三、Matplotlib库与数据可视化
Matplotlib库与数据可视化
（一）Matplotlib库
1. 简介
Matplotlib是一个基于Python的绘图库，它提供了一套和MATLAB相似的命令API， 广泛应用于科学计算、数据分析、机器学习等领域，便于用户快速上手。
其特点为：
- 易于上手：Matplotlib的API设计简洁，绘图流程清晰，初学者可以快速掌握。
- 高度可定制：Matplotlib提供了丰富的绘图参数，用户可以根据需求调整图形样式、颜色、字体等。
- 支持多种数据源：Matplotlib可以处理多种数据格式，如列表、数组、Pandas 数据框等。
- 跨平台：Matplotlib支持Windows、Linux和macOS等多个操作系统。
我们使用Matplotlib库时，更多的使用的是Matplotlib库下的pyplot模块， pyplot 模块包含了大量的绘图函数，这些函数能够快速地创建各种类型的图表，包括线图、散点图、条形图、饼图等，并且Matplotlib库在绘制图像时，可以很好的与 Numpy 库进行结合使用。
注意：在实际使用的过程中，通常将
matplotlib.pyplot缩写为plt。
2. 安装
Matplotlib库是一个第三方库，因此在使用时需要我们提前安装，安装的命令是：
pip install matplotlib
（二）线图
1. 普通图像
在Matplotlib库中，绘制线图所用的函数为plot函数，函数原型为：
plt.plot(x, y, fmt, **kwargs)
x: 这个参数是数据点的x轴坐标，可以是一个列表或者数组。如果x没有被指定，那么它默认为range(len(y))。
y: 这个参数是数据点的 y 轴坐标，同样可以是一个列表或者数组。
fmt: 这是一个可选的字符串参数，用于定义图形的颜色和样式。它由以下部分组成：
颜色：例如 ‘r’ 代表红色，‘g’ 代表绿色等。标记：例如 ‘o’ 代表圆圈，‘s’ 代表正方形等。线型：例如 ‘-’ 代表实线，‘--’ 代表虚线，‘:’代表点等。
**kwargs: 这是可选的关键字参数，用于进一步自定义图形的属性。常用的关键字参数包括：
label: 图例的标签。linewidth或lw: 线宽。color或c: 线的颜色。marker: 标记样式，如 ‘o’，‘s’ 等。markersize或ms: 标记的大小。markeredgecolor: 标记边缘的颜色。markeredgewidth: 标记边缘的宽度。markerfacecolor: 标记内部的颜色。alpha: 透明度。
| 字符 | 类型 | 字符 | 类型 |
|---|---|---|---|
| - | 实线型 | v | 下三角型 |
| -- | 虚线型 | < | 上三角型 |
| . | 虚点线型 | > | 右三角型 |
| : | 点型 | 1 | 下三叉型 |
| , | 句号型 | 2 | 上三叉型 |
| _ | 横线 | 3 | 左三叉型 |
| o | 圆点型 | 4 | 右三叉型 |
| s | 正方型 | * | 星型 |
| p | 五角型 | H | 六边形2 |
| h | 六边形1 | H | 六边形2 |
| + | 加号型 | x | 乘号型 |
| D | 菱形 | d | 瘦菱形 |
# plot函数 -- 绘制线图
# plt.plot(x, y, fmt, **kwargs)
import matplotlib.pyplot as plt
plt.plot([0, 5],[2, 3]) # 绘制一条从(0,2)到(5,3)的直线
plt.show() # 显示图像
2. 正弦图像
# 正弦图像
import numpy as np
import matplotlib.pyplot as plt
# 计算曲线上的点的x和y坐标
x = np.arange(0, 3 * np.pi, 0.1)
y = np.sin(x) # 计算y = sin(x)
# 使用Matplotlib绘制点，并添加fmt和kwargs属性
plt.plot(x, y, '-',
label='Sine Wave', # 图例标签
linewidth=2, # 线宽
color='green', # 线的颜色
marker='*', # 标记样式
markersize=10, # 标记的大小
markeredgecolor='orange', # 标记边缘的颜色
markeredgewidth=3, # 标记边缘的宽度
markerfacecolor='red', # 标记内部的颜色
alpha=0.5 # 透明度
)
# 显示图例
plt.legend()
# 显示图形
plt.show(block=False)
"""
show后有输出，要关闭图片才会显示
或用block属性控制
默认block=True，显示后关闭图片
改为block=False，显示后不关闭图片
"""
print(123456)
3. 余弦图像
# 余弦图像
import numpy as np
import matplotlib.pyplot as plt
# 计算曲线上的点的x和y坐标
# x = np.arange(0, 3 * np.pi, 0.1)
x = np.linspace(0, 3 * np.pi, 500) # 生成0-3*pi之间500个等间隔的点
y = np.cos(x) # 计算y = cos(x)
# 使用Matplotlib绘制点，并添加fmt和kwargs属性
plt.plot(x, y, '-',
label='Cosine Wave', # 图例标签
linewidth=2, # 线宽
color='blue', # 线的颜色
marker='o', # 标记样式
markersize=5, # 标记的大小
markeredgecolor='black', # 标记边缘的颜色
markeredgewidth=1, # 标记边缘的宽度
markerfacecolor='none', # 标记内部的颜色
alpha=0.5 # 透明度
)
# 显示图例
plt.legend()
# 显示图形
plt.show()
4. 正余弦图像
import numpy as np
import matplotlib.pyplot as plt
# 计算曲线上的点的x和y坐标
# x = np.arange(0, 3 * np.pi, 0.1)
x = np.linspace(0, 3 * np.pi, 500) # 生成0-3*pi之间500个等间隔的点
y_cos = np.cos(x) # 计算y = cos(x)
y_sin = np.sin(x) # 计算y = sin(x)
# 使用Matplotlib绘制点，并添加fmt和kwargs属性
plt.plot(x, y_cos, '-',
label='Cosine Wave', # 图例标签
linewidth=1, # 线宽
color='blue', # 线的颜色
alpha=1 # 透明度
)
plt.plot(x, y_sin, '--',
label='Sine Wave', # 图例标签
linewidth=1, # 线宽
color='orange', # 线的颜色
alpha=1 # 透明度
)
# 显示图例
plt.legend()
# 显示图形
plt.show()
5. 直线图
import numpy as np
import matplotlib.pyplot as plt
# 只有两个点的x和y坐标
x = np.array([0, 5]) # 两个点的x坐标
y = np.array([0, 10]) # 对应的y坐标
# 使用Matplotlib绘制两个点的直线，并添加kwargs属性
plt.plot(x, y, '-',
label='Line between two points', # 图例标签
linewidth=2, # 线宽
color='red', # 线的颜色
marker='o', # 标记样式
markersize=10, # 标记的大小
markeredgecolor='black', # 标记边缘的颜色
