当前位置：极客教程 > Matplotlib > Matplotlib 问答 > Matplotlib中的plt.subplots_adjust：调整子图布局的完整指南

Matplotlib中的plt.subplots_adjust：调整子图布局的完整指南

Matplotlib中的plt.subplots_adjust：调整子图布局的完整指南

参考：plt.subplots_adjust

在数据可视化中，合理布局多个子图对于创建清晰、美观的图表至关重要。Matplotlib库提供了强大的plt.subplots_adjust()函数，使我们能够精确控制子图的位置和间距。本文将深入探讨plt.subplots_adjust()的用法，帮助你掌握这个强大的工具，创建出令人印象深刻的多子图可视化作品。

1. plt.subplots_adjust()的基本概念

plt.subplots_adjust()函数是Matplotlib库中用于调整子图布局的关键工具。它允许我们精细地控制图形中子图的位置和间距，以创建更加美观和信息丰富的可视化效果。

1.1 函数语法

plt.subplots_adjust(left=None, bottom=None, right=None, top=None, wspace=None, hspace=None)

这些参数分别控制图形的不同方面：

  • left：左边界的位置（默认0.125）
  • right：右边界的位置（默认0.9）
  • bottom：底部边界的位置（默认0.1）
  • top：顶部边界的位置（默认0.9）
  • wspace：子图之间的水平间距（默认0.2）
  • hspace：子图之间的垂直间距（默认0.2）

所有参数的值都是相对于整个图形大小的比例，范围在0到1之间。

1.2 基本示例

让我们从一个简单的例子开始，了解plt.subplots_adjust()的基本用法：

import matplotlib.pyplot as plt
import numpy as np

# 创建示例数据
x = np.linspace(0, 10, 100)
y1 = np.sin(x)
y2 = np.cos(x)

# 创建子图
fig, (ax1, ax2) = plt.subplots(2, 1, figsize=(8, 6))

# 绘制数据
ax1.plot(x, y1, label='Sin')
ax1.set_title('Sine Wave - how2matplotlib.com')
ax1.legend()

ax2.plot(x, y2, label='Cos')
ax2.set_title('Cosine Wave - how2matplotlib.com')
ax2.legend()

# 调整子图布局
plt.subplots_adjust(hspace=0.5)

plt.show()

Output:

Matplotlib中的plt.subplots_adjust：调整子图布局的完整指南

在这个例子中，我们创建了两个垂直排列的子图，并使用plt.subplots_adjust(hspace=0.5)增加了它们之间的垂直间距。这样可以使两个子图之间有更清晰的分隔，提高了整体的可读性。

2. 调整子图边距

2.1 左右边距调整

调整左右边距可以控制子图在水平方向上的位置和宽度。这对于为图例、标签或颜色条留出空间特别有用。

import matplotlib.pyplot as plt
import numpy as np

# 创建示例数据
x = np.linspace(0, 10, 100)
y = np.sin(x)

# 创建图形和子图
fig, ax = plt.subplots(figsize=(10, 6))

# 绘制数据
ax.plot(x, y)
ax.set_title('Sine Wave with Adjusted Margins - how2matplotlib.com')

# 调整左右边距
plt.subplots_adjust(left=0.2, right=0.8)

plt.show()

Output:

Matplotlib中的plt.subplots_adjust：调整子图布局的完整指南

在这个例子中，我们将左边距设置为0.2，右边距设置为0.8。这样做会使子图在水平方向上变窄，并在左右两侧留出更多空白空间。这种调整对于添加额外的注释或图例特别有用。

2.2 上下边距调整

调整上下边距可以控制子图在垂直方向上的位置和高度。这对于为标题或x轴标签留出更多空间非常有用。

import matplotlib.pyplot as plt
import numpy as np

# 创建示例数据
x = np.linspace(0, 10, 100)
y = np.cos(x)

# 创建图形和子图
fig, ax = plt.subplots(figsize=(10, 6))

# 绘制数据
ax.plot(x, y)
ax.set_title('Cosine Wave with Adjusted Vertical Margins - how2matplotlib.com', fontsize=16)
ax.set_xlabel('X-axis', fontsize=14)
ax.set_ylabel('Y-axis', fontsize=14)

