Python | 使用Matplotlib生成子图的示例

数据可视化在分析和解释数据的过程中起着举足轻重的作用。Python中的Matplotlib库提供了一个强大的工具包，用于制作各种图表和图表。一个突出的功能是它能够在单个图中生成子图，为以组织良好和结构化的方式呈现数据提供了有价值的工具。使用子图可以同时显示多个图，有助于改进基础数据的全面视觉表示。

使用Python的Matplotlib生成子图

有几种方法可以使用Python的Matplotlib生成子图。在这里，我们将探索一些常用的方法来使用Python的Matplotlib创建子图。

• 使用Line Plot的多个子图
• 使用Bar Plot的多个子图
• 使用Pie Plot的多个子图
• 自定义子图组合

使用Line Plot的多个子图

在本例中，代码利用Matplotlib生成一个2×2网格的线图，每个线图都基于示例数据描绘一个数学函数（正弦、余弦、正切和指数）。子图是使用plt.subplots函数创建和自定义的，每个子图都标有标题、线条颜色和图例。在调整布局以获得子图之间的最佳间距后，使用plt.show显示生成的可视化。

import matplotlib.pyplot as plt import numpy as np # Example data x = np.linspace(0, 10, 100) y1 = np.sin(x) y2 = np.cos(x) y3 = np.tan(x) y4 = np.exp(-x) # Creating Multiple Subplots for Line Plots fig, axes = plt.subplots(nrows=2, ncols=2, figsize=(10, 8)) # Line Plot 1 axes[0, 0].plot(x, y1, label='sin(x)', color='blue') axes[0, 0].set_title('Line Plot 1') axes[0, 0].legend() # Line Plot 2 axes[0, 1].plot(x, y2, label='cos(x)', color='orange') axes[0, 1].set_title('Line Plot 2') axes[0, 1].legend() # Line Plot 3 axes[1, 0].plot(x, y3, label='tan(x)', color='green') axes[1, 0].set_title('Line Plot 3') axes[1, 0].legend() # Line Plot 4 axes[1, 1].plot(x, y4, label='exp(-x)', color='red') axes[1, 1].set_title('Line Plot 4') axes[1, 1].legend() # Adjusting layout plt.tight_layout() # Show the plots plt.show() 

使用Bar Plot的多个子图

在这个例子中，Python代码利用Matplotlib生成一个2×2的子图网格，每个子图都包含一个条形图。示例数据由四个类别（A、B、C、D）和四个集合的对应值组成。子图函数用于创建子图网格，然后为每组值生成单独的条形图。生成的可视化显示了条形图1到条形图4中各类别值的分布，每个子图都有自定义的颜色和标题。为了清晰起见，布局进行了调整，合并的子图集使用plt.show（）显示。

import matplotlib.pyplot as plt import numpy as np # Example data for bar plots categories = ['A', 'B', 'C', 'D'] values1 = [3, 7, 1, 5] values2 = [5, 2, 8, 4] values3 = [2, 6, 3, 9] values4 = [8, 4, 6, 2] # Creating Multiple Subplots for Bar Plots fig, axes = plt.subplots(nrows=2, ncols=2, figsize=(10, 8)) # Bar Plot 1 axes[0, 0].bar(categories, values1, color='blue') axes[0, 0].set_title('Bar Plot 1') # Bar Plot 2 axes[0, 1].bar(categories, values2, color='orange') axes[0, 1].set_title('Bar Plot 2') # Bar Plot 3 axes[1, 0].bar(categories, values3, color='green') axes[1, 0].set_title('Bar Plot 3') # Bar Plot 4 axes[1, 1].bar(categories, values4, color='red') axes[1, 1].set_title('Bar Plot 4') # Adjusting layout plt.tight_layout() # Show the plots plt.show() 