markeredgewidth=2, # 标记边缘的宽度
markerfacecolor='none', # 标记内部的颜色
alpha=1.0 # 透明度
)
# 显示图例
plt.legend()
# 显示图形
plt.show()
6. 特殊直线图像
import matplotlib.pyplot as plt
# 若只有一个数组，那么x轴的值就是range()数组长度之后的值 -- range(len([2,3,4,5,6]))=[0,1,2,3,4]
# 因此完整坐标为 -- （0，2）（1，3）（2，4）（3，5）（4，6）
plt.plot([2,3,4,5,6],marker='*')
plt.show()
（三）散点图
在Matplotlib库中，使用scatter来绘制散点图，函数原型为：
matplotlib.pyplot.scatter(x, y, s=None, c=None, marker=None, cmap=None, norm=None, vmin=None, vmax=None, alpha=None, linewidths=None, edgecolors=None, **kwargs)
x,y: 数组或标量，代表散点图中每个点的 x 和 y 坐标。
s: 散点的大小。可以是一个标量或数组，用于指定每个点的大小。
c: 散点的颜色。可以是单个颜色，也可以是数组，为每个点指定颜色。如果提供了cmap 参数，则c可以是颜色映射的值。
marker: 散点的标记样式，例如'o'表示圆圈，'s'表示正方形。
cmap: Colormap，用于将 c 中的数值映射到颜色。
norm: 用于标准化 c 的颜色数据的 Normalize 对象，确保数据在指定的范围内映射到颜色映射。
vmin,vmax: 分别是c中数据的最小值和最大值，用于色彩映射。
alpha: 透明度，范围从 0（完全透明）到 1（完全不透明）。
linewidths: 散点边缘的线宽。
edgecolors: 散点边缘的颜色。
"""
matplotlib.pyplot.scatter(x, y, s=None, c=None, marker=None, cmap=None, norm=None,
vmin=None, vmax=None, alpha=None, linewidths=None, edgecolors=None, **kwargs)
绘制散点图，添加所有属性 -- plt.scatter(x,y)
"""
import numpy as np
import matplotlib.pyplot as plt
# 计算正弦曲线上的点的x和y坐标
x = np.arange(0, 3 * np.pi, 0.1)
y = np.sin(x)
# 创建一个颜色数组，基于y值映射到颜色
colors = y
# 绘制
plt.scatter(x,y,
s=10, # 散点的大小
c=colors, # 散点的颜色，这里使用y值映射颜色
marker='*', # 散点的标记样式
cmap='viridis', # 颜色映射
norm=None, # 默认的标准化
vmin=-1, # 颜色映射的最小值
vmax=1, # 颜色映射的最大值
alpha=0.5, # 透明度
linewidths=0.5, # 散点边缘的线宽
edgecolors='w', # 散点边缘的颜色
)
# 添加颜色条
plt.colorbar()
# 显示图形
plt.show()
（四）条形图
生成条形图（也叫柱状图），使用的函数为 bar，其函数原型为：
matplotlib.pyplot.bar(x, height, width=0.8, bottom=None, *, align='center', data=None, **kwargs)
x: 条形中心的x坐标。这个参数可以是单个值或者一个列表，表示每个条形的中心位置。
height: 条形的高度。这通常是一个数值或者一个列表，表示每个条形的高度。
width: 条形的宽度，默认为0.8。这可以是单个值，用于所有条形，或者一个列表，用于指定每个条形的宽度。
bottom: 条形的起始位置，默认为0。这可以是单个值或者一个列表，用于堆叠条形图。
align: 条形的对齐方式，可以是’center’（中心对齐，默认），‘edge’（左对齐）。
data: 如果提供了data参数，则x和height参数可以指定为字符串，这些字符串将被解释为pandas DataFrame列的名称。
**kwargs: 其他关键字参数，包括：
color或facecolor: 条形的填充颜色。edgecolor或linewidth: 条形边缘的颜色和线宽。linestyle: 条形边缘的线型，例如'-','--','-.',':'。alpha: 条形的透明度，范围从0（完全透明）到1（完全不透明）。hatch: 条形的填充图案，例如 '/' , '\' , '|' , '-' , '+' , 'x' , 'o' , 'O' , '*'。picker: 控制条形是否可以被交互式选择。log: 如果设置为True，则条形的高度将以对数尺度表示。label: 为条形创建图例时使用的标签。
"""
matplotlib.pyplot.bar(x, height, width=0.8, bottom=None, *, align='center', data=None, **kwargs)
"""
import matplotlib.pyplot as plt
# 数据
labels = ['A', 'B', 'C', 'D', 'E']
values = [23, 45, 56, 78, 33]
# 创建条形图，并添加关键字参数
plt.bar(labels, values,
width=0.3, # 条形的宽度
color='orange', # 条形的填充颜色
edgecolor='r', # 条形边缘的颜色
linewidth=2, # 条形边缘的线宽
linestyle='--', # 条形边缘的线型
alpha=0.7, # 条形的透明度
hatch='*', # 条形的填充图案
align='center', # 条形与x位置的对齐方式
label='test' # 为条形创建图例时使用的标签
)
# 显示图例
plt.legend()
# 显示图表
plt.show()
如果想要显示中文图例的话，可以设置一下中文字体：
# 条形图 -- 中文图例
import matplotlib.pyplot as plt
# 设置中文字体
plt.rcParams['font.sans-serif'] = ['SimHei'] # 用来正常显示中文标签
plt.rcParams['axes.unicode_minus'] = False # 用来正常显示负号
# 数据
labels = [10, 15, 20, 25, 30]
values = [23, 45, 56, 78, 33]
# 创建条形图，并添加关键字参数
plt.bar(labels, values,
width=0.5, # 条形的宽度
color='b', # 条形的填充颜色
edgecolor='r', # 条形边缘的颜色
linewidth=2, # 条形边缘的线宽
linestyle='-', # 条形边缘的线型
alpha=0.7, # 条形的透明度
hatch='+', # 条形的填充图案
align='center', # 条形与x位置的对齐方式
label='条形图' # 为条形创建图例时使用的标签
)
# 显示图例
plt.legend()
# 显示图表
plt.show()
（五）饼图
在Matplotlib库中使用pie来创建饼图，其函数原型为：
plt.pie(x, explode=None, labels=None, colors=None, autopct=None, startangle=0, shadow=False, radius=1, wedgeprops=None, textprops=None, center=(0, 0), frame=False, rotatelabels=False, **kwargs)
