Matplotlib中如何调整包含子图的图形大小|极客教程

Matplotlib中如何调整包含子图的图形大小

参考：How to Change the Figure Size with Subplots in Matplotlib

Matplotlib是Python中最流行的数据可视化库之一，它提供了强大而灵活的绘图功能。在使用Matplotlib创建复杂的可视化时，我们经常需要在一个图形中包含多个子图。同时，调整整个图形的大小以及子图的布局也是常见的需求。本文将详细介绍如何在Matplotlib中更改包含子图的图形大小，并提供多个实用的示例代码。

1. 理解Matplotlib中的图形和子图

在深入探讨如何调整图形大小之前，我们需要先了解Matplotlib中的图形（Figure）和子图（Subplot）的概念。

1.1 图形（Figure）

图形是Matplotlib中最顶层的容器，它包含了所有的绘图元素。可以将图形想象成一个画布，我们在这个画布上绘制各种图表。

1.2 子图（Subplot）

子图是图形中的一个绘图区域。一个图形可以包含一个或多个子图，每个子图可以绘制不同的图表。

1.3 示例：创建一个包含子图的基本图形

让我们从一个简单的例子开始，创建一个包含两个子图的图形：

import matplotlib.pyplot as plt
import numpy as np

# 创建一个包含两个子图的图形
fig, (ax1, ax2) = plt.subplots(1, 2)

# 在第一个子图中绘制正弦曲线
x = np.linspace(0, 10, 100)
ax1.plot(x, np.sin(x))
ax1.set_title('Sine Curve - how2matplotlib.com')

# 在第二个子图中绘制余弦曲线
ax2.plot(x, np.cos(x))
ax2.set_title('Cosine Curve - how2matplotlib.com')

plt.show()

Output:

Matplotlib中如何调整包含子图的图形大小

在这个例子中，我们创建了一个包含两个并排的子图的图形。plt.subplots(1, 2)创建了一个1行2列的子图布局。

2. 调整图形大小的基本方法

调整图形大小的最直接方法是在创建图形时指定尺寸。

2.1 使用figsize参数

figsize参数允许我们在创建图形时指定其大小。它接受一个元组，表示图形的宽度和高度（以英寸为单位）。

import matplotlib.pyplot as plt
import numpy as np

# 创建一个10英寸宽、5英寸高的图形
fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(10, 5))

x = np.linspace(0, 10, 100)
ax1.plot(x, np.sin(x))
ax1.set_title('Sine Curve - how2matplotlib.com')

ax2.plot(x, np.cos(x))
ax2.set_title('Cosine Curve - how2matplotlib.com')

plt.show()

Output:

Matplotlib中如何调整包含子图的图形大小

在这个例子中，我们创建了一个10英寸宽、5英寸高的图形。这个大小适合于并排显示两个子图。

2.2 使用plt.figure()

另一种方法是先创建一个指定大小的图形，然后再添加子图：

import matplotlib.pyplot as plt
import numpy as np

# 创建一个12英寸宽、6英寸高的图形
fig = plt.figure(figsize=(12, 6))

# 添加子图
ax1 = fig.add_subplot(121)  # 1行2列的第1个子图
ax2 = fig.add_subplot(122)  # 1行2列的第2个子图

x = np.linspace(0, 10, 100)
ax1.plot(x, np.sin(x))
ax1.set_title('Sine Curve - how2matplotlib.com')

ax2.plot(x, np.cos(x))
ax2.set_title('Cosine Curve - how2matplotlib.com')

plt.show()

Output:

