Python matplotlib subplot绘制多子图布局方法

一、核心层级与绘制多子图的标准流程

初学者在使用 Matplotlib 绘制多图时容易产生困惑，多是因为混淆了 pyplot 的全局状态机模式（如 plt.plot()）与面向对象模式（如 ax.plot()）。理解多子图排版的第一步，是认清两个核心对象：

• Figure（画布）：整个图像的最外层窗口或页面实体，负责统管图像的尺寸、DPI 分辨率、整体背景色以及全局标题。
• Axes（子图坐标系）：真正挂载数据绘图区域的实体，包含独立的 X/Y 轴、数据曲线、网格、图例和坐标刻度。一个 Figure 内部可以容纳任意多个 Axes。

绘制多子图的规范操作步骤包含四个关键节点：初始化网格、定位坐标轴对象、实施绘图配置、以及边距消叠调整。

二、主流推荐：使用 plt.subplots() 绘制规整多子图

对于行数与列数对称的规则矩阵布局，官方最为推荐的函数是 plt.subplots(nrows, ncols, ...)。它的优势在于一次调用即可同时生成 Figure 对象与指定规格的 Axes 数组。

1. 返回值结构与解包技巧

根据行列参数的不同，plt.subplots() 返回的 axs 结构会有所不同：

• 单子图（1, 1）：axs 为单个 AxesSubplot 对象，直接调用如 axs.plot()。
• 单行或单列（1, N 或 N, 1）：axs 为一维 NumPy 数组，通过单下标索引如 axs[0]、axs[1] 访问。
• 多行多列矩阵（M, N）：axs 为二维 NumPy 数组，通过双下标索引如 axs[row, col] 访问。若需要配合 for 循环快速遍历所有子图，可调用 axs.flat 进行扁平化迭代。

2. 完整代码示例：2×2 多子图绘制与共享轴

在比对同类型走势时，开启 sharex=True 或 sharey=True 能让同行或同列子图强制锁定相同的数据标尺，并自动隐藏多余的内侧刻度标签，大幅精简图面。

import matplotlib.pyplot as plt
import numpy as np

# 1. 准备样本数据
x = np.linspace(0, 10, 100)
y1 = np.sin(x)
y2 = np.cos(x)
y3 = np.sin(2 * x)
y4 = np.exp(-x / 3) * np.sin(x)

# 2. 创建 2x2 画布，指定尺寸，并开启 X 轴共享
fig, axs = plt.subplots(nrows=2, ncols=2, figsize=(9, 6), sharex=True)

# 3. 分别针对各个 Axes 进行针对性绘制
# 左上子图
axs[0, 0].plot(x, y1, color="#477DAD", label="sin(x)")
axs[0, 0].set_title("正弦曲线")
axs[0, 0].grid(True, linestyle="--", alpha=0.5)
axs[0, 0].legend(loc="upper right")

# 右上子图
axs[0, 1].plot(x, y2, color="#4F6272", label="cos(x)")
axs[0, 1].set_title("余弦曲线")
axs[0, 1].grid(True, linestyle="--", alpha=0.5)
axs[0, 1].legend(loc="upper right")

# 左下子图
axs[1, 0].plot(x, y3, color="#2563EB", label="sin(2x)")
axs[1, 0].set_title("高频正弦曲线")
axs[1, 0].set_xlabel("时间 (s)")
axs[1, 0].grid(True, linestyle="--", alpha=0.5)
axs[1, 0].legend(loc="upper right")

# 右下子图
axs[1, 1].plot(x, y4, color="#0D9488", label="阻尼振荡")
axs[1, 1].set_title("衰减曲线")
axs[1, 1].set_xlabel("时间 (s)")
axs[1, 1].grid(True, linestyle="--", alpha=0.5)
axs[1, 1].legend(loc="upper right")

# 4. 优化子图边距避免文字交叉重叠
plt.tight_layout()

# 5. 保存或展示
plt.savefig("subplot_matrix.png", dpi=150)
print("绘制完成，已输出图片。")

三、轻量逐个添加：经典 plt.subplot() 方法

plt.subplot() 是 Matplotlib 早期沿袭 MATLAB 风格的命令式绘图接口。它的用法是每次激活一个特定的子图位置，后续所有针对 plt 的绘图指令（如 plt.title、plt.plot）都会隐式作用于该当前激活的子图。

1. 语法参数与三位数简写形式

函数签名为 plt.subplot(nrows, ncols, index)。其中 index 是从 1 开始自左向右、自上而下编号的正整数。

• 如果三个整数均小于 10，支持无逗号紧凑简写。例如 plt.subplot(2, 2, 1) 可以直接简写为 plt.subplot(221)。
• plt.subplot(222) 激活第一行第二列子图；plt.subplot(223) 激活第二行第一列。

import matplotlib.pyplot as plt

plt.figure(figsize=(8, 4))

