一、subplot/subplots基础网格布局
Matplotlib 提供了两套基础的子图创建接口：pyplot.subplot() 和 pyplot.subplots()。前者每次调用创建或激活一个子图位置，后者一次性创建整组子图并返回 axes 数组，是更现代的推荐用法。
1.1 基础子图 (subplot)
subplot(nrows, ncols, index) 将画布划分为 nrows 行 x ncols 列的网格，并激活第 index 个子图（从 1 开始计数）。连续调用即可在不同位置绘图。例如 subplot(2, 2, 1) 表示 2x2 网格中的左上角位置。
import matplotlib.pyplot as plt
import numpy as np
x = np.linspace(0, 2 * np.pi, 100)
# 创建 2x2 网格，逐个添加子图
plt.figure(figsize=(10, 6))
plt.subplot(2, 2, 1)
plt.plot(x, np.sin(x), 'b-')
plt.title('sin(x)')
plt.subplot(2, 2, 2)
plt.plot(x, np.cos(x), 'r--')
plt.title('cos(x)')
plt.subplot(2, 2, 3)
plt.plot(x, np.tan(x), 'g-.')
plt.ylim(-5, 5)
plt.title('tan(x)')
plt.subplot(2, 2, 4)
plt.plot(x, np.sin(2*x), 'm:')
plt.title('sin(2x)')
plt.tight_layout()
plt.show()
1.2 subplots 一次性创建 (推荐)
plt.subplots(nrows, ncols) 一次性创建所有子图，返回 (fig, axes) 元组，其中 axes 是形状为 (nrows, ncols) 的 numpy 数组。这种方式代码更简洁，且便于批量操作子图。
fig, axes = plt.subplots(2, 3, figsize=(12, 6))
# axes 形状为 (2, 3)，可直接索引
for i in range(2):
for j in range(3):
idx = i * 3 + j + 1
axes[i, j].plot(x, np.sin(idx * x))
axes[i, j].set_title(f'sin({idx}x)')
axes[i, j].grid(True, alpha=0.3)
plt.tight_layout()
plt.show()
1.3 共享坐标轴 (sharex / sharey)
当多个子图需要比较相同数据范围时，共享坐标轴可以避免重复刻度和标题，使图形更加紧凑美观。sharex=True 表示所有子图共享 X 轴，sharey=True 表示共享 Y 轴。也可以指定 sharex='row' 或 sharex='col' 按行或列共享。
fig, axes = plt.subplots(2, 2, figsize=(10, 6),
sharex=True, sharey=True)
for i in range(2):
for j in range(2):
axes[i, j].plot(x, np.sin(x + i * np.pi / 4 + j * np.pi / 2))
axes[i, j].grid(True, alpha=0.3)
# 只需要一个统一的轴标签
axes[1, 0].set_xlabel('X 轴 (共享)')
axes[0, 0].set_ylabel('Y 轴 (共享)')
plt.show()
重要区别：
- subplot：每次调用创建或激活一个子图，适合不确定总数时的逐步构建
- subplots：一次性创建所有子图，返回 axes 数组，适合已知网格结构时的高效编码
- sharex/sharey：共享坐标轴可大幅减少重复标签，但要注意刻度标签可能重叠
- 使用 fig.subplots_adjust(hspace=0.3, wspace=0.3) 可手动调整子图间距
二、GridSpec精细网格布局
当需要更灵活的子图布局（如跨行跨列、不同大小、复杂排列）时，GridSpec 是最强大的工具。它允许将画布划分为任意行和列，然后每个子图可以占据任意范围的网格单元。
2.1 基础用法：多行多列
通过 plt.GridSpec(nrows, ncols) 创建一个网格规格对象，然后传递给 add_subplot() 来创建占据指定位置或范围的子图。
import matplotlib.gridspec as gridspec
fig = plt.figure(figsize=(10, 8))
gs = gridspec.GridSpec(3, 3, figure=fig)
# 3 行 3 列，总共 9 个网格单元
ax1 = fig.add_subplot(gs[0, :]) # 第0行，所有列