Matplotlib中如何调整包含子图的图形大小

这种方法给了我们更多的灵活性，因为我们可以精确控制每个子图的位置和大小。

3. 调整子图布局

当我们调整图形大小时，可能还需要调整子图的布局以确保它们能够正确显示。

3.1 使用tight_layout()

tight_layout()函数可以自动调整子图的位置，以避免重叠并充分利用图形空间：

import matplotlib.pyplot as plt
import numpy as np

fig, (ax1, ax2, ax3) = plt.subplots(3, 1, figsize=(8, 10))

x = np.linspace(0, 10, 100)
ax1.plot(x, np.sin(x))
ax1.set_title('Sine Curve - how2matplotlib.com')

ax2.plot(x, np.cos(x))
ax2.set_title('Cosine Curve - how2matplotlib.com')

ax3.plot(x, np.tan(x))
ax3.set_title('Tangent Curve - how2matplotlib.com')

plt.tight_layout()
plt.show()

Output:

Matplotlib中如何调整包含子图的图形大小

在这个例子中，我们创建了三个垂直排列的子图。使用tight_layout()可以确保子图之间有适当的间距，并且标题不会重叠。

3.2 使用subplots_adjust()

如果你需要更精细地控制子图的布局，可以使用subplots_adjust()函数：

import matplotlib.pyplot as plt
import numpy as np

fig, (ax1, ax2) = plt.subplots(2, 1, figsize=(8, 8))

x = np.linspace(0, 10, 100)
ax1.plot(x, np.sin(x))
ax1.set_title('Sine Curve - how2matplotlib.com')

ax2.plot(x, np.cos(x))
ax2.set_title('Cosine Curve - how2matplotlib.com')

plt.subplots_adjust(hspace=0.4)  # 增加子图之间的垂直间距
plt.show()

Output:

Matplotlib中如何调整包含子图的图形大小

subplots_adjust()允许你调整左、右、顶部、底部的边距，以及子图之间的水平和垂直间距。

4. 不同布局的子图大小调整

有时，我们可能需要创建不同布局的子图，比如一个大的主图和几个小的辅助图。

4.1 使用gridspec

gridspec模块提供了更灵活的子图布局控制：

import matplotlib.pyplot as plt
import matplotlib.gridspec as gridspec
import numpy as np

fig = plt.figure(figsize=(12, 8))
gs = gridspec.GridSpec(2, 2)

ax1 = fig.add_subplot(gs[0, 0])
ax2 = fig.add_subplot(gs[0, 1])
ax3 = fig.add_subplot(gs[1, :])

x = np.linspace(0, 10, 100)
ax1.plot(x, np.sin(x))
ax1.set_title('Sine - how2matplotlib.com')

ax2.plot(x, np.cos(x))
ax2.set_title('Cosine - how2matplotlib.com')

ax3.plot(x, np.tan(x))
ax3.set_title('Tangent - how2matplotlib.com')

plt.tight_layout()
plt.show()

Output:

Matplotlib中如何调整包含子图的图形大小

在这个例子中，我们创建了一个2×2的网格，其中前两个子图占据上半部分，第三个子图占据整个下半部分。

4.2 不同大小的子图

我们还可以创建不同大小的子图：

import matplotlib.pyplot as plt
import numpy as np

fig = plt.figure(figsize=(12, 8))

# 主图
ax1 = plt.subplot2grid((3, 3), (0, 0), colspan=2, rowspan=2)
# 右侧小图
ax2 = plt.subplot2grid((3, 3), (0, 2), rowspan=2)
# 底部小图
ax3 = plt.subplot2grid((3, 3), (2, 0), colspan=3)

x = np.linspace(0, 10, 100)
ax1.plot(x, np.sin(x))
ax1.set_title('Main Plot - how2matplotlib.com')

ax2.plot(x, np.cos(x))
ax2.set_title('Side Plot - how2matplotlib.com')

ax3.plot(x, np.tan(x))
ax3.set_title('Bottom Plot - how2matplotlib.com')

plt.tight_layout()
plt.show()

Output:

Matplotlib中如何调整包含子图的图形大小

这个例子创建了一个大的主图和两个小的辅助图，展示了如何在一个图形中组合不同大小的子图。

5. 动态调整图形大小

有时，我们可能需要根据数据或其他条件动态调整图形大小。

5.1 根据子图数量调整大小

import matplotlib.pyplot as plt
import numpy as np

def create_subplots(n):
    # 计算行数和列数
    cols = int(np.ceil(np.sqrt(n)))
    rows = int(np.ceil(n / cols))

