Matplotlib 子图嵌套子图绘制方法详解

4. 代码示例：数据坐标定位

当需要精确对齐数据点时，可使用数据坐标系。

import matplotlib.pyplot as plt

fig = plt.figure(figsize=(10, 5))
ax = fig.add_subplot(111)
ax.plot([1, 2, 3, 4, 5], [1, 4, 9, 16, 25])
ax.set_xlim(0, 6)
ax.set_ylim(0, 30)

# 使用数据坐标定义范围：[x_min, y_min, width, height]
axes_rect = [2, 5, 2, 10]
ax_inset = ax.inset_axes(axes_rect, transform=ax.transData)
ax_inset.plot([2, 3, 4], [4, 9, 16], color='blue')
ax_inset.set_title('Zoomed Region')

plt.show()

二、add_axes 方法（Figure 级别）

1. 原理与限制

add_axes 是 Figure 对象的方法，直接在画布上添加一个新的 axes 对象。它不受现有子图的限制，可以覆盖在其他图形元素之上，适合构建完全自定义的复杂布局。

注意： 该方法必须在 figure 对象上调用，不能在 axes 对象上调用。

2. 参数说明

调用 fig.add_axes([left, bottom, width, height]) 时：

• 所有数值均为相对于整个 Figure 的比例值（0~1）。
• left: 左下角横坐标占比
• bottom: 左下角纵坐标占比
• width: 宽度占比
• height: 高度占比

3. 代码示例

import matplotlib.pyplot as plt

fig = plt.figure(figsize=(5, 5))

# 在 figure 上绘制基础内容
fig.text(0.5, 0.5, 'Background Content', ha='center', va='center')

# 添加一个嵌套 axes
# 位置：距离左边 20%，底部 60%，宽 35%，高 20%
axes1 = fig.add_axes([0.20, 0.60, 0.35, 0.2])
axes1.plot([1, 2, 3], [1, 2, 3])
axes1.set_title('Custom Position')

plt.show()

三、方法对比与选择建议

选择建议：

1. 如果需要在某个特定子图内做局部放大，优先使用 inset_axes。
2. 如果需要跨越多个子图进行标注，或者布局不遵循标准网格，使用 add_axes。
3. 若需精确控制数据点对齐，务必配合 transform=ax.transData 使用。

四、常见问题与优化技巧

1. 边框与背景色调整

嵌套子图默认可能带有白色背景，可通过设置 facecolor 属性使其透明或与背景融合。

ax_inset.patch.set_facecolor('none') # 去除背景色
ax_inset.spines['bottom'].set_visible(False) # 隐藏底部边框

2. 刻度标签冲突

嵌套子图可能会产生重复的刻度标签。建议在嵌套子图中关闭不必要的刻度显示，保持界面整洁。

ax_inset.tick_params(labelbottom=False, labelleft=False)

3. 连接指示线

为了清晰展示嵌套区域与原图的关系，可以使用 ConnectionPatch 绘制连接线。

from matplotlib.patches import ConnectionPatch

conn = ConnectionPatch(xyA=(2, 4), coordsA='data', xyB=(0.5, 0.5), coordsB='axes fraction',
                        axesA=ax, axesB=ax_inset, color='gray', linestyle='--')
fig.add_artist(conn)

五、总结

Matplotlib 提供了灵活的嵌套绘图能力，inset_axes 和 add_axes 分别满足了不同层级的布局需求。理解两者的坐标系统和调用对象是正确使用的前提。通过合理组合这两种方法，配合样式定制，可以构建出专业且信息密度高的可视化图表，满足学术论文及工程报告的高标准要求。