# 调整上下边距
plt.subplots_adjust(top=0.85, bottom=0.2)

plt.show()

Output:

Matplotlib中的plt.subplots_adjust：调整子图布局的完整指南

在这个例子中，我们将顶部边距设置为0.85，底部边距设置为0.2。这样做会使子图在垂直方向上变短，并在顶部和底部留出更多空间。这种调整对于添加大标题或详细的x轴标签特别有用。

3. 调整子图间距

3.1 水平间距调整

当我们有多个并排的子图时，调整它们之间的水平间距可以改善整体布局。

import matplotlib.pyplot as plt
import numpy as np

# 创建示例数据
x = np.linspace(0, 10, 100)
y1 = np.sin(x)
y2 = np.cos(x)

# 创建子图
fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(12, 5))

# 绘制数据
ax1.plot(x, y1)
ax1.set_title('Sine Wave - how2matplotlib.com')

ax2.plot(x, y2)
ax2.set_title('Cosine Wave - how2matplotlib.com')

# 调整子图水平间距
plt.subplots_adjust(wspace=0.5)

plt.show()

Output:

Matplotlib中的plt.subplots_adjust：调整子图布局的完整指南

在这个例子中，我们创建了两个并排的子图，并使用plt.subplots_adjust(wspace=0.5)增加了它们之间的水平间距。这样可以使两个子图之间有更清晰的分隔，提高了整体的可读性。

3.2 垂直间距调整

当我们有多个垂直排列的子图时，调整它们之间的垂直间距可以改善整体布局。

import matplotlib.pyplot as plt
import numpy as np

# 创建示例数据
x = np.linspace(0, 10, 100)
y1 = np.sin(x)
y2 = np.cos(x)
y3 = np.tan(x)

# 创建子图
fig, (ax1, ax2, ax3) = plt.subplots(3, 1, figsize=(8, 12))

# 绘制数据
ax1.plot(x, y1)
ax1.set_title('Sine Wave - how2matplotlib.com')

ax2.plot(x, y2)
ax2.set_title('Cosine Wave - how2matplotlib.com')

ax3.plot(x, y3)
ax3.set_title('Tangent Wave - how2matplotlib.com')

# 调整子图垂直间距
plt.subplots_adjust(hspace=0.5)

plt.show()

Output:

Matplotlib中的plt.subplots_adjust：调整子图布局的完整指南

在这个例子中，我们创建了三个垂直排列的子图，并使用plt.subplots_adjust(hspace=0.5)增加了它们之间的垂直间距。这样可以使三个子图之间有更清晰的分隔，提高了整体的可读性。

4. 组合调整多个参数

在实际应用中，我们通常需要同时调整多个参数来获得最佳的布局效果。

import matplotlib.pyplot as plt
import numpy as np

# 创建示例数据
x = np.linspace(0, 10, 100)
y1 = np.sin(x)
y2 = np.cos(x)
y3 = np.tan(x)
y4 = np.exp(-x/10)

# 创建子图
fig, ((ax1, ax2), (ax3, ax4)) = plt.subplots(2, 2, figsize=(12, 10))

# 绘制数据
ax1.plot(x, y1)
ax1.set_title('Sine Wave - how2matplotlib.com')

ax2.plot(x, y2)
ax2.set_title('Cosine Wave - how2matplotlib.com')

ax3.plot(x, y3)
ax3.set_title('Tangent Wave - how2matplotlib.com')

ax4.plot(x, y4)
ax4.set_title('Exponential Decay - how2matplotlib.com')

# 组合调整多个参数
plt.subplots_adjust(left=0.1, right=0.95, top=0.95, bottom=0.05, wspace=0.3, hspace=0.3)

plt.show()

Output:

Matplotlib中的plt.subplots_adjust：调整子图布局的完整指南

在这个例子中，我们创建了2×2的子图网格，并同时调整了所有可用的参数。这种综合调整可以让我们精确控制整个图形的布局，使其更加紧凑和美观。

5. 在不同的图形对象上应用subplots_adjust

plt.subplots_adjust()不仅可以应用于当前活动的图形，还可以应用于特定的Figure对象。

import matplotlib.pyplot as plt
import numpy as np

# 创建两个独立的图形
fig1 = plt.figure(figsize=(8, 6))
fig2 = plt.figure(figsize=(8, 6))

# 在fig1上创建子图并绘制数据
ax1 = fig1.add_subplot(111)
x = np.linspace(0, 10, 100)
ax1.plot(x, np.sin(x))
ax1.set_title('Sine Wave on Figure 1 - how2matplotlib.com')

# 在fig2上创建子图并绘制数据
ax2 = fig2.add_subplot(111)
ax2.plot(x, np.cos(x))
ax2.set_title('Cosine Wave on Figure 2 - how2matplotlib.com')

# 分别调整两个图形的布局
fig1.subplots_adjust(left=0.2, right=0.8)
fig2.subplots_adjust(top=0.8, bottom=0.2)

plt.show()

Output:

Matplotlib中的plt.subplots_adjust：调整子图布局的完整指南

在这个例子中，我们创建了两个独立的Figure对象，并分别对它们应用了不同的subplots_adjust设置。这种方法允许我们在同一个程序中为不同的图形设置不同的布局。

6. 动态调整子图布局

有时，我们可能需要根据数据或其他条件动态调整子图布局。以下是一个根据子图数量动态调整布局的例子：

import matplotlib.pyplot as plt
import numpy as np

def create_subplots(n):
    # 创建示例数据
    x = np.linspace(0, 10, 100)

    # 计算行列数
    cols = int(np.ceil(np.sqrt(n)))
    rows = int(np.ceil(n / cols))

    # 创建子图
    fig, axes = plt.subplots(rows, cols, figsize=(4*cols, 4*rows))
    axes = axes.flatten()  # 将axes转换为一维数组

    # 绘制数据
    for i in range(n):
        axes[i].plot(x, np.sin(x + i))
        axes[i].set_title(f'Wave {i+1} - how2matplotlib.com')

    # 隐藏多余的子图
    for i in range(n, len(axes)):
        axes[i].axis('off')

    # 动态调整布局
    plt.subplots_adjust(left=0.1, right=0.9, top=0.9, bottom=0.1, wspace=0.4, hspace=0.4)

    plt.show()

# 测试不同数量的子图
create_subplots(5)

Output:

Matplotlib中的plt.subplots_adjust：调整子图布局的完整指南

这个例子展示了如何根据需要的子图数量动态创建和调整布局。无论我们需要多少个子图，这个函数都能自动计算最佳的行列数，并相应地调整布局。

7. 结合tight_layout()使用

虽然subplots_adjust()提供了精细的控制，但有时我们可能想要一个快速的自动布局解决方案。Matplotlib的tight_layout()函数可以自动调整子图布局以避免重叠。我们可以结合使用这两个函数来获得更好的效果。

import matplotlib.pyplot as plt
import numpy as np

# 创建示例数据
x = np.linspace(0, 10, 100)
y1 = np.sin(x)
y2 = np.cos(x)
y3 = np.tan(x)
y4 = np.exp(-x/10)

# 创建子图
fig, ((ax1, ax2), (ax3, ax4)) = plt.subplots(2, 2, figsize=(12, 10))

# 绘制数据
ax1.plot(x, y1)
ax1.set_title('Sine Wave - how2matplotlib.com')

ax2.plot(x, y2)
ax2.set_title('Cosine Wave - how2matplotlib.com')

ax3.plot(x, y3)
ax3.set_title('Tangent Wave - how2matplotlib.com')

ax4.plot(x, y4)
ax4.set_title('Exponential Decay - how2matplotlib.com')