ax2 = fig.add_subplot(gs[1, :-1]) # 第1行，除最后一列
ax3 = fig.add_subplot(gs[1:, -1]) # 第1行到最后一行，最后一列
ax4 = fig.add_subplot(gs[-1, 0]) # 最后一行，第0列
ax5 = fig.add_subplot(gs[-1, 1]) # 最后一行，第1列
ax1.plot([1, 2, 3], [1, 4, 9])
ax1.set_title('gs[0, :] -- 跨所有列')
ax2.plot([1, 2, 3], [1, 8, 27])
ax2.set_title('gs[1, :-1]')
ax3.plot([1, 2, 3], [1, 2, 3])
ax3.set_title('gs[1:, -1] 跨两行')
ax4.plot([1, 2, 3], [1, 0.5, 0.25])
ax4.set_title('gs[-1, 0]')
ax5.bar([1, 2, 3], [3, 1, 2])
ax5.set_title('gs[-1, 1]')
plt.tight_layout()
plt.show()
2.2 跨行跨列 (span)
GridSpec 使用 Python 的切片语法指定子图占据的网格区域：gs[row_start:row_end, col_start:col_end]。切片范围支持省略号、负数等标准 Python 切片操作。
fig = plt.figure(figsize=(12, 8))
gs = gridspec.GridSpec(4, 4, figure=fig)
# 各种跨行跨列组合
ax1 = fig.add_subplot(gs[0, :2]) # 左上 2 列
ax2 = fig.add_subplot(gs[0, 2:]) # 右上 2 列
ax3 = fig.add_subplot(gs[1:3, :]) # 中间跨所有列（2行高）
ax4 = fig.add_subplot(gs[3, 0]) # 左下
ax5 = fig.add_subplot(gs[3, 1:3]) # 中下跨2列
ax6 = fig.add_subplot(gs[3, 3]) # 右下
ax1.text(0.5, 0.5, 'gs[0, :2]', ha='center', va='center', fontsize=14)
ax2.text(0.5, 0.5, 'gs[0, 2:]', ha='center', va='center', fontsize=14)
ax3.text(0.5, 0.5, 'gs[1:3, :]', ha='center', va='center', fontsize=16)
ax4.text(0.5, 0.5, 'gs[3, 0]', ha='center', va='center', fontsize=14)
ax5.text(0.5, 0.5, 'gs[3, 1:3]', ha='center', va='center', fontsize=14)
ax6.text(0.5, 0.5, 'gs[3, 3]', ha='center', va='center', fontsize=14)
for ax in [ax1, ax2, ax3, ax4, ax5, ax6]:
ax.set_xticks([])
ax.set_yticks([])
plt.show()
2.3 宽度和高度比例 (width_ratios / height_ratios)
默认情况下 GridSpec 的每个网格单元大小相等。通过 width_ratios 和 height_ratios 参数，可以为不同行列指定相对比例，实现非均匀子图尺寸。
fig = plt.figure(figsize=(10, 6))
gs = gridspec.GridSpec(2, 3, figure=fig,
width_ratios=[2, 1, 1],
height_ratios=[1, 2])
ax1 = fig.add_subplot(gs[0, 0])
ax2 = fig.add_subplot(gs[0, 1:])
ax3 = fig.add_subplot(gs[1, :2])
ax4 = fig.add_subplot(gs[1, 2])
ax1.text(0.5, 0.5, '宽2x高1', ha='center', va='center', fontsize=12)
ax2.text(0.5, 0.5, '宽2x高1', ha='center', va='center', fontsize=12)
ax3.text(0.5, 0.5, '宽3x高2', ha='center', va='center', fontsize=12)
ax4.text(0.5, 0.5, '宽1x高2', ha='center', va='center', fontsize=12)
