个人中心
gpt4 book ai didi

【matplotlib基础】--子图

转载 作者：我是一只小鸟 更新时间：2023-09-02 00:04:54 27 4
gpt4 key购买 nike

使用 Matplotlib 对分析结果可视化时，比较各类分析结果是常见的场景。 在这类场景之下，将多个分析结果绘制在一张图上，可以帮助用户方便地组合和分析多个数据集，提高数据可视化的效率和准确性.

本篇介绍 Matplotlib 绘制子图的常用方式和技巧.

1. 添加子图的方式

添加子图主要有两种方式， 一种是函数式风格：（也就是上一篇 画布 中介绍的方式） 。

                        
                          import numpy as np

import matplotlib
import matplotlib.pyplot as plt

%matplotlib inline

x = np.array(range(0, 8))

fig = plt.figure(figsize=[6,4])
fig.add_subplot(211) # 2行1列的第一个
y = np.random.randint(1, 100, 8)
plt.plot(x, y)

fig.add_subplot(212) # 2行1列的第二个
y = np.random.randint(1, 100, 8)
plt.plot(x, y)

image.png

另一种是面向对象风格：（使用 Axes 对象） 。

                        
                          x = np.array(range(0, 8))

fig, ax = plt.subplots(1, 2)  # 设置子图1行2列
y = np.random.randint(1, 100, 8)
ax[0].plot(x, y)

y = np.random.randint(1, 100, 8)
ax[1].plot(x, y)

image.png

上面设置好子图的布局之后，添加子图的顺序是从上到下，从左到右.

2. 子图的布局

子图的布局是按照行列设置的，设置之后，相应的位置可以添加子图.

                        
                          x = np.array(range(0, 8))
rows, cols = 2, 2  # 2行2列，4个子图
fig, ax = plt.subplots(rows, cols)

for i in range(rows):
    for j in range(cols):
        y = np.random.randint(1, 100, 8)
        ax[i, j].plot(x, y) # i，j定位子图的位置

子图按照网格布局时，我们看到上面4个子图的 Y轴刻度 不一样，这样不利于比较.

                        
                          x = np.array(range(0, 8))
rows, cols = 2, 2  # 2行2列，4个子图
fig, ax = plt.subplots(rows, cols, sharey='all')

for i in range(rows):
    for j in range(cols):
        y = np.random.randint(1, 100, 8)
        ax[i, j].plot(x, y) # i，j定位子图的位置

设置 sharey='all' 之后， Y轴刻度 保持一致，这样比较曲线才有意义。 上面的示例中 X轴刻度 是一致的，如果不一致，可以用 sharex 属性来设置.

3. 复杂的布局

3.1. 不规则的网格

除了规则的网格布局，还可以通过 GridSpec 设置不规则的网格。 比如:

                        
                          rows, cols = 3, 3
grid = plt.GridSpec(rows, cols)

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

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

plt.subplot(grid[2, :])

上例中设置了 3行3列 的网格，但是不是每个图形占用几个网格是可以调整的.

3.2. 嵌套图形

除了网格，还可以通过相对定位的方式来绘制多个子图.

                        
                          fig = plt.figure()

fig.add_axes([0.1, 0.1, 1, 1])
fig.add_axes([0.3, 0.3, 0.3, 0.3])
fig.add_axes([0.7, 0.6, 0.3, 0.2])

上面按相对位置添加子图的函数 add_axes 的参数是一个 4元列表 。 这个列表 4个元素 的含义:

  1. 第一个元素表示 子图左下角 距离 画布左边 的距离占画布总 宽度 的比例
  2. 第二个元素表示 子图左下角 距离 画布底边 的距离占画布总 高度 的比例
  3. 第三个元素表示 子图宽度 占画布总 宽度 的比例
  4. 第三个元素表示 子图高度 占画布总 高度 的比例

注意 ，这里的4个值都是 比例 .

4. 总结回顾

Matplotlib 中的每个子图可以有自己的标签、大小、位置和样式，可以方便地组合成一个复杂的图形。 我们一般在下列场景中使用子图:

  1. 数据可视化：将多个数据集在同一张图中显示，进行对比和分析。
  2. 图表组合：将多个图表组合在一起，形成一个综合性的图形。
  3. 数据分析：将多个数据集在同一张图中显示，进行筛选和筛选。
  4. 可视化规范化：将多个来源不同的数据集在同一张图中显示，保证图形的一致性和准确性。

最后此篇关于【matplotlib基础】--子图的文章就讲到这里了,如果你想了解更多关于【matplotlib基础】--子图的内容请搜索CFSDN的文章或继续浏览相关文章，希望大家以后支持我的博客！ 。

27 4 0
文章推荐： Esxi8更换Nvme硬盘后如何迁移Esxi主机和虚拟机到新硬盘
文章推荐： 深入探讨进程间通信的重要性：理解不同的通信机制（下）
文章推荐： C++算法之旅、04基础篇|第一章
文章推荐： 准备HarmonyOS开发环境
我是一只小鸟
个人简介

我是一名优秀的程序员,十分优秀！

滴滴打车优惠券免费领取
滴滴打车优惠券
全站热门文章
Copyright 2021 - 2024 cfsdn All Rights Reserved 蜀ICP备2022000587号
广告合作:1813099741@qq.com 6ren.com