# 使用tight_layout自动调整布局
plt.tight_layout()

# 微调布局
plt.subplots_adjust(wspace=0.3, hspace=0.3)

plt.show()

Output:

Matplotlib中的plt.subplots_adjust：调整子图布局的完整指南

在这个例子中，我们首先使用tight_layout()自动调整布局，然后使用subplots_adjust()进行微调。这种方法结合了自动布局的便利性和手动调整的精确性。

8. 处理复杂的子图布局

当我们需要创建更复杂的子图布局时，subplots_adjust()可能需要与其他布局工具结合使用。以下是一个创建不规则子图布局的例子：

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

# 创建示例数据
x = np.linspace(0, 10, 100)
y1 = np.sin(x)
y2 = np.cos(x)
y3 = np.tan(x)

# 创建图形
fig = plt.figure(figsize=(12, 8))

# 创建不规则的网格
gs = GridSpec(2, 2)

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

# 绘制数据
ax1.plot(x, y1)
ax1.set_title('Sine Wave - how2matplotlib.com')

ax2.plot(x, y2)
ax2.set_title('Cosine Wave - how2matplotlib.com')

ax3.plot(x, y3)
ax3.set_title('Tangent Wave - how2matplotlib.com')

# 调整布局
plt.subplots_adjust(wspace=0.3, hspace=0.3)

plt.show()

Output:

Matplotlib中的plt.subplots_adjust：调整子图布局的完整指南

在这个例子中，我们使用GridSpec创建了一个不规则的子图布局，其中前两个子图并排放置，第三个子图跨越整个底部。然后我们使用subplots_adjust()微调了子图之间的间距。

9. 在子图中嵌入子图

有时，我们可能需要在一个子图中嵌入另一个子图。这种情况下，subplots_adjust()可以帮助我们调整主子图的布局，而嵌入的子图可以使用其他方法进行定位。

import matplotlib.pyplot as plt
import numpy as np

# 创建示例数据
x = np.linspace(0, 10, 100)
y1 = np.sin(x)
y2 = np.cos(x)

# 创建主图和子图
fig, ax = plt.subplots(figsize=(10, 8))
ax.plot(x, y1)
ax.set_title('Main Plot: Sine Wave - how2matplotlib.com')

# 创建嵌入的子图
inset_ax = ax.inset_axes([0.6, 0.1, 0.3, 0.3])
inset_ax.plot(x, y2)
inset_ax.set_title('Inset: Cosine Wave')

# 调整主图的布局
plt.subplots_adjust(right=0.85)

plt.show()

Output:

Matplotlib中的plt.subplots_adjust：调整子图布局的完整指南

在这个例子中，我们在主图中嵌入了一个小的子图。我们使用subplots_adjust()调整了主图的右边界，为嵌入的子图留出了空间。

10. 处理具有共享轴的子图

当我们有多个共享x轴或y轴的子图时，subplots_adjust()可以帮助我们调整它们之间的间距，以获得更好的视觉效果。

import matplotlib.pyplot as plt
import numpy as np

# 创建示例数据
x = np.linspace(0, 10, 100)
y1 = np.sin(x)
y2 = np.cos(x)
y3 = np.tan(x)

# 创建共享x轴的子图
fig, (ax1, ax2, ax3) = plt.subplots(3, 1, sharex=True, figsize=(10, 12))

# 绘制数据
ax1.plot(x, y1)
ax1.set_title('Sine Wave - how2matplotlib.com')

ax2.plot(x, y2)
ax2.set_title('Cosine Wave - how2matplotlib.com')

ax3.plot(x, y3)
ax3.set_title('Tangent Wave - how2matplotlib.com')

# 调整子图间距
plt.subplots_adjust(hspace=0.3)

plt.show()

Output:

