matplotlib 有几个便利例程，使它们易于创立。其中最低级别是plt.subplot()，它在网格中创立一个子图。如你所见，此命令接受三个整数参数 - 行数，列数和要在此图案中创立的绘图的索引，从左上角到右下角：

for i in range(1, 7):    plt.subplot(2, 3, i)    plt.text(0.5, 0.5, str((2, 3, i)),             fontsize=18, ha='center')

命令plt.subplots_adjust可用于调整这些图之间的间距。下面的代码使用等效的面向对象命令fig.add_subplot()：

fig = plt.figure()fig.subplots_adjust(hspace=0.4, wspace=0.4)for i in range(1, 7):    ax = fig.add_subplot(2, 3, i)    ax.text(0.5, 0.5, str((2, 3, i)),           fontsize=18, ha='center')

我们使用了plt.subplots_adjust的hspace和wspace参数，它们沿图的高度和宽度指定间距，以子图大小为单位（这里，间距是子图宽度和高度的 40%。

plt.subplots：一次创立整个网格

在创立大型子图网格时，刚才形容的方法会变得相当繁琐，特别是假如你想在内部绘图上隐藏x轴和y轴标签。为此，plt.subplots()是更容易使用的工具（注意subplots末尾的s）。 该函数不创立单个子图，而是在一行中创立完整的子图网格，并在 NumPy 数组中返回它们。参数是行数和列数，以及可选关键字sharex和sharey，它们允许你指定不同轴之间的关系。

在这里，我们将创立2x3子图的网格，其中同一行中的所有轴域共享其y轴刻度，并且同一列中的所有轴域共享其x轴刻度：

fig, ax = plt.subplots(2, 3, sharex='col', sharey='row')

请注意，通过指定sharex和sharey，我们会自动删除网格上的内部标签，来使绘图更清晰。生成的轴域网格实例在 NumPy 数组中返回，允许使用标准数组索引表示法，方便地指定所需的轴域：

# ax 是二维数组，由 [row, col] 索引for i in range(2):    for j in range(3):        ax[i, j].text(0.5, 0.5, str((i, j)),                      fontsize=18, ha='center')fig

与plt.subplot()相比，plt.subplots()与 Python 传统的基于 0 的索引更加一致。

plt.GridSpec：更加复杂的排列

为了超越常规网格，转向跨越多行和列的子图，plt.GridSpec()是最好的工具。
plt.GridSpec()对象本身不会创立一个图；它只是一个方便的接口，可以通过plt.subplot()命令识别。例如，具备指定宽度和高度间距的，两行和三列网格的gridspec如下所示：

grid = plt.GridSpec(2, 3, wspace=0.4, hspace=0.3)

从这里我们可以使用熟习的 Python 切片语法来指定子图位置和范围：

plt.subplot(grid[0, 0])plt.subplot(grid[0, 1:])plt.subplot(grid[1, :2])plt.subplot(grid[1, 2]);

这种类型的灵活网格对齐具备广泛的用途。我最经常在创立多轴域直方图时使用它，如下图所示：

# 创立少量正态分布的数据mean = [0, 0]cov = [[1, 1], [1, 2]]x, y = np.random.multivariate_normal(mean, cov, 3000).T# 使用 gridspec 建立轴域fig = plt.figure(figsize=(6, 6))grid = plt.GridSpec(4, 4, hspace=0.2, wspace=0.2)main_ax = fig.add_subplot(grid[:-1, 1:])y_hist = fig.add_subplot(grid[:-1, 0], xticklabels=[], sharey=main_ax)x_hist = fig.add_subplot(grid[-1, 1:], yticklabels=[], sharex=main_ax)# 主要轴域上的散点图main_ax.plot(x, y, 'ok', markersize=3, alpha=0.2)# 附加轴域上的直方图x_hist.hist(x, 40, histtype='stepfilled',            orientation='vertical', color='gray')x_hist.invert_yaxis()y_hist.hist(y, 40, histtype='stepfilled',            orientation='horizontal', color='gray')y_hist.invert_xaxis()

这种类型的分布与其外边距一起绘制，这是很常见的，它在 Seaborn 包中有自己的绘图 API; 详细信息请参阅“使用 Seaborn 进行可视化”。