x: 饼图中每个扇形的尺寸。它应该是一个非负的数组或序列。
explode: 一个与x相同长度的数组，用于指定每个扇形是否突出显示。如果explode[i]不为 0，则第i个扇形将与其他扇形分离。
labels: 一个字符串列表，用于指定每个扇形的标签。
colors: 一个颜色列表，用于指定每个扇形的颜色。
autopct: 一个格式化字符串，用于在饼图上显示每个扇形的百分比。可以使用 %1.1f%% 来显示一个保留一位小数的百分比。
startangle: 饼图开始的角度，默认为 0（即从 x 轴正方向开始）。
shadow: 布尔值，用于指定是否为饼图添加阴影。
radius: 饼图的半径，默认为 1。
wedgeprops: 字典，用于指定饼图中每个扇形的属性，如边缘颜色和宽度。
textprops: 字典，用于指定饼图中标签的文本属性。
center: 一个元组，用于指定饼图的中心位置。
frame: 布尔值，用于指定是否为饼图添加一个框。
rotatelabels: 布尔值，用于指定是否旋转标签以适应扇形。
**kwargs: 其他关键字参数，包括：
normalize: 布尔值，默认为True。如果normalize为True，则x中的值将被归一化以使它们的总和等于 1。如果normalize为False，则x中的值将直接用于绘制饼图，而不进行归一化处理。hatch: 字符串或列表，用于设置饼图各个部分的阴影或图案填充。如果提供一个字符串，则所有扇形都将使用相同的图案。如果提供一个列表，则每个扇形可以有不同的图案。例如，hatch='/'将为所有扇形添加斜线图案。
# 饼图
# plt.pie(x, explode=None, labels=None, colors=None, autopct=None, startangle=0, shadow=False, radius=1, wedgeprops=None, textprops=None, center=(0, 0), frame=False, rotatelabels=False, **kwargs)
import matplotlib.pyplot as plt
# 数据
sizes = [25, 35, 20, 20]
labels = ['A', 'B', 'C', 'D']
colors = ['gold', 'yellowgreen', 'lightcoral', 'lightskyblue']
# 绘制饼图，使用 **kwargs 定制扇形
plt.pie(sizes, # 饼图中每个扇形的尺寸
explode=[0, 0, 1, 0], # 用于指定每个扇形是否突出显示
labels=labels, # 用于指定每个扇形的标签
colors=colors, # 用于指定饼图中每个扇形的颜色
autopct='%1.1f%%', # 显示百分比格式
startangle=140, # 饼图开始的角度，默认为0（即从正x轴方向开始）
shadow=True, # 用于指定是否为饼图添加阴影
radius=1, # 饼图的半径，默认为1
wedgeprops=dict(edgecolor='black', linewidth=2, linestyle='-'), # 指定饼图中每个扇形的属性
textprops=dict(color='red', weight='bold'), # 用于指定饼图中标签的文本属性，这里指定文本的颜色和字体的粗细
center=(0, 0), # 用于指定饼图的中心位置
frame=False, # 用于指定是否为饼图添加一个框
rotatelabels=True, # 用于指定是否旋转标签
)
# 显示图表
plt.show()
（六）其他常用函数
1. xlabel
在matplotlib中， plt.xlabel() 函数用于为当前活动的坐标轴（Axes）设置x轴的标签。当你想要标识x轴代表的数据或单位时，这个函数非常有用。
plt.xlabel('xlabel text')
其中 'xlabel text' 是你想要显示在x轴旁边的文本。
2. ylabel
在matplotlib中， plt.ylabel() 函数用于为当前活动的坐标轴（Axes）设置y轴的标签。当你想要标识y轴代表的数据或单位时，这个函数非常有用。
下面是 plt.ylabel() 函数的基本用法：
plt.ylabel('ylabel text')
其中 'ylabel text' 是你想要显示在y轴旁边的文本。
3. title
在matplotlib中， title 函数用于为当前活动的坐标轴（Axes）设置图表的标题。标题通常位于图表的顶部中央，用于简要描述图表的内容。
plt.title('Chart Title')
其中 'Chart Title' 是你想要显示在图表顶部的文本。
# xlable -- 用于为当前活动的坐标轴（Axes）设置x轴的标签
# plt.xlabel('xlabel text')
# ylable -- 用于为当前活动的坐标轴（Axes）设置y轴的标签
# plt.ylabel('ylabel text')
# title -- 用于为当前活动的坐标轴（Axes）设置图表的标题
# plt.title('Title text')
import numpy as np
import matplotlib.pyplot as plt
# 计算曲线上的点的x和y坐标
x = np.arange(0, 3 * np.pi, 0.1)
y = np.sin(x)
# 使用Matplotlib绘制点，并添加fmt和kwargs属性
plt.plot(x, y,
label='Sine wave', # 图例标签
linewidth=2, # 线宽
linestyle='-', # 线型
color='blue', # 线的颜色
marker='o', # 标记样式
markersize=5, # 标记的大小
markeredgecolor='black', # 标记边缘的颜色
markeredgewidth=1, # 标记边缘的宽度
markerfacecolor='none', # 标记内部的颜色
alpha=0.5 # 透明度
)
# 显示x轴标签
plt.xlabel('x')
# 显示y轴标签
plt.ylabel('y')
# 显示标题
plt.title('Sine wave')
# 显示图例
plt.legend()
# 显示图形
plt.show()
4. subplot
在 Matplotlib 中，subplot函数用于在一个图形窗口（ Figure）中创建多个子图布局，每个子图布局区域对应一个Axes对象，通过该 Axes对象可以进行数据绘制操 作，使用 subplot 可以在网格中安排这些子图。
plt.subplot(nrows, ncols, plot_number)
nrows：子图的行数。
ncols：子图的列数。
plot_number：当前子图的编号，从1开始，从左上角到右下角按行优先顺序递增。
# subplot -- 用于创建子图
# 用于在一个图形窗口（ Figure）中创建多个子图布局，每个子图布局区域对应一个Axes对象
# 通过该 Axes对象可以进行数据绘制操作，使用 subplot 可以在网格中安排这些子图
# plt.subplot(nrows, ncols, plot_number)
import numpy as np
import matplotlib.pyplot as plt
# 创建数据
x = np.arange(0, 4 * np.pi, 0.01)
y_sin = np.sin(x)
y_cos = np.cos(x)
# 在第一个位置创建子图
plt.subplot(2, 1, 1) # 2行1列，第一个子图
plt.plot(x, y_sin)
plt.title('Sine wave')
plt.xlabel('x')
plt.ylabel('y_sin')
# 在第二个位置创建子图
plt.subplot(2, 1, 2) # 2行1列，第二个子图
