2.1 多子图绘制

2.1 多子图绘制

本节摘要：多子图就是把一张画布（Figure）切成多个绘图区域（Axes），让几个相关的图并排或交错地放在一起，方便横向比较。核心工具是 plt.subplots 做规整网格、GridSpec 做不规整布局，再配合共享坐标轴、间距、总标题这些细节。本节还会讲清两个关键选择：什么时候该规整、什么时候该不规整，以及共享坐标轴为什么能让比较更可靠。学完你能把原来要开三个窗口对比的三张图，收进一张画布里。

本节地图

阅读完本节，你应当能够：

1. 说清 Figure 和 Axes 的关系，以及为什么多子图就是"一个 Figure 装多个 Axes"
2. 用 plt.subplots 创建任意行数、列数的规整子图网格
3. 用 GridSpec 创建跨行跨列的不规整布局
4. 用 sharex、sharey 让子图共享坐标轴，减少重复、方便对比
5. 给子图和整张画布分别加标题，并处理间距和重叠

一、为什么一张图不够用

我们先把动机说清楚。很多时候，数据是成组出现的：一家公司四个季度的营收、三支股票在同一时间段的走势、同一个实验在不同参数下的曲线。你可以为它们各画一张图，再在报告里并排贴四张；但更省事的做法，是让它们在一张画布上并列出现。

并列的好处不只是省版面。人眼对"并排的差异"比"翻页后的差异"敏感得多：两张图肩并肩，纵轴刻度对齐，谁的峰值更高、谁先见顶，一眼就能比出来。这就是多子图存在的根本理由——它把"比较"这件事变得可视化。

要理解多子图，先得回到第 1 章的对象模型。我们把 Figure 想象成一张画纸，Axes 是画纸上被切出来的一个个区域。过去你习惯用 plt.plot 直接画，其实是 Matplotlib 偷偷帮你建了一个 Figure 和一个 Axes。到了多子图，我们不再让库代劳，而是显式地"领一张画纸、切几个区域、逐个画"。

二、先跑通最小例子

别急着背参数。先看一段能直接跑的最小代码，感受一下"一次领多个区"的手感。

import matplotlib.pyplot as plt
import numpy as np

x = np.linspace(0, 10, 100)
fig, axes = plt.subplots(2, 2, figsize=(8, 6))   # 2 行 2 列，一次领 4 个 Axes
axes[0, 0].plot(x, np.sin(x))
axes[0, 1].plot(x, np.cos(x))
axes[1, 0].plot(x, x ** 2)
axes[1, 1].plot(x, np.log(x + 1))
fig.suptitle('四张函数图')                        # 整张画布的总标题
plt.tight_layout()
plt.show()
​

plt.subplots(2, 2) 返回两个东西：fig 是那张画纸，axes 是一个二维数组，axes[0, 0] 到 axes[1, 1] 就是四个绘图区。之后你想在哪块画，就调用哪个 axes 的方法。这个"领区再画"的动作，是多子图与单图最大的区别。

这里有个容易踩的点：axes 的形状会随行列数变。一行三列时它是一维的，用 axes[0]；两行两列时是二维的，用 axes[0, 0]。如果你希望无论几行几列都统一用二维下标，就把 squeeze 设为 False。我自己的习惯是：写循环批量画图时统一用 squeeze=False，这样 axes 永远是二维数组，遍历起来不会一会儿一维一会儿二维。

三、规整与不规整：subplots 和 GridSpec

subplots 好用，但它只能切出"整齐的豆腐块"——每行每列一样宽高。现实里我们常常想要不规整的布局：上面一条宽宽的总览图，下面并排两个细节图；或者左边一个大图，右边摞两个小图。这时候就要请出 GridSpec。