使用Pie Plot的多个子图

在这个例子中，Python代码使用Matplotlib创建了一个2×2的饼图网格。每个图表都表示不同的分类数据，并具有指定的标签、大小和颜色。plt.subplots函数生成子图网格，然后使用pie函数用饼图填充每个子图。该代码调整布局的间距，并显示饼图的可视化表示。

import matplotlib.pyplot as plt # Example data for pie charts labels1 = ['Category 1', 'Category 2', 'Category 3'] sizes1 = [30, 40, 30] labels2 = ['Section A', 'Section B', 'Section C'] sizes2 = [20, 50, 30] labels3 = ['Apple', 'Banana', 'Orange', 'Grapes'] sizes3 = [25, 30, 20, 25] labels4 = ['Red', 'Green', 'Blue'] sizes4 = [40, 30, 30] # Creating Multiple Subplots for Pie Charts fig, axes = plt.subplots(nrows=2, ncols=2, figsize=(10, 8)) # Pie Chart 1 axes[0, 0].pie(sizes1, labels=labels1, autopct='%1.1f%%', colors=['red', 'yellow', 'green']) axes[0, 0].set_title('Pie Chart 1') # Pie Chart 2 axes[0, 1].pie(sizes2, labels=labels2, autopct='%1.1f%%', colors=['blue', 'orange', 'purple']) axes[0, 1].set_title('Pie Chart 2') # Pie Chart 3 axes[1, 0].pie(sizes3, labels=labels3, autopct='%1.1f%%', colors=['orange', 'yellow', 'green', 'purple']) axes[1, 0].set_title('Pie Chart 3') # Pie Chart 4 axes[1, 1].pie(sizes4, labels=labels4, autopct='%1.1f%%', colors=['red', 'green', 'blue']) axes[1, 1].set_title('Pie Chart 4') # Adjusting layout plt.tight_layout() # Show the plots plt.show() 

自定义子图组合

在这个例子中，Python代码使用Matplotlib生成一个具有2×3子图网格的图。示例数据包括正弦和余弦线图、条形图、饼图以及二次和指数函数的自定义图。每个子图都使用标题、标签和图例进行自定义。该代码展示了如何在单个图中创建子图的视觉多样性布局，展示了Matplotlib对各种图类型的多功能性。

import matplotlib.pyplot as plt import numpy as np # Example data x = np.linspace(0, 10, 100) y1 = np.sin(x) y2 = np.cos(x) # Example data for bar plots categories = ['A', 'B', 'C', 'D'] values = [3, 7, 1, 5] # Example data for pie chart labels = ['Category 1', 'Category 2', 'Category 3'] sizes = [30, 40, 30] # Example data for custom layout x_custom = np.linspace(0, 5, 50) y3 = x_custom**2 y4 = np.exp(x_custom) # Creating Multiple Subplots fig, axes = plt.subplots(nrows=2, ncols=3, figsize=(15, 8)) # Creating Multiple Subplots of Line Plots axes[0, 0].plot(x, y1, label='sin(x)', color='blue') axes[0, 0].set_title('Line Plot 1') axes[0, 0].legend() axes[0, 1].plot(x, y2, label='cos(x)', color='orange') axes[0, 1].set_title('Line Plot 2') axes[0, 1].legend() # Creating Multiple Subplots of Bar Plots axes[0, 2].bar(categories, values, color='green') axes[0, 2].set_title('Bar Plot') # Creating Multiple Subplots of Pie Charts axes[1, 0].pie(sizes, labels=labels, autopct='%1.1f%%', colors=['red', 'yellow', 'green']) axes[1, 0].set_title('Pie Chart') # Creating a custom Multiple Subplots axes[1, 1].plot(x_custom, y3, label='x^2', color='purple') axes[1, 1].set_title('Custom Plot 1') axes[1, 1].legend() axes[1, 2].plot(x_custom, y4, label='e^x', color='brown') axes[1, 2].set_title('Custom Plot 2') axes[1, 2].legend() # Adjusting layout plt.tight_layout() # Show the plots plt.show() 

总结

Matplotlib的子图提供的灵活性允许在单个图中同时呈现多个图，增强了显示信息的清晰度和一致性。无论是组织折线图、条形图、饼图还是自定义图，理解子图网格、轴对象和“子图”功能的概念都是必不可少的。