    # 根据子图数量调整图形大小
    fig_width = 4 * cols
    fig_height = 3 * rows

    fig, axes = plt.subplots(rows, cols, figsize=(fig_width, fig_height))
    axes = axes.flatten()  # 将axes转换为一维数组

    x = np.linspace(0, 10, 100)
    for i, ax in enumerate(axes):
        if i < n:
            ax.plot(x, np.sin(x + i))
            ax.set_title(f'Plot {i+1} - how2matplotlib.com')
        else:
            ax.axis('off')  # 隐藏多余的子图

    plt.tight_layout()
    plt.show()

# 创建5个子图
create_subplots(5)

这个函数可以根据指定的子图数量自动计算合适的图形大小和布局。

5.2 根据数据范围调整大小

import matplotlib.pyplot as plt
import numpy as np

def plot_with_dynamic_size(x, y):
    # 计算数据范围
    x_range = np.ptp(x)
    y_range = np.ptp(y)

    # 根据数据范围调整图形大小
    fig_width = 6 + x_range / 10
    fig_height = 4 + y_range / 10

    fig, ax = plt.subplots(figsize=(fig_width, fig_height))
    ax.plot(x, y)
    ax.set_title('Dynamic Size Plot - how2matplotlib.com')

    plt.tight_layout()
    plt.show()

# 示例数据
x = np.linspace(0, 20, 100)
y = np.sin(x) * x

plot_with_dynamic_size(x, y)

这个函数根据数据的范围动态调整图形的大小，使得数据范围较大的图形会有更大的显示空间。

6. 保存高质量图形

调整图形大小不仅影响屏幕上的显示，还会影响保存图形时的质量。

6.1 设置DPI

DPI（每英寸点数）决定了保存图形时的分辨率。更高的DPI会产生更高质量的图像：

import matplotlib.pyplot as plt
import numpy as np

fig, ax = plt.subplots(figsize=(8, 6))

x = np.linspace(0, 10, 100)
ax.plot(x, np.sin(x))
ax.set_title('High Quality Plot - how2matplotlib.com')

plt.savefig('high_quality_plot.png', dpi=300)
plt.show()

Output:

Matplotlib中如何调整包含子图的图形大小

这个例子将图形保存为300 DPI的PNG文件，这通常足够用于打印或出版。

6.2 矢量格式

对于需要无损放大的图形，可以考虑保存为矢量格式，如PDF或SVG：

import matplotlib.pyplot as plt
import numpy as np

fig, ax = plt.subplots(figsize=(8, 6))

x = np.linspace(0, 10, 100)
ax.plot(x, np.sin(x))
ax.set_title('Vector Format Plot - how2matplotlib.com')

plt.savefig('vector_plot.pdf')  # 保存为PDF
plt.savefig('vector_plot.svg')  # 保存为SVG
plt.show()

Output:

Matplotlib中如何调整包含子图的图形大小

矢量格式的图形可以任意缩放而不失真，非常适合用于学术论文或专业出版物。

7. 处理大量子图

当需要创建大量子图时，管理图形大小和布局可能会变得复杂。

7.1 使用循环创建子图

import matplotlib.pyplot as plt
import numpy as np

def create_many_subplots(n):
    cols = int(np.ceil(np.sqrt(n)))
    rows = int(np.ceil(n / cols))

    fig_width = 3 * cols
    fig_height = 2 * rows

    fig, axes = plt.subplots(rows, cols, figsize=(fig_width, fig_height))
    axes = axes.flatten()

    x = np.linspace(0, 10, 100)
    for i, ax in enumerate(axes):
        if i < n:
            ax.plot(x, np.sin(x + i))
            ax.set_title(f'Plot {i+1} - how2matplotlib.com')
            ax.set_xticks([])  # 移除x轴刻度
            ax.set_yticks([])  # 移除y轴刻度
        else:
            ax.axis('off')

    plt.tight_layout()
    plt.show()