Matplotlib中的plt.subplots_adjust：调整子图布局的完整指南

在这个例子中，我们创建了三个共享x轴的垂直排列的子图。通过调整hspace参数，我们可以控制这些子图之间的垂直间距，使得整体布局更加紧凑和美观。

11. 结合constrained_layout使用

Matplotlib还提供了constrained_layout选项，它可以自动调整子图布局以避免重叠。我们可以结合使用constrained_layout和subplots_adjust()来获得更精细的控制。

import matplotlib.pyplot as plt
import numpy as np

# 创建示例数据
x = np.linspace(0, 10, 100)
y1 = np.sin(x)
y2 = np.cos(x)

# 创建使用constrained_layout的图形
fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(12, 5), constrained_layout=True)

# 绘制数据
ax1.plot(x, y1)
ax1.set_title('Sine Wave - how2matplotlib.com')

ax2.plot(x, y2)
ax2.set_title('Cosine Wave - how2matplotlib.com')

# 微调布局
plt.subplots_adjust(wspace=0.4)

plt.show()

Output:

Matplotlib中的plt.subplots_adjust：调整子图布局的完整指南

在这个例子中，我们首先使用constrained_layout=True创建图形，这会自动调整子图布局。然后，我们使用subplots_adjust()微调水平间距。这种方法结合了自动布局的便利性和手动调整的精确性。

12. 处理具有不同大小的子图

有时，我们可能需要创建具有不同大小的子图。在这种情况下，subplots_adjust()可以帮助我们微调整体布局。

import matplotlib.pyplot as plt
import numpy as np

# 创建示例数据
x = np.linspace(0, 10, 100)
y1 = np.sin(x)
y2 = np.cos(x)
y3 = np.tan(x)

# 创建具有不同大小的子图
fig = plt.figure(figsize=(12, 8))
ax1 = plt.subplot2grid((3, 3), (0, 0), colspan=2, rowspan=2)
ax2 = plt.subplot2grid((3, 3), (0, 2), rowspan=3)
ax3 = plt.subplot2grid((3, 3), (2, 0), colspan=2)

# 绘制数据
ax1.plot(x, y1)
ax1.set_title('Sine Wave - how2matplotlib.com')

ax2.plot(x, y2)
ax2.set_title('Cosine Wave - how2matplotlib.com')

ax3.plot(x, y3)
ax3.set_title('Tangent Wave - how2matplotlib.com')

# 调整布局
plt.subplots_adjust(wspace=0.3, hspace=0.3)

plt.show()

Output:

Matplotlib中的plt.subplots_adjust：调整子图布局的完整指南

在这个例子中，我们使用subplot2grid创建了三个不同大小的子图。然后，我们使用subplots_adjust()微调了子图之间的间距，以获得更好的整体布局。

13. 在动画中使用subplots_adjust

当创建动画时，我们可能需要在动画的不同帧之间调整子图布局。以下是一个简单的例子，展示了如何在动画中使用subplots_adjust()：

import matplotlib.pyplot as plt
import numpy as np
from matplotlib.animation import FuncAnimation

# 创建示例数据
x = np.linspace(0, 10, 100)

# 创建图形和子图
fig, (ax1, ax2) = plt.subplots(2, 1, figsize=(8, 8))

# 初始化线条
line1, = ax1.plot([], [])
line2, = ax2.plot([], [])

# 设置坐标轴范围
ax1.set_xlim(0, 10)
ax1.set_ylim(-1, 1)
ax2.set_xlim(0, 10)
ax2.set_ylim(-1, 1)

# 设置标题
ax1.set_title('Sine Wave - how2matplotlib.com')
ax2.set_title('Cosine Wave - how2matplotlib.com')

# 定义动画函数
def animate(i):
    y1 = np.sin(x + i/10)
    y2 = np.cos(x + i/10)

    line1.set_data(x, y1)
    line2.set_data(x, y2)

    # 动态调整子图间距
    plt.subplots_adjust(hspace=0.2 + 0.1 * np.sin(i/10))

    return line1, line2

# 创建动画
anim = FuncAnimation(fig, animate, frames=100, interval=50, blit=True)

plt.show()

Output:

Matplotlib中的plt.subplots_adjust：调整子图布局的完整指南

在这个例子中，我们创建了一个简单的动画，显示正弦波和余弦波。在动画的每一帧，我们都使用subplots_adjust()动态调整子图之间的垂直间距。这展示了如何在动态场景中使用subplots_adjust()。

14. 处理具有颜色条的子图

当我们的子图包含颜色条时，可能需要额外的空间来容纳它们。subplots_adjust()可以帮助我们为颜色条腾出空间。

import matplotlib.pyplot as plt
import numpy as np

# 创建示例数据
x = np.linspace(-5, 5, 100)
y = np.linspace(-5, 5, 100)
X, Y = np.meshgrid(x, y)
Z1 = np.sin(np.sqrt(X**2 + Y**2))
Z2 = np.cos(np.sqrt(X**2 + Y**2))

# 创建子图
fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(12, 5))

# 绘制数据
im1 = ax1.imshow(Z1, extent=[-5, 5, -5, 5], origin='lower', cmap='viridis')
ax1.set_title('Sine Wave - how2matplotlib.com')
fig.colorbar(im1, ax=ax1)

im2 = ax2.imshow(Z2, extent=[-5, 5, -5, 5], origin='lower', cmap='plasma')
ax2.set_title('Cosine Wave - how2matplotlib.com')
fig.colorbar(im2, ax=ax2)

# 调整布局
plt.subplots_adjust(wspace=0.4, right=0.9)

plt.show()

Output:

Matplotlib中的plt.subplots_adjust：调整子图布局的完整指南

在这个例子中，我们创建了两个包含颜色图的子图，每个子图都有自己的颜色条。通过调整wspace和right参数，我们为颜色条腾出了足够的空间，同时保持了子图之间的适当间距。

15. 结合GridSpec和subplots_adjust

对于更复杂的布局，我们可以结合使用GridSpec和subplots_adjust()来获得精确的控制。

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

# 创建示例数据
x = np.linspace(0, 10, 100)
y1 = np.sin(x)
y2 = np.cos(x)
y3 = np.tan(x)
y4 = np.exp(-x/10)

# 创建图形
fig = plt.figure(figsize=(12, 8))

# 创建GridSpec
gs = GridSpec(3, 3, figure=fig)

# 创建子图
ax1 = fig.add_subplot(gs[0, :2])
ax2 = fig.add_subplot(gs[1, :2])
ax3 = fig.add_subplot(gs[2, :2])
ax4 = fig.add_subplot(gs[:, 2])

# 绘制数据
ax1.plot(x, y1)
ax1.set_title('Sine Wave - how2matplotlib.com')

ax2.plot(x, y2)
ax2.set_title('Cosine Wave - how2matplotlib.com')

ax3.plot(x, y3)
ax3.set_title('Tangent Wave - how2matplotlib.com')

ax4.plot(x, y4)
ax4.set_title('Exponential Decay - how2matplotlib.com')

# 调整布局
plt.subplots_adjust(wspace=0.3, hspace=0.3, right=0.9)

plt.show()

Output:

Matplotlib中的plt.subplots_adjust：调整子图布局的完整指南

在这个例子中，我们使用GridSpec创建了一个复杂的布局，其中三个子图垂直排列在左侧，一个子图占据整个右侧。然后，我们使用subplots_adjust()微调了子图之间的间距和整体布局。

结论

plt.subplots_adjust()是Matplotlib中一个强大而灵活的工具，它允许我们精确控制图形中子图的布局。通过调整左、右、上、下边距以及子图之间的水平和垂直间距，我们可以创建出既美观又信息丰富的可视化效果。

在本文中，我们探讨了subplots_adjust()的各种用法，从基本的边距调整到复杂的多子图布局。我们还看到了如何将它与其他Matplotlib工具（如tight_layout()、constrained_layout和GridSpec）结合使用，以应对更复杂的布局需求。

