Matplotlib的子图与颜色映射.docxVIP

Matplotlib的子图与颜色映射

在数据可视化的世界里，Matplotlib是Python生态中最基础也最强大的工具之一。它的魅力在于能够将抽象的数字转化为直观的图形，但要让图形既“好看”又“好用”，离不开两个核心技巧——子图与颜色映射。子图是组织多幅图形的“骨架”，帮我们把不同视角的数据结果有序排列；颜色映射则是传递信息的“颜料”，用色彩的变化替代冰冷的数值，让数据的差异与规律一目了然。当这两个技巧结合时，我们能创造出更具逻辑性、更有说服力的可视化作品——比如用子图展示同一变量的时间演变，用统一的颜色映射关联不同子图的数值含义，让读者在对比中快速抓住数据的核心故事。本文将从基础到进阶，系统讲解Matplotlib子图与颜色映射的使用方法、协同技巧，以及常见问题的解决策略。

一、子图：构建多图布局的核心工具

子图（Subplot）是Matplotlib中用来在同一画布（Figure）上绘制多幅独立图形的功能。它的本质是将画布分割成网格，每个网格对应一个“子坐标轴”（Axes），我们可以在每个Axes上绘制不同的图形（如线图、散点图、热力图）。理解子图的关键，是掌握如何“分割画布”与“控制每个子图的位置”。

（一）子图的基本概念与创建方法

要创建子图，最常用的两个函数是plt.subplot()与plt.subplots()，它们的区别在于：plt.subplot()更适合逐个创建子图，而plt.subplots()则会一次性生成整个子图网格，返回画布对象（Figure）与子坐标轴数组（AxesArray）。

plt.subplot()：逐个创建子图

plt.subplot()的参数格式为plt.subplot(行数,列数,子图索引)。例如，plt.subplot(2,2,1)表示将画布分成2行2列的网格，选中第1个位置（左上角）的子图。需要注意的是，子图索引从左上角开始，按“行优先”顺序排列——第1行从左到右是1、2，第2行是3、4。

举个例子：如果我们想在2x2的网格中绘制四个图形（线图、散点图、柱状图、饼图），可以这样写：

首先用plt.subplot(2,2,1)选中第一个子图，用plt.plot()画一条正弦曲线；

然后用plt.subplot(2,2,2)选中第二个子图，用plt.scatter()画一组随机散点；

接着用plt.subplot(2,2,3)选中第三个子图，用plt.bar()画柱状图；

最后用plt.subplot(2,2,4)选中第四个子图，用plt.pie()画饼图。

这种方法的优点是灵活，适合临时添加子图；但缺点是当子图数量较多时，代码会显得繁琐，且容易忘记“切换”子图位置。

plt.subplots()：批量生成子图网格

plt.subplots()是更推荐的方法，它会一次性创建整个子图网格，并返回两个对象：一个是包含所有子图的画布（fig），另一个是按行排列的子坐标轴数组（axs）。例如，fig,axs=plt.subplots(2,2)会生成一个2行2列的子图网格，axs是一个2x2的数组，axs[0,0]对应左上角子图，axs[0,1]对应右上角，axs[1,0]对应左下角，axs[1,1]对应右下角。

用plt.subplots()绘制四个图形的代码会更简洁：

先创建网格：fig,axs=plt.subplots(2,2,figsize=(10,8))（figsize设置画布大小为10英寸宽、8英寸高）；

然后在每个axs对象上调用绘图方法：axs[0,0].plot(x,np.sin(x))（左上角子图画正弦曲线），axs[0,1].scatter(x,y)（右上角画散点），axs[1,0].bar(categories,values)（左下角画柱状图），axs[1,1].pie(sizes)（右下角画饼图）。

这里的关键是用axs数组直接操作子图——每个ax对象都有独立的plot()、set_title()、set_xlabel()等方法，比plt全局函数更灵活，尤其适合批量处理子图（比如用循环给所有子图加标题）。

（二）子图的布局调整：从基础到复杂

默认的子图布局往往不够完美——比如子图之间的间距太小导致标签重叠，或者需要更复杂的布局（如“一行一个大子图，下一行三个小子图”）。这时候需要用到布局调整工具，常见的有tight_layout()、subplots_adjust()与GridSpec。

自动调整：tight_layout()

tight_layout()是最简单的调整方法，它会自动计算子图之间的合理间距，避免标签、标题互相遮挡。使用方法很简单：在绘制完所有子图后，调用plt.tight_layout()或fig.tight_lay