plt.plot(x, y_cos)
plt.title('Cosine wave')
plt.xlabel('x')
plt.ylabel('y_cos')
# 调用 tight_layout 来自动调整子图参数，布局，使子图之间没有空白同时防止重叠
plt.tight_layout()
# 显示图形
plt.show()
（七）Figure
在 Matplotlib 中，Figure对象是整个绘图的顶级容器，它是所有绘图元素的基础，提供了一个用于绘制图形的画布空间。
在 Matplotlib 中，Axes对象是进行数据绘制和设置坐标轴等操作的核心区域，它与Figure对象紧密相关，共同构建了完整的绘图体系。
也就是说，在使用Matplotlib绘图时的第一步就是创建Figure对象和 Axes，这两个对象的创建分两种方式：
隐式创建：当直接调用绘图函数（如plt.plot()）而没有预先创建 Figure对象时，Matplotlib 会自动隐式创建一个Figure对象和一个 Axes对象。
显式创建：使用函数来手动创建一个 Figure对象。
1. 创建Figure对象
（1）figure
在Matplotlib 中， figure 函数用于创建一个新的图形窗口，或者获取当前活跃的图形窗口。每个图形窗口可以包含一个或多个坐标轴（Axes），可以在其上绘制数据。
函数原型为：
plt.figure(num=None, figsize=None, dpi=None, facecolor=None, edgecolor=None, frameon=True, clear=False, **kwargs)
num: 可选参数，指定图形窗口的编号或名称。如果num为None，则创建一个新的图形窗口。如果 num 已经存在，则获取该图形窗口。
figsize: 可选参数，指定图形窗口的大小，以英寸为单位。默认为None，使用 Matplotlib 的默认值。
dpi: 可选参数，指定图形的分辨率，以点每英寸为单位。默认为None，使用 Matplotlib 的默认值。
facecolor: 可选参数，指定图形窗口的背景颜色。默认为None，使用 Matplotlib 的默认值。
edgecolor: 可选参数，指定图形窗口的边缘颜色。默认为None，使用 Matplotlib 的默认值。
frameon: 可选参数，布尔值，指定是否绘制图形窗口的边框。默认为True。
clear: 可选参数，布尔值，指定是否清除图形窗口中的内容。默认为False。
**kwargs: 其他关键字参数，用于进一步自定义图形窗口的属性。
from matplotlib import pyplot as plt
# num -- 指定图形窗口的编号或名称
plt.plot([0,1],[1,2]) # 没有 figure 时，matplotlib 自动创建 figure 1，并线画了上去
plt.figure(num=1) # 创建 figure 1，但因为已经存在所以不会创建新的图形窗口
plt.plot([0,2],[2,3]) # 在 figure 1 上画第二条线
plt.figure(num=2) # 创建新的窗口 figure 2
plt.plot([0,1],[1,2]) # 在 figure 2 上画第一条线
plt.show()
# figsize -- 指定图形窗口的大小，以英寸为单位
# dpi -- 指定图形窗口的分辨率，即每英寸包含的像素数
# facecolor -- 指定图形窗口的背景颜色
# edgecolor -- 指定图形窗口的边框颜色
# frameon -- 指定图形窗口是否显示边框，布尔值，默认为True
# clear -- 指定图形窗口是否清除之前的绘图内容，布尔值，默认为False
# 创建一个新的图形窗口 -- 前面的 figure 1 和 figure 2 因为已经 show 了，所以这里的 figure 1 是新创建的，旧的都被清除掉了
fig = plt.figure(num=1,
figsize=(8, 6),
dpi=120,
facecolor='orange',
edgecolor='red', # 看不出来
frameon=False,
clear=False
)
# 绘制折线
plt.plot([1, 2, 3, 4], [1, 4, 9, 16])
# 显示图形
plt.show()
（2）subplots
在Matplotlib中，subplots用于创建包含多个子图（subplot）的图形。这允许你在同一个 Figure 对象内组织多个图表，从而方便地比较数据或者展示多方面的信息。
fig, axs = matplotlib.pyplot.subplots(nrows=1, ncols=1, sharex=False, sharey=False, squeeze=True, width_ratios=None, height_ratios=None, subplot_kw=None, gridspec_kw=None)
nrows=1: 子图的行数，设置为1，表示创建一个子图的行。
ncols=1: 子图的列数，设置为1，表示创建一个子图的列。
sharex=False: 布尔值，设置为False，表示子图之间不共享x轴刻度。每个子图都有自己的x轴。
sharey=False: 布尔值，设置为False，表示子图之间不共享y轴刻度。每个子图都有自己的y轴。
squeeze=True: 布尔值，设置为True，表示如果只创建了一个子图，则返回一个子图对象而不是一个只包含一个子图对象的数组。
width_ratios=None: 列宽比例的序列，设置为None表示默认比例。如果提供序列，它将用于调整各列的宽度比例。
height_ratios=None: 行高比例的序列，设置为None表示默认比例。如果提供序列，它将用于调整各行的高度比例。
subplot_kw=None: 字典，设置为None，表示没有额外的关键字参数传递给 add_subplot调用。如果需要，可以传递一个字典来设置子图的属性。
gridspec_kw=None: 字典，设置为None，表示没有额外的关键字参数传递给 GridSpec 对象。如果需要，可以传递一个字典来控制子图的布局。
import numpy as np
import matplotlib.pyplot as plt
# 创建数据
x = np.arange(0, 10, 0.01)
y1 = np.sin(x)
y2 = np.cos(x)
y3 = np.tan(x)
y4 = 1 / (1 + np.exp(-x)) # Sigmoid function -- 激活函数
# 创建一个 2x2 的子图网格
fig, axs = plt.subplots(2, 2)
# fig, axs = plt.subplots(2, 2, figsize=(10, 8))
# fig, axs = plt.subplots(2, 2, squeeze=False)
# fig, axs = plt.subplots(2, 2, sharex=True, sharey=True)
# fig, axs = plt.subplots(2, 2,width_ratios=[0.7,0.3])
# fig, axs = plt.subplots(2, 2,height_ratios=[0.7,0.3])
print(axs)
print(fig)
# 第一个子图
axs[0, 0].plot(x, y1)
axs[0, 0].set_title('Sine Wave')
axs[0, 0].set_xlabel('X-axis')
axs[0, 0].set_ylabel('Y-axis')
# 第二个子图
axs[0, 1].plot(x, y2)
axs[0, 1].set_title('Cosine Wave')
axs[0, 1].set_xlabel('X-axis')
axs[0, 1].set_ylabel('Y-axis')
# 第三个子图
axs[1, 0].plot(x, y3)
axs[1, 0].set_title('Tangent Wave')