掌握subplots_adjust()的使用可以大大提高你的数据可视化能力，让你能够创建出专业、清晰的图表。无论是简单的双子图布局，还是复杂的多子图组合，subplots_adjust()都能帮助你实现理想的效果。

在实际应用中，创建完美的子图布局通常需要反复试验和微调。不同的数据集、标签长度、图例大小等因素都可能影响最终的布局效果。因此，建议在使用subplots_adjust()时，采用迭代的方法，逐步调整参数直到达到满意的效果。

此外，还要注意以下几点：

  1. 在调整布局时，要考虑到不同显示设备和输出格式（如打印）的需求。有时可能需要为不同的输出目标创建略有不同的布局版本。

  2. 对于复杂的布局，考虑使用GridSpec或constrained_layout等高级工具，它们可以提供更多的灵活性和自动化程度。

  3. 在创建交互式图表或动画时，可以动态调用subplots_adjust()来实现布局的实时变化。

  4. 对于需要频繁重用的特定布局，考虑创建一个自定义函数来封装subplots_adjust()的调用，这可以提高代码的可读性和可维护性。

  5. 在处理大量子图时，可能需要权衡between布局精度和代码执行时间。在这种情况下，可以考虑使用tight_layout()作为初始布局，然后只对关键参数进行微调。

总之，plt.subplots_adjust()是Matplotlib中不可或缺的布局工具。通过本文的学习和实践，你应该能够熟练运用这个函数来创建各种复杂的图表布局。记住，优秀的数据可视化不仅仅是展示数据，还要以一种清晰、美观且易于理解的方式呈现信息。掌握subplots_adjust()将帮助你在这个目标上更进一步。

Python教程

Python 教程

Python 教程
Tkinter 教程

Tkinter 教程
Pandas 教程

Pandas 教程
NumPy 教程

NumPy 教程
Flask 教程

Flask 教程
Django 教程

Django 教程
PySpark 教程

PySpark 教程
wxPython 教程

wxPython 教程
SymPy 教程

SymPy 教程
Seaborn 教程

Seaborn 教程
SciPy 教程

SciPy 教程
RxPY 教程

RxPY 教程
Pycharm 教程

Pycharm 教程
Pygame 教程

Pygame 教程
PyGTK 教程

PyGTK 教程
PyQt 教程

PyQt 教程
PyQt5 教程

PyQt5 教程
PyTorch 教程

PyTorch 教程
Matplotlib 教程

Matplotlib 教程
Web2py 教程

Web2py 教程
BeautifulSoup 教程

BeautifulSoup 教程

Java教程

Java 教程

Java 教程

Web教程

HTML 教程

HTML 教程
CSS 教程

CSS 教程
CSS3 教程

CSS3 教程
jQuery 教程

jQuery 教程
Ajax 教程

Ajax 教程
AngularJS 教程

AngularJS 教程
TypeScript 教程

TypeScript 教程
WordPress 教程

WordPress 教程
Laravel 教程

Laravel 教程
Next.js 教程

Next.js 教程
PhantomJS 教程

PhantomJS 教程
Three.js 教程

Three.js 教程
Underscore.JS 教程

Underscore.JS 教程
WebGL 教程

WebGL 教程
WebRTC 教程

WebRTC 教程
VueJS 教程

VueJS 教程

数据库教程

SQL 教程

SQL 教程
MySQL 教程

MySQL 教程
MongoDB 教程

MongoDB 教程
PostgreSQL 教程

PostgreSQL 教程
SQLite 教程

SQLite 教程
Redis 教程

Redis 教程
MariaDB 教程

MariaDB 教程

图形图像教程

Vulkan 教程

Vulkan 教程
OpenCV 教程

OpenCV 教程

大数据教程

R语言 教程

R语言 教程

开发工具教程

Git 教程

Git 教程
VSCode 教程

VSCode 教程
Docker 教程

Docker 教程
Gerrit 教程

Gerrit 教程
Excel 教程

Excel 教程

计算机教程

Go语言 教程

Go语言 教程
C++ 教程

C++ 教程

Matplotlib 精品教程