# width_ratios=[2, 1, 1] 表示第一列宽度是其他列的2倍
# height_ratios=[1, 2] 表示第二行高度是第一行的2倍
for ax in [ax1, ax2, ax3, ax4]:
ax.set_xticks([])
ax.set_yticks([])
plt.show()
GridSpec 使用技巧：
- 切片即可实现跨行跨列：不需要额外的 API，标准的 gs[row_slice, col_slice] 语法
- 比例控制：width_ratios 和 height_ratios 列表长度必须与行列数一致
- 结合更新：创建后可通过 gs.update(wspace=0.3, hspace=0.3) 调整间距
- GridSpecFromSubplotSpec：支持在子图中嵌套 GridSpec，实现更多级的复杂布局
三、subplot2grid 接口
subplot2grid 提供了一种类似 GridSpec 的接口，但语法更为直观，适合简单的非规则网格布局。它通过 (row, col) 来指定子图左上角的位置，通过 rowspan 和 colspan 指定占据的行列数。
fig = plt.figure(figsize=(10, 6))
# (行, 列) 指定起始位置，rowspan/colspan 指定跨度
ax1 = plt.subplot2grid((3, 3), (0, 0), colspan=3)
ax2 = plt.subplot2grid((3, 3), (1, 0), colspan=2)
ax3 = plt.subplot2grid((3, 3), (1, 2), rowspan=2)
ax4 = plt.subplot2grid((3, 3), (2, 0))
ax5 = plt.subplot2grid((3, 3), (2, 1))
ax1.plot([1, 2, 3], [1, 4, 9], 'b-o', linewidth=2)
ax1.set_title('subplot2grid: (0,0) colspan=3')
ax2.scatter([1, 2, 3], [3, 1, 2], s=100, c='red')
ax2.set_title('(1,0) colspan=2')
ax3.barh([1, 2, 3], [5, 3, 4], color='green')
ax3.set_title('(1,2) rowspan=2')
ax4.pie([30, 40, 30], labels=['A', 'B', 'C'], autopct='%1.0f%%')
ax4.set_title('(2,0)')
ax5.hist(np.random.randn(100), bins=15, color='purple', alpha=0.7)
ax5.set_title('(2,1)')
plt.tight_layout()
plt.show()
GridSpec vs subplot2grid 对比：
- GridSpec：更灵活，支持切片语法，可精细控制行列比例，推荐用于复杂布局
- subplot2grid：语法更简洁，通过 (row, col) 和 rowspan/colspan 参数控制，适合中等复杂度的布局
- 两者都能实现类似效果，选择标准是个人偏好和代码可读性
- 从功能完整性角度，GridSpec 是更强大的选择
四、inset_axes 内嵌子图
内嵌子图是在已有子图内部再添加一个小图，用于展示放大细节、辅助信息或缩略图。ax.inset_axes() 是 Matplotlib 3.0+ 推荐的方法，使用 [x, y, width, height] 的相对坐标（相对于父axes，取值范围 0-1）来定位内嵌图。
4.1 基本内嵌子图
fig, ax = plt.subplots(figsize=(8, 5))
x = np.linspace(0, 10, 1000)
y = np.sin(x**2) / (x + 1)
ax.plot(x, y, 'b-', linewidth=1.5)
ax.set_xlabel('X')
ax.set_ylabel('Y')
ax.set_title('主图: sin(x^2)/(x+1)')
# 创建内嵌子图 (相对坐标)
# [左, 下, 宽, 高] 范围均为 0-1，相对于父坐标轴
inset = ax.inset_axes([0.6, 0.6, 0.3, 0.3])
# 聚焦 x 在 [2, 4] 区间的细节
mask = (x >= 2) & (x <= 4)
inset.plot(x[mask], y[mask], 'r-', linewidth=2)
inset.set_title('放大细节', fontsize=10)
inset.grid(True, alpha=0.3)
# 在主图中标记放大的区域
ax.axvspan(2, 4, alpha=0.15, color='red')
ax.annotate('', xy=(2, 0.3), xytext=(4, 0.3),