axs[1, 0].set_xlabel('X-axis')
axs[1, 0].set_ylabel('Y-axis')
# 第四个子图
axs[1, 1].plot(x, y4)
axs[1, 1].set_title('Sigmoid Function')
axs[1, 1].set_xlabel('X-axis')
axs[1, 1].set_ylabel('Y-axis')
# 调整子图间距
plt.tight_layout()
# 显示图形
plt.show()
2. Figure对象的方法
（1）添加
add_subplot
fig.add_subplot(nrows, ncols, plot_number)
nrows：子图的总行数。
ncols：子图的总列数。
plot_number：当前子图在其所在布局中的位置，从1开始计数，从左上角到右下角。
该函数会返回一个 Axes 对象。
# add_subplot -- 添加子图
# fig.add_subplot(nrows, ncols, plot_number)
import matplotlib.pyplot as plt
# 创建一个图形窗口
fig = plt.figure()
# 添加第一个子图，位于2行1列布局中的第1个位置
ax1 = fig.add_subplot(2, 1, 1)
ax1.plot([0, 1], [0, 1])
# 添加第二个子图，位于2行2列布局中的第4个位置
ax2 = fig.add_subplot(2, 2, 4)
ax2.plot([0, 1], [1, 0])
# 显示图形
plt.show()
add_axes
该函数允许你在图形（ Figure）中的任意位置添加一个子图（ Axes）。与 subplots 或 add_subplot 不同， add_axes 允许你精确地指定子图的位置和大小。
matplotlib.figure.Figure.add_axes(rect, **kwargs)
rect：一个形如[左边界, 底边界, 宽度, 高度]的列表，指定子图的位置和大小。这些值是在归一化坐标中的，其中 0 表示图形的左边界，1 表示右边界，0 表示底部，1 表示顶部。
**kwargs：其他可选的关键字参数，用于控制子图的属性。
# add_axes -- 允许你在图形（ Figure）中的任意位置添加一个子图（ Axes）
# 可以精确地指定子图的位置和大小 -- rect：[左边界, 底边界, 宽度, 高度]
# matplotlib.figure.Figure.add_axes(rect, **kwargs)
import matplotlib.pyplot as plt
# 创建一个图形
fig = plt.figure()
# 添加一个子图，位置是图形左下角的1/4处，大小为图形宽度的1/2和高度的1/2
ax = fig.add_axes([0.1, 0.1, 0.5, 0.5])
# 使用这个子图绘制一些数据
ax.plot([0, 1], [0, 1])
# 显示图形
plt.show()
suptitle
该函数用于在图形（ Figure）上添加一个中心对齐的标题，这个标题位于所有子图 （Axes）的顶部。使用 suptitle 可以为整个图形设置一个总标题，而不仅仅是单个子图。
matplotlib.figure.Figure.suptitle(t, **kwargs)
t：字符串，表示要添加的标题文本。
**kwargs：其他可选的关键字参数，用于控制标题的样式，如字体大小（fontsize）、颜色（color）等。
# suptitle -- 在图形（Figure）上添加一个中心对齐的标题，这个标题位于所有子图（Axes）的顶部
# 可以为整个图形设置一个总标题，而不仅仅是单个子图
# matplotlib.figure.Figure.suptitle(t, **kwargs)
import matplotlib.pyplot as plt
# 创建一个图形
fig = plt.figure()
# 在图形上添加两个子图
# ax1 = fig.add_subplot(211) # 第一个子图，两行一列的第一个位置
# ax2 = fig.add_subplot(212) # 第二个子图，两行一列的第二个位置
ax1 = fig.add_subplot(121)
ax2 = fig.add_subplot(122)
# 使用第一个子图绘制一些数据
ax1.plot([0, 1], [0, 1])
ax1.set_title(('ax1'))
# 使用第二个子图绘制一些数据
ax2.plot([0, 1], [1, 0])
ax2.set_title(('ax2'))
# 为整个图形添加一个总标题
fig.suptitle('Test Suptitle', fontsize=16, color='red')
# 显示图形
plt.show()
text
该函数用于在图表的任意位置添加文本，通常在 Axes 对象上调用，用于在绘图区域的指定坐标位置上放置文本。
matplotlib.axes.Axes.text(x, y, s, **kwargs)
x, y：浮点数或数组，指定文本的位置坐标。
s：字符串，要添加的文本内容。
**kwargs：其他可选的关键字参数，用于控制文本的样式，如 fontsize（字体大小）、color（颜色）、 horizontalalignment（水平对齐方式，如 ‘left’, ‘center’, ‘right’）、 verticalalignment（垂直对齐方式，如 ‘top’, ‘center’, ‘bottom’）等。
# text -- 用于在图表的任意位置添加文本
# 通常在 Axes 对象上调用，用于在绘图区域的指定坐标位置上放置文本
# matplotlib.axes.Axes.text(x, y, s, **kwargs)
import matplotlib.pyplot as plt
# 创建一个图形和一个子图
fig, ax = plt.subplots()
# 绘制一些数据
ax.plot([0, 1, 2], [0, 1, 0])
# 在坐标 (1, 0.5) 处添加文本
ax.text(1, 0.5, 'Sample Text', fontsize=12, color='red',
horizontalalignment='center', verticalalignment='center')
# center -- 文本的中间与子图的中线对齐
# left -- 文本的左边与子图的中线对齐
# right -- 文本的右边与子图的中线对齐
# top -- 文本的顶部与子图的中线对齐
# bottom -- 文本的底部与子图的中线对齐
# 显示图形
plt.show()
（2）获取
axes
在 matplotlib 中，如果你想要获取一个图形（ Figure）中的所有轴（ Axes）， 你可以查看Figure 对象的 axes 属性。
# axes -- 获取一个图形（ Figure）中的所有轴（ Axes）
import matplotlib.pyplot as plt
# 创建一个图形和一个子图
fig, ax = plt.subplots(2, 2)
print(fig)
print(ax)
# 获取图形中的所有轴
axes = fig.axes
# axes 是一个包含所有轴的列表
for a in axes:
# 包含了每一个轴的x和y的相对位置(从左下角开始计算)、轴的宽度和高度(相对于整个图形)
print(a)
# 显示图像
plt.show()
print(a) --
Axes(0.125,0.53;0.352273x0.35)
Axes(0.547727,0.53;0.352273x0.35)
Axes(0.125,0.11;0.352273x0.35)
Axes(0.547727,0.11;0.352273x0.35)
get_facecolor
该函数是一个用于获取轴（Axes）或填充区域（Patch）背景色的方法。具体来说， 它返回一个表示颜色的 RGBA 元组，其中 RGBA 分别代表红色、绿色、蓝色和 alpha（透明度）值。这些值通常在 0 到 1 的范围内。