# 创建16个子图
create_many_subplots(16)

这个函数可以创建任意数量的子图，并自动调整图形大小和布局。

7.2 使用GridSpec创建不规则布局

当需要创建不规则布局的大量子图时，GridSpec是一个非常有用的工具：

import matplotlib.pyplot as plt
import matplotlib.gridspec as gridspec
import numpy as np

def create_irregular_subplots():
    fig = plt.figure(figsize=(12, 8))
    gs = gridspec.GridSpec(3, 4)

    # 创建一个大的子图和多个小的子图
    ax1 = fig.add_subplot(gs[0:2, 0:2])
    ax2 = fig.add_subplot(gs[0, 2])
    ax3 = fig.add_subplot(gs[0, 3])
    ax4 = fig.add_subplot(gs[1, 2:])
    ax5 = fig.add_subplot(gs[2, :2])
    ax6 = fig.add_subplot(gs[2, 2:])

    axes = [ax1, ax2, ax3, ax4, ax5, ax6]
    x = np.linspace(0, 10, 100)

    for i, ax in enumerate(axes):
        ax.plot(x, np.sin(x + i))
        ax.set_title(f'Plot {i+1} - how2matplotlib.com')

    plt.tight_layout()
    plt.show()

create_irregular_subplots()

这个例子展示了如何使用GridSpec创建不同大小和位置的子图，适合于需要强调某些特定图表的情况。

8. 响应式图形大小

在某些情况下，我们可能希望图形大小能够根据显示设备或窗口大小自动调整。虽然Matplotlib本身不直接支持响应式设计，但我们可以结合一些技巧来实现类似的效果。

8.1 使用百分比设置图形大小

我们可以使用屏幕分辨率的百分比来设置图形大小：

import matplotlib.pyplot as plt
import numpy as np
from screeninfo import get_monitors

def create_responsive_plot():
    # 获取主显示器的分辨率
    monitor = get_monitors()[0]
    dpi = plt.rcParams['figure.dpi']

    # 设置图形大小为屏幕宽度的50%和高度的60%
    width = monitor.width / dpi * 0.5
    height = monitor.height / dpi * 0.6

    fig, ax = plt.subplots(figsize=(width, height))

    x = np.linspace(0, 10, 100)
    ax.plot(x, np.sin(x))
    ax.set_title('Responsive Plot - how2matplotlib.com')

    plt.show()

create_responsive_plot()

注意：这个例子需要安装screeninfo库（可以通过pip install screeninfo安装）。

8.2 动态调整子图数量

我们还可以根据屏幕大小动态调整子图的数量和布局：

import matplotlib.pyplot as plt
import numpy as np
from screeninfo import get_monitors

def create_dynamic_subplots():
    monitor = get_monitors()[0]
    dpi = plt.rcParams['figure.dpi']

    # 根据屏幕大小决定子图数量
    width = monitor.width / dpi
    height = monitor.height / dpi

    if width * height > 100:  # 大屏幕
        rows, cols = 3, 4
    elif width * height > 50:  # 中等屏幕
        rows, cols = 2, 3
    else:  # 小屏幕
        rows, cols = 2, 2

    fig, axes = plt.subplots(rows, cols, figsize=(width * 0.8, height * 0.8))
    axes = axes.flatten()

    x = np.linspace(0, 10, 100)
    for i, ax in enumerate(axes):
        ax.plot(x, np.sin(x + i))
        ax.set_title(f'Plot {i+1} - how2matplotlib.com')

    plt.tight_layout()
    plt.show()

create_dynamic_subplots()