# 激活第 1 个子图 (1行2列的第1个)
plt.subplot(121)
plt.plot([1, 2, 3], [4, 5, 2], color="#477DAD")
plt.title("子图 A (121)")

# 激活第 2 个子图 (1行2列的第2个)
plt.subplot(122)
plt.bar(["甲", "乙", "丙"], [12, 19, 8], color="#4F6272")
plt.title("子图 B (122)")

plt.tight_layout()
plt.show()

四、非对称与跨行跨列：GridSpec 与 subplot2grid

当设计仪表盘或论文报告配图时，常会遇到“主图尺寸较大占据两行，侧边附带两个小型分布图”这种非对称网格结构。对于不规则跨度的场景，GridSpec 是最强大且底层的控制工具。

1. GridSpec 切片语法原理

GridSpec 先将虚拟画布划分成虚拟网格（如 3 行 3 列），然后利用类似 Python 列表切片（Slice）的语法，将一个子图绑定到多个行和列的交集区域中：

• gs[0:2, 0:2]：占据第 0 至第 1 行（共 2 行），第 0 至第 1 列（共 2 列）。
• gs[0, 2]：仅占据第 0 行第 2 列单个单元格。
• gs[2, :]：占据第 2 行全部列（跨满整行）。

2. 完整代码示例：GridSpec 实战非对称排版

以下代码演示了图 3 所对应的结构，同时为不同行和列分配了不等的宽度比例（width_ratios）和高度比例（height_ratios）。

import matplotlib.pyplot as plt
import numpy as np

# 构造数据
x = np.linspace(0, 10, 200)
noise = np.random.normal(0, 0.2, len(x))
y = np.sin(x) + noise

fig = plt.figure(figsize=(10, 7))

# 定义 3 行 3 列的网格规范，并设置宽度与高度比例
gs = fig.add_gridspec(
    nrows=3, ncols=3,
    width_ratios=[2, 2, 1.2],
    height_ratios=[1.5, 1.5, 1],
    hspace=0.35, wspace=0.3
)

# 1. 主子图：跨 0~1 行与 0~1 列
ax_main = fig.add_subplot(gs[0:2, 0:2])
ax_main.scatter(x, y, color="#477DAD", s=15, alpha=0.6, label="观测点")
ax_main.plot(x, np.sin(x), color="#1E293B", linewidth=2, label="理论真实值")
ax_main.set_title("实验主拟合走势图 (跨 2x2 网格)")
ax_main.legend(loc="upper right")
ax_main.grid(True, alpha=0.3)

# 2. 侧边上方子图：第 0 行第 2 列
ax_side_top = fig.add_subplot(gs[0, 2])
ax_side_top.hist(noise, bins=15, orientation="horizontal", color="#4F6272", edgecolor="white")
ax_side_top.set_title("残差分布直方图")

# 3. 侧边下方子图：第 1 行第 2 列
ax_side_bottom = fig.add_subplot(gs[1, 2])
ax_side_bottom.boxplot(noise, vert=True)
ax_side_bottom.set_title("噪声箱线图")

# 4. 底部通栏子图：跨满第 2 行
ax_bottom = fig.add_subplot(gs[2, :])
ax_bottom.plot(x, noise, color="#E67E22", linewidth=1)
ax_bottom.axhline(0, color="#64748B", linestyle="--")
ax_bottom.set_title("全时段残差序列监控 (跨整行)")
ax_bottom.set_xlabel("时间点 / 样本索引")

plt.show()

五、布局边距与重叠优化策略

在绘制多子图时，最常见的问题是：上方子图的 X 轴标签与下方子图的标题发生挤压碰撞，或者左边子图的 Y 轴标签被遮挡。

1. 自动调整：tight_layout() 与 constrained_layout

• plt.tight_layout()：在所有绘图操作完成后调用，自动测量所有文字与坐标轴的实际像素边界，重新计算并留出合理的边距。
• constrained_layout=True：在初始创建画布时指定，例如 fig, axs = plt.subplots(2, 2, constrained_layout=True)。与 tight_layout() 相比，它在画布尺寸发生缩放时具有更优秀的动态约束求解能力，对于复杂的 GridSpec 或带有额外 Colorbar 的多子图表现更稳定。

2. 精确手工微调：plt.subplots_adjust()

若需要为全局图例（fig.legend）或长标题（fig.suptitle）手动预留空白，可直接使用 subplots_adjust：

# 手动精确调节子图间的水平间距 (wspace) 与垂直间距 (hspace)，以及四周外边距
plt.subplots_adjust(
    left=0.08,    # 左边界占比
    right=0.95,   # 右边界占比
    bottom=0.1,   # 下边界占比
    top=0.90,     # 上边界占比 (为全局标题留白)
    wspace=0.3,   # 子图水平间隔 (相对子图宽度的比例)
    hspace=0.4    # 子图垂直间隔 (相对子图高度的比例)
)

六、方法选型决策与关键避坑总结

方法横向对比