# get_facecolor -- 用于获取轴（Axes）或填充区域（Patch）背景色的方法
# 返回一个表示颜色的 RGBA 元组，其中 RGBA 分别代表红色、绿色、蓝色和 alpha（透明度）值。
# 这些值通常在 0 到 1 的范围内
import matplotlib.pyplot as plt
# 创建一个图形
fig = plt.figure(figsize=(8, 6), facecolor='blue')
# 获取背景色
facecolor = fig.get_facecolor()
print(facecolor) # (0.0, 0.0, 1.0, 1.0)
# 显示图像
plt.show()
get_dpi
该方法用于获取图形（Figure）对象的分辨率。
import matplotlib.pyplot as plt
# 创建一个图形对象
fig = plt.figure(dpi=80) # 默认为100
# 获取图形的DPI
dpi = fig.get_dpi()
print(f"The DPI of the figure is: {dpi}") # The DPI of the figure is: 80
# 显示图像
plt.show()
get_gca
该函数是 “get current axis” 的缩写，它用于获取当前图形（figure）中的当前坐标轴（axis）对象。这个函数非常有用，因为它允许你访问并修改当前活动的坐标轴的属性。
# get_gca -- 用于获取当前图形（figure）中的当前坐标轴（axis）对象
import matplotlib.pyplot as plt
# 创建一个图形和坐标轴
plt.figure()
plt.plot([1, 2, 3], [1, 2, 3])
# 获取当前坐标轴
ax = plt.gca()
print(ax)
# 使用坐标轴对象进行自定义
ax.set_title('Sample Plot')
ax.set_xlabel('X axis')
ax.set_ylabel('Y axis')
# 显示图形
plt.show()
get_label
该方法用于获取坐标轴（例如，线和柱状图）的标签。这个方法通常用于获取已经设置好的标签，以便于后续的检查或修改。
# get_label -- 用于获取坐标轴（例如，线和柱状图）的标签
import matplotlib.pyplot as plt
# 创建一些数据
x = [1, 2, 3]
y = [1, 2, 3]
# 绘制线图并设置标签
line, = plt.plot(x, y, label='Line 1')
# 获取线的标签
label = line.get_label()
print('Label of the line:', label) # Label of the line: Line 1
# 显示图形和图例
plt.legend()
plt.show()
get_size_inches
该方法用于获取图形的大小，以英寸为单位。
import matplotlib.pyplot as plt
# 创建一个图形对象，可以指定大小（宽度，高度）单位为英寸
fig = plt.figure(figsize=(8, 6))
# 使用 get_size_inches() 方法获取图形的大小
size_in_inches = fig.get_size_inches()
print('Size of the figure in inches:', size_in_inches)
# Size of the figure in inches: [8. 6.]
# 绘制一些数据
plt.plot([1, 2, 3], [1, 2, 3])
# 显示图形
plt.show()
（3）属性设置
set_size_inches
该方法用于设置图形对象的大小，单位为英寸。这个方法允许用户在创建图形后改变其尺寸，从而影响输出图像的分辨率和显示效果。
matplotlib.figure.Figure.set_size_inches(width, height, forward=True)
width,height：浮点数，指定图形的宽度和高度，单位为英寸。
forward：布尔值，默认为 True。如果为 True，则在调整图形大小时，同时更新所有子图的大小和位置。如果为 False，则仅改变图形的大小，而不更新子图。
# set_size_inches -- 用于设置图形对象的大小，单位为英寸
import matplotlib.pyplot as plt
# 创建一个图形对象
fig = plt.figure(figsize=(2, 2))
print(fig.get_size_inches())
# 使用 set_size_inches 方法设置图形的大小
fig.set_size_inches(10, 6) # 设置宽度为10英寸，高度为6英寸
# 绘制一些数据
plt.plot([1, 2, 3], [1, 2, 3])
print(fig.get_size_inches())
# 显示图形
plt.show()
set_dpi
该方法用于设置图形对象的分辨率，单位为每英寸点数（Dots Per Inch, DPI）。这个方法影响输出图像的质量和文件大小，通常与 set_size_inches 方法配合使用来精确控制图形的尺寸和输出质量。
matplotlib.figure.Figure.set_dpi(dpi)
dpi：一个浮点数或整数，指定图形的分辨率，即每英寸的点数。
import matplotlib.pyplot as plt
# 创建一个图形对象
fig, ax = plt.subplots()
# 设置图形的尺寸为 10*6 英寸
fig.set_size_inches(10, 6)
# 使用 set_dpi 方法设置图形的分辨率
fig.set_dpi(120) # 设置分辨率为 120 DPI
# 绘制一些数据
ax.plot([1, 2, 3], [1, 2, 3])
# 显示图形
plt.show()
tight_layout
该函数用于自动调整子图参数，使之填充整个图像区域，同时确保子图之间的标签和标题不会重叠。这个方法对于创建布局整齐的图形非常有用，尤其是在子图较多或标签较长时。
import matplotlib.pyplot as plt
# 创建一个包含多个子图的图形
fig, axs = plt.subplots(2, 2)
# 在每个子图中绘制一些数据
axs[0, 0].plot([1, 2, 3], [1, 2, 3])
axs[0, 0].set_title('Subplot 1')
axs[0, 0].set_xlabel('X-axis')
axs[0, 0].set_ylabel('Y-axis')
axs[0, 1].plot([1, 2, 3], [3, 2, 1])
axs[0, 1].set_title('Subplot 2')
axs[0, 1].set_xlabel('X-axis')
axs[0, 1].set_ylabel('Y-axis')
axs[1, 0].plot([1, 2, 3], [1, 3, 2])
axs[1, 0].set_title('Subplot 3')
axs[1, 0].set_xlabel('X-axis')
axs[1, 0].set_ylabel('Y-axis')
axs[1, 1].plot([1, 2, 3], [2, 1, 3])
axs[1, 1].set_title('Subplot 4')
axs[1, 1].set_xlabel('X-axis')
axs[1, 1].set_ylabel('Y-axis')
# 使用 tight_layout 自动调整子图布局
fig.tight_layout()
# 显示图形
plt.show()
subplots_adjust