GridSpec 的思路像装修时的"格子纸"：先在纸上画一个 3 行 3 列的网格，然后告诉工人"第 1 行整行都归我""第 2 行前两列归我""最后一列竖着打通"。每个格子是逻辑位置，实际占多少面积由你说了算。

import matplotlib.gridspec as gridspec

fig = plt.figure(figsize=(9, 7))
gs = gridspec.GridSpec(3, 3)                 # 先画一张 3x3 的格子纸
ax1 = fig.add_subplot(gs[0, :])              # 第 1 行整行
ax2 = fig.add_subplot(gs[1, :-1])            # 第 2 行，去掉最后一列
ax3 = fig.add_subplot(gs[1:, -1])            # 最后一列，从第 2 行往下
ax4 = fig.add_subplot(gs[2, 0])
ax5 = fig.add_subplot(gs[2, 1])
​

gs[0, :] 这种切片写法，和 Python 列表切片是同一个直觉：冒号表示"整段"，:-1 表示"到倒数第二个为止"，1: 表示"从第二个开始到最后"。一旦你习惯了这个语法，不规整布局就从"要查文档的难题"降级成"写几行切片的事"。

图 2.1 子图布局对比

选哪个，取决于你心里那套"主次"。规整的 2 乘 2 适合四个地位对等的指标；不规整的总览加细节，适合"先给读者一张全景，再让他钻进两个局部"。我见过不少人为了炫技，用 GridSpec 拼出一个谁也看不懂的迷宫，这就本末倒置了——布局是为了服务"比较"，不是为复杂而复杂。

四、共享坐标轴与细节

把几张图排在一起后，立刻会冒出一个新问题：四张图各有各的纵轴，刻度还不一样，并排看反而费劲。这时候就该共享坐标轴。

subplots 的两个参数 sharex、sharey 就是干这个的。取值有 'all'、'row'、'col'、False。sharex='col' 表示同一列的图共享横轴，只有最下面一行显示横轴刻度；sharey='row' 表示同一行共享纵轴，只有最左边一列显示纵轴刻度。共享之后，图与图之间的刻度线被省掉，画面干净了，而且因为刻度一致，跨图比较才有意义。

fig, axes = plt.subplots(2, 2, figsize=(8, 6), sharex='col', sharey='row')
# 只有最底行需要写 x 轴标签，最左列需要写 y 轴标签
axes[1, 0].set_xlabel('时间')
axes[0, 0].set_ylabel('数值')
​

一个反直觉的地方是：共享坐标轴之后，你只需要在"代表格"上设置标签，Matplotlib 会自动同步。别傻乎乎地给四个子图都写一遍 set_xlabel，那样反而可能显示重复。

再谈间距和标题。子图一多，标题、标签就容易打架。plt.tight_layout() 能自动收紧间距，是我的默认动作；还不够就用 gridspec_kw 里的 hspace、wspace 手动调。总标题用 fig.suptitle，注意它常会和第一行子图的标题挤在一起，需要 plt.subplots_adjust(top=0.9) 给顶部留点呼吸空间。

tight_layout 之外，新版 Matplotlib 还提供了 constrained_layout，它比 tight_layout 更智能，能同时处理图例、颜色条这类元素的避让，画布里塞了颜色条或大图例时尤其好用。另一个常被忽略的细节是子图的宽高比例：gridspec_kw 里的 width_ratios 和 height_ratios 能让不同行、不同列占不同的宽度高度，比如让第一列宽一些放主图、第二列窄一些放辅助图。默认的等分网格，很多时候并不是你真正想要的——主图本该占更多版面，等分了反而主次不分。

还要提醒一句调用顺序：tight_layout 或 constrained_layout 要放在所有绘图和标题设置完成之后再调用，因为它需要知道最终的元素尺寸才能计算避让。如果你先调了布局、后面又加标题或图例，新加的元素就可能和已有内容重叠，而布局函数已经"算完了"，不会回头再处理。

五、工程实践里的取舍

多子图这个主题，代码不难，难的是"该不该用、怎么排"的判断。给你几条我自己的经验。

先定布局再动手。很多人上来就 subplots(2, 2)，画到第三个图才发现"其实我想要上面一宽条加下面三小格"。改布局等于重写，所以动手前先在纸上把格子画出来，几行几列、谁跨谁，想清楚再敲代码。

子图数量别贪多。一张画布塞九个图，每个图小得像邮票，读者一个也看不清。我一般控制在六个以内；再多，就考虑拆成两张画布，或者干脆用动画滚动展示（第 2.5 节会讲）。信息密度高不等于信息传达好。

共享坐标轴要克制。共享能带来可比性，但如果两个图的数据量级差了好几个数量级（比如一个是百分比、一个是几百万），硬共享纵轴会让小量级那条线被压成一条贴地线。这种时候宁可不共享，各自用合适的刻度，再在图里标清楚单位。