这个函数会根据屏幕大小自动调整子图的数量和布局，以确保在不同大小的显示器上都能得到良好的显示效果。

9. 处理长宽比

在调整图形大小时，保持适当的长宽比对于图表的可读性和美观性很重要。

9.1 固定长宽比

有时我们需要保持固定的长宽比，无论图形大小如何变化：

import matplotlib.pyplot as plt
import numpy as np

def plot_with_fixed_aspect_ratio():
    fig, ax = plt.subplots(figsize=(8, 6))

    x = np.linspace(0, 10, 100)
    y = np.sin(x)
    ax.plot(x, y)

    ax.set_aspect('equal')  # 设置纵横比为1:1
    ax.set_title('Fixed Aspect Ratio Plot - how2matplotlib.com')

    plt.tight_layout()
    plt.show()

plot_with_fixed_aspect_ratio()

ax.set_aspect('equal')确保x轴和y轴的比例相同，这在绘制某些类型的图表（如散点图）时特别有用。

9.2 根据数据调整长宽比

我们还可以根据数据的范围自动调整长宽比：

import matplotlib.pyplot as plt
import numpy as np

def plot_with_data_driven_aspect_ratio():
    x = np.linspace(0, 10, 100)
    y = np.sin(x) * 5

    x_range = np.ptp(x)
    y_range = np.ptp(y)
    aspect_ratio = y_range / x_range

    fig_width = 8
    fig_height = fig_width * aspect_ratio

    fig, ax = plt.subplots(figsize=(fig_width, fig_height))
    ax.plot(x, y)
    ax.set_title('Data-Driven Aspect Ratio - how2matplotlib.com')

    plt.tight_layout()
    plt.show()

plot_with_data_driven_aspect_ratio()

这个函数根据数据的x和y范围计算合适的长宽比，确保图表能够最佳地展示数据的变化。

10. 高级技巧和注意事项

在处理复杂的图形和子图布局时，还有一些高级技巧和注意事项需要考虑。

10.1 使用constrained_layout

constrained_layout是一个比tight_layout更强大的自动布局调整工具：

import matplotlib.pyplot as plt
import numpy as np

def plot_with_constrained_layout():
    fig, axes = plt.subplots(2, 2, figsize=(10, 8), constrained_layout=True)
    axes = axes.flatten()

    x = np.linspace(0, 10, 100)
    for i, ax in enumerate(axes):
        ax.plot(x, np.sin(x + i))
        ax.set_title(f'Plot {i+1} - how2matplotlib.com', fontsize=12)
        ax.set_xlabel('X axis', fontsize=10)
        ax.set_ylabel('Y axis', fontsize=10)

    fig.suptitle('Constrained Layout Example', fontsize=16)
    plt.show()

plot_with_constrained_layout()

constrained_layout=True可以更好地处理子图之间的间距，以及标题和轴标签的位置。

10.2 处理colorbar

当添加colorbar时，需要特别注意图形大小的调整：

import matplotlib.pyplot as plt
import numpy as np

def plot_with_colorbar():
    fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(12, 5))

    # 第一个子图：带colorbar的热图
    data = np.random.rand(10, 10)
    im = ax1.imshow(data)
    fig.colorbar(im, ax=ax1)
    ax1.set_title('Heatmap with Colorbar - how2matplotlib.com')

    # 第二个子图：普通线图
    x = np.linspace(0, 10, 100)
    ax2.plot(x, np.sin(x))
    ax2.set_title('Line Plot - how2matplotlib.com')

    plt.tight_layout()
    plt.show()

plot_with_colorbar()

在这个例子中，我们需要为colorbar留出额外的空间，因此图形的宽度比通常情况下要大一些。

10.3 处理大量文本和标签

当图表包含大量文本或长标签时，可能需要额外的调整：

import matplotlib.pyplot as plt
import numpy as np

def plot_with_long_labels():
    fig, ax = plt.subplots(figsize=(10, 6))

    categories = ['Category A with long name', 'Category B with longer name', 
                  'Category C with even longer name', 'Category D with the longest name']
    values = np.random.rand(4)

    ax.bar(categories, values)
    ax.set_title('Bar Chart with Long Labels - how2matplotlib.com')
    ax.set_xlabel('Categories')
    ax.set_ylabel('Values')

    plt.xticks(rotation=45, ha='right')
    plt.tight_layout()
    plt.show()

plot_with_long_labels()