该函数允许用户手动调整子图之间的空间，以及子图与图形边缘之间的空间。这个方法提供了比 tight_layout 更细粒度的控制，特别适用于需要精确控制布局的情况。
fig.subplots_adjust(left=None, bottom=None, right=None, top=None, wspace=None, hspace=None)
left: 子图区域左边缘与图形左边缘之间的距离，范围从 0 到 1。
bottom: 子图区域下边缘与图形下边缘之间的距离，范围从 0 到 1。
right: 子图区域右边缘与图形右边缘之间的距离，范围从 0 到 1。
top: 子图区域上边缘与图形上边缘之间的距离，范围从 0 到 1。
wspace: 子图之间的水平间距，范围从 0 到 1。
hspace: 子图之间的垂直间距，范围从 0 到 1。
import matplotlib.pyplot as plt
# 创建一个包含多个子图的图形
fig, axs = plt.subplots(2, 2)
# 在每个子图中绘制一些数据
axs[0, 0].plot([1, 2, 3], [1, 2, 3])
axs[0, 1].plot([1, 2, 3], [3, 2, 1])
axs[1, 0].plot([1, 2, 3], [1, 3, 2])
axs[1, 1].plot([1, 2, 3], [2, 1, 3])
# 使用 subplots_adjust 手动调整子图布局
fig.subplots_adjust(left=0.1, right=0.9, top=0.9, bottom=0.1, hspace=0.5, wspace=0.5)
# 显示图形
plt.show()
clear
在 matplotlib库中， Axes对象（代表绘图区域）和 Figure对象（代表整个图形） 都有clear函数。 Axes对象的 clear函数主要用于清除该轴（子图）上的所有图形元素，包括线条、标记、文本、图像等； Figure对象的 clear函数用于清除整个图形中的所有子图和其他相关元素
import matplotlib.pyplot as plt
# 创建一个包含多个子图的图形
fig, axs = plt.subplots(2, 2)
# 在每个子图中绘制一些数据
axs[0, 0].plot([1, 2, 3], [1, 2, 3])
axs[0, 1].plot([1, 2, 3], [3, 2, 1])
axs[1, 0].plot([1, 2, 3], [1, 3, 2])
axs[1, 1].plot([1, 2, 3], [2, 1, 3])
# 使用 tight_layout 自动调整子图布局
fig.tight_layout()
# Axes对象的clear
axs[0, 0].clear()
# Figure对象的clear
# fig.clear()
# 显示图形
plt.show()
（八）其他函数
1. clf
与Figure对象的clear方法的作用类似，但clf归属于pyplot库，而不是Figure对象的方法。
import matplotlib.pyplot as plt
# 创建一个包含多个子图的图形
fig, axs = plt.subplots(2, 2)
# 在每个子图中绘制一些数据
axs[0, 0].plot([1, 2, 3], [1, 2, 3])
axs[0, 1].plot([1, 2, 3], [3, 2, 1])
axs[1, 0].plot([1, 2, 3], [1, 3, 2])
axs[1, 1].plot([1, 2, 3], [2, 1, 3])
# 使用 tight_layout 自动调整子图布局
fig.tight_layout()
# Axes对象的clear
axs[0, 0].clear()
# pyplot库下的clf()
plt.clf()
# 显示图形
plt.show()
2. gcf
该函数用于返回当前活动的图形（figure）对象。
matplotlib.pyplot.gcf()
返回当前活动的 Figure 对象。如果没有活动的图形，这个函数将创建一个新的图形，并将其作为当前活动的图形返回。
使用场景：
- 当你需要在脚本中获取或操作当前图形时， plt.gcf() 非常有用。
- 它允许你访问和修改当前图形的属性，比如大小、标题、背景颜色等。
- 你可以使用返回的 Figure 对象来添加新的子图（axes）、调整布局、保存图形到文件等。
import matplotlib.pyplot as plt
# 创建一个新的图形和子图
fig, ax = plt.subplots()
ax.plot([1, 2, 3], [1, 2, 3])
# 获取当前活动的图形对象
current_fig = plt.gcf()
# 设置图形的大小
current_fig.set_size_inches(8, 6)
# 设置图形的标题
current_fig.suptitle('Example Plot')
# 显示图形
plt.show()
3. savefig -- 不常用
该函数用于将当前图形保存到文件中。该函数通常在完成图形绘制后调用，以便将图形输出为图像文件，便于保存或分享。
matplotlib.pyplot.savefig(fname, dpi='figure', format=None, metadata=None, bbox_inches=None, pad_inches=0.1, facecolor='auto', edgecolor='auto', backend=None, **kwargs)
fname(str或pathlib.Path或file-like对象)：文件的路径或文件对象， 用于保存图像。如果未指定 format 参数，Matplotlib 会根据文件扩展名推断图像格式。
dpi(float或'figure')：图像的分辨率，以每英寸点数为单位。如果设置为 'figure'，则使用当前图形的分辨率设置。
format( str , 可选)：图像的文件格式，例如 ‘png’, ‘pdf’, ‘svg’, ‘ps’, ‘eps’ 等。如果未指定，则从fname的扩展名推断。
metadata(dict, 可选)：要存储在图像文件中的元数据。
bbox_inches(str或Bbox, 可选)：图像的边界框。如果设置为 ‘tight’，则 Matplotlib 会尝试紧凑地剪裁图像周围的空白。
pad_inches(float, 可选)：在边界框周围添加额外的空白（英寸）。
facecolor(color, 可选)：图形背景的颜色。
edgecolor(color, 可选)：图形边缘的颜色。
backend(str, 可选)：用于保存图像的特定后端。这通常不需要设置，除非你想要覆盖默认的后端。
kwargs(dict, 可选)：其他关键字参数，将传递给底层后端的保存函数。
import matplotlib.pyplot as plt
# 创建一些数据
x = [0, 1, 2, 3, 4]
y = [0, 1, 4, 9, 16]
# 绘制图形
plt.plot(x, y)
# 保存图形到文件
plt.savefig('plot.png', dpi=300, bbox_inches='tight',facecolor='g')
# 显示图形（可选）
plt.show()
4. imshow
该函数可以用来显示二维数据数组，其中每个数组元素对应图像的一个像素。
matplotlib.pyplot.imshow(X, cmap=None, norm=None, aspect=None, interpolation=None, alpha=None, vmin=None, vmax=None, origin=None, **kwargs)
X：图像数据，通常是二维数组，但也可以是一维数组（在这种情况下，数据将被解释为线图）。数据类型通常是浮点数或整数。
cmap：颜色映射（colormap），用于指定图像中数值到颜色的映射。默认是None，此时将使用默认的 colormap，通常是viridis。
norm：用于标准化数据值的归一化对象，可以确保颜色映射是线性的或者使用其他映射方式。