关于接口，我倾向全部用面向对象的 axes 写法，而不是混着 plt 的旧式 subplot。面向对象写法里，每个图都明确落在哪个 axes 上，代码长一点，但读起来不会"这行到底画在哪"。多子图这种场景，最怕的就是接口混用导致的"画错区"。

最后补一句反过来的提醒：不是所有多图都要塞进一张画布。当几张图之间没有可比性、甚至量纲都不同，硬把它们并排，反而会让读者误以为它们可以横向比较。多子图服务于"比较"，没有比较需求时，分开独立成图更诚实。

⚠️ 常见坑：用旧式 plt.subplot(2, 2, 3) 时，索引从 1 开始且按行优先；而 subplots 返回的 axes 用二维下标且从 0 开始。两者混着记，最容易把图画错格子。我的建议是：彻底忘掉旧式写法，只用 subplots 和 GridSpec，一套下标逻辑走到底。
💡 关键直觉：把多子图想象成"给一面墙排版画框"。先量好墙（Figure 尺寸），再画好每个画框的位置（布局），最后才往框里挂画（axes.plot）。顺序反了，就得反复拆框重来。

六、常被问到的几个细节

subplot 和 subplots 到底用哪个

旧式的 plt.subplot(2, 2, 1) 一次只建一个子图，靠"从 1 开始、按行优先"的索引定位；新式的 plt.subplots(2, 2) 一次把全部子图建好，返回一个 axes 数组。功能上新写法完全覆盖旧写法，还更直观。我的建议是只用 subplots 和 GridSpec，把旧写法彻底放下，少记一套容易出错的规则。

一行或一列时，axes 该怎么取

subplots(1, 3) 返回的 axes 默认是一维数组，用 axes[0]、axes[1] 取；subplots(2, 2) 返回二维数组，用 axes[0, 0] 取。如果你嫌这种"一会儿一维一会儿二维"的规则麻烦，就统一加 squeeze=False，让 axes 永远是二维数组，遍历和索引的写法就固定下来了，写循环批量画图时尤其省心。

共享坐标轴之后，还能单独调某个子图吗

能。共享坐标轴只是让刻度和范围保持一致，并隐藏了重复的刻度标签，你仍然可以对任意一个 axes 调 set_xlim、set_ylim，只是改动会同步到共享该轴的兄弟子图。如果某个子图确实要"破例"独立，就单独把它建成 sharex=False，别为它影响整组。

子图太多、挤成一团怎么办

三个办法依次试：先调大 figsize 给整张画布更多空间；再用 plt.tight_layout() 自动收紧间距；还不够，就用 gridspec_kw 里的 hspace、wspace 手动拉开。另外要提醒一句，子图超过六个时，先想想是不是该拆成两张画布，别硬塞——信息密度高不等于传达效果好。

想画"上面一个大图、下面三个小图"怎么办

这类"总览加细节"正是 GridSpec 的主场。先 GridSpec(2, 3) 画一张两行三列的虚拟格子，上面的大图占 gs[0, :] 整行，下面三个小图分别占 gs[1, 0]、gs[1, 1]、gs[1, 2]。要点是先想清楚虚拟网格的尺寸，再用切片把区域划出来，剩下的交给 tight_layout 收拾间距。

本章回顾

• 一个 Figure 装多个 Axes：多子图不是画多张图，而是把一张画布切成多个绘图区。
• 规整用 subplots：plt.subplots(行, 列) 一次领回 Figure 和 Axes 数组，逐个画即可。
• 不规整用 GridSpec：在虚拟格子上用切片指定跨行跨列，实现总览加细节式布局。
• 共享坐标轴省事又可比：sharex、sharey 让刻度一致，比较才有意义。
• 标题分两层：set_title 管子图，suptitle 管整张画布，注意留顶部空间。
• 先布局后动手：动手前画好格子草图，比画到一半改布局省时间。
• 统一面向对象写法：只用 axes 接口，避免 plt 旧式写法导致"画错区"。

布局定好了，下一个问题接踵而至：每个区里的图，颜色该怎么定？这就是第 2.2 节要解决的——颜色系统与色彩映射。