aspect：控制图像的纵横比。'auto'保持宽高比，'equal'使每个像素都是正方形，或者可以是一个数字。
interpolation：指定图像缩放时的插值方法。常见的选项有'nearest'（最近邻插值）、'bilinear'（双线性插值）、'bicubic'（双三次插值）等。
alpha：图像的透明度，取值范围是 [0, 1]。
vmin,vmax：用于颜色映射的数据值范围。默认情况下，这些值是从数据中自动推断出来的。
origin：指定图像的原点，'upper'表示原点在左上角，'lower'表示原点在左下角。
**kwargs：其他关键字参数。
与plt.show的区别是：
imshow是用于创建图像的函数，而show是用于显示图像的函数。- 你可以在一个脚本中多次调用
imshow来绘制多个图像，但通常只需要在脚本的末尾调用一次show来显示所有图像。
import matplotlib.pyplot as plt
import numpy as np
# 创建两个简单的数据集
data1 = np.random.rand(10, 10)
data2 = np.random.rand(10, 10)
# 创建一个包含两个子图的图形
fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(10, 5))
# 在第一个子图上显示第一个图像，并应用 viridis 颜色映射
ax1.imshow(data1, cmap='viridis') # 深蓝到黄
ax1.set_title('Image 1')
# 在第二个子图上显示第二个图像，并应用 plasma 颜色映射
ax2.imshow(data2, cmap='plasma') # 青到红
ax2.set_title('Image 2')
# gray -- 灰度
# 调整子图之间的间距
plt.tight_layout()
# 显示图像
plt.show()
5. close
该函数用于关闭一个或多个打开的图形窗口。在 Matplotlib 中，每次调用绘图命令（如 plt.plot() 或 plt.imshow()）时，都会创建一个新的图形（Figure）和一个或多个子图（Axes）。 close 函数可以用来关闭这些图形窗口，释放资源，并允许用户清理不再需要的图形。
matplotlib.pyplot.close(fig=None)
fig(Figure对象或整数，可选）：指定要关闭的图形。如果是一个Figure对象，则关闭该图形。如果是一个整数，则关闭与该编号对应的图形。如果省略或为None，则关闭当前图形。’all'表示关闭所有的图像。
import matplotlib.pyplot as plt
# 创建并显示第一个图形
plt.figure()
plt.plot([1, 2, 3], [1, 2, 3])
plt.show()
# 创建并显示第二个图形
plt.figure()
plt.plot([3, 2, 1], [1, 2, 3])
plt.show(block=False)
# 关闭当前图形
plt.close()
# 创建并显示第三个图形
plt.figure()
plt.plot([1, 2, 3], [3, 2, 1])
plt.show(block=False)
# 创建并显示第四个图形
plt.figure()
plt.plot([1, 2, 3], [7, 5, 4])
plt.show(block=False)
# 关闭所有图形
plt.close(fig='all')
6. pause
用于在动画或交互式绘图过程中暂停一段时间。这个函数在动画制作或者需要在绘图之间插入延迟时非常有用。
matplotlib.pyplot.pause(interval)
interval: 这个参数是一个浮点数，表示暂停的秒数。默认值通常是 0.1 秒。
plt.pause 函数的主要作用如下：
- 暂停执行：当调用
plt.pause(interval)时，Python 脚本会暂停执行指定的时间（以秒为单位）。 - 更新显示：如果在绘图之前调用了
plt.pause，它将允许动态更新的图形（例如：动画）在屏幕上显示出来。这对于交互式绘图非常有用，因为它可以让用户看到图形的更新。
import matplotlib.pyplot as plt
import numpy as np
# 创建一个图形和一个子图
fig, ax = plt.subplots()
# 生成一些数据
t = np.arange(0, 10, 0.01)
s = np.sin(t)
# 绘制第一条线
ax.plot(t, s)
# 显示图形
plt.show(block=False)
# 更新线的数据并暂停
for phase in np.arange(0, 2 * np.pi, 0.05):
ax.plot(t + phase, np.sin(t + phase))
plt.pause(0.01)
# 关闭图形
plt.close()
（九）GridSpec
GridSpec提供了更灵活的方式来安排子图（subplot）的布局。在 Matplotlib 中，默认的子图布局是通过 plt.subplot() 或 plt.subplots() 等函数实现的，但这些函数都是按照行列均匀划分子图的，而GridSpec可以根据具体需求定制每个子图的位置和大小。
该类处于matplotlib.gridspec库下。
matplotlib.gridspec.GridSpec(nrows, ncols, figure=None, left=None, bottom=None, right=None, top=None, wspace=None, hspace=None, width_ratios=None, height_ratios=None)
nrows: 网格的行数。
ncols: 网格的列数。
figure: 可选，如果提供， GridSpec 将与这个指定的 Figure 实例关联。如果没有提供，GridSpec 将与当前活动的 Figure 关联。
left,bottom,right,top: 可选，这些参数用于指定网格在整个画布中的位置，它们的值应该在 0 到 1 之间，表示画布宽度和高度的百分比。例如，left=0.1 表示网格左边界距离画布左边界 10% 的位置。
wspace: 可选，子图之间的水平间距，这个值是以画布宽度的百分比来表示的。
hspace: 可选，子图之间的垂直间距，这个值是以画布高度的百分比来表示的。
width_ratios: 可选，指定各列的相对宽度。默认情况下，所有列的宽度都是相等的。如果提供这个参数，那么每一列的宽度将是其对应值的相对比例。
height_ratios: 可选，指定各行的相对高度。默认情况下，所有行的高度都是相等的。如果提供这个参数，那么每一行的高度将是其对应值的相对比例。
import matplotlib.pyplot as plt
from matplotlib.gridspec import GridSpec
fig = plt.figure(figsize=(10, 6))
# 创建一个 2 行 3 列的 GridSpec
gs = GridSpec(2, 3)
print(gs[0,0]) # GridSpec(2, 3)[0:1, 0:1]
# 添加子图
ax1 = fig.add_subplot(gs[0, 0])
ax2 = fig.add_subplot(gs[0, 1])
ax3 = fig.add_subplot(gs[0, 2])
# ax4 = fig.add_subplot(gs[1, 0])
# ax5 = fig.add_subplot(gs[1, 1:]) # 第二行第一列后面的所有子图都属于ax5
ax4 = fig.add_subplot(gs[1, :]) # 第二行所有（几个子图融合为一个）
plt.show()
本文来自博客园，作者：桑年，转载请注明原文链接：https://www.cnblogs.com/clover-1105/p/23415540
浙公网安备 33010602011771号