arrowprops=dict(arrowstyle='<->', color='red'))
plt.show()
4.2 缩略图（overlay axes）
内嵌子图也常用于添加全局缩略图、小地图或 Logo。结合 set_xticks([]) 和 set_yticks([]) 可以隐藏刻度以保持干净外观。
fig, ax = plt.subplots(figsize=(8, 6))
# 主图：绘制二维数据
data = np.random.randn(20, 20)
im = ax.imshow(data, cmap='viridis', aspect='auto')
ax.set_title('主图: 20x20 随机数据')
# 在右下角添加颜色条缩略图
cax = ax.inset_axes([0.75, 0.05, 0.2, 0.03])
plt.colorbar(im, cax=cax, orientation='horizontal')
cax.set_xlabel('色标', fontsize=9)
# 在左上角添加一个小统计图
hist_ax = ax.inset_axes([0.05, 0.75, 0.2, 0.2])
hist_ax.hist(data.flatten(), bins=10, color='skyblue', edgecolor='white')
hist_ax.set_title('数据分布', fontsize=9)
hist_ax.tick_params(labelsize=7)
plt.show()
inset_axes 最佳实践：
- 相对坐标：[x, y, w, h] 四个值都是相对于父 axes 的比例（0-1）
- 位置推荐：放大细节放在右上角或右下角，统计信息放在左上角
- 主题一致性：内嵌子图的字体大小应适当调小（fontsize=8~10）
- 连接线：使用 ax.indicate_inset_zoom(inset) 可自动绘制主图与内嵌图的连接线
五、twinx/twiny 双轴图
双轴图用于在同一子图中展示两个不同量纲或不同量级的数据序列。twinx() 创建一个共享 X 轴但 Y 轴在右侧的新坐标轴，twiny() 创建一个共享 Y 轴但 X 轴在上方的新坐标轴。这在金融数据（价格 vs 成交量）、气象数据（温度 vs 降水量）等场景中极为常见。
5.1 共享 X 轴的双 Y 轴 (twinx)
fig, ax1 = plt.subplots(figsize=(10, 5))
# 模拟数据：股价和成交量
days = np.arange(0, 30)
price = 100 + np.cumsum(np.random.randn(30) * 1.5)
volume = np.random.randint(1000, 10000, 30)
# 左轴：股价折线
color_left = 'tab:blue'
ax1.set_xlabel('天数')
ax1.set_ylabel('价格 (元)', color=color_left)
ax1.plot(days, price, color=color_left, marker='o', linewidth=2)
ax1.tick_params(axis='y', labelcolor=color_left)
ax1.grid(True, alpha=0.3)
ax1.set_title('twinx 双轴图: 价格与成交量', fontsize=14)
# 右轴：成交量柱状图
ax2 = ax1.twinx()
color_right = 'tab:red'
ax2.set_ylabel('成交量 (手)', color=color_right)
ax2.bar(days, volume, alpha=0.4, color=color_right, width=0.8)
ax2.tick_params(axis='y', labelcolor=color_right)
plt.show()
5.2 共享 Y 轴的双 X 轴 (twiny)
当需要展示同一数据在不同坐标系下的关系时（例如华氏温度和摄氏温度），twiny() 非常有用。
fig, ax1 = plt.subplots(figsize=(8, 5))
# 摄氏温度 VS 能量
celsius = np.linspace(-20, 40, 7)
energy = celsius**2 + 50 * np.abs(celsius) + 200
ax1.plot(celsius, energy, 'bo-', linewidth=2, markersize=8)
ax1.set_xlabel('温度 (摄氏)', color='tab:blue')
ax1.set_ylabel('能量消耗 (cal)', color='tab:blue')
ax1.tick_params(axis='x', labelcolor='tab:blue')
ax1.set_title('twiny 双轴图: 摄氏与华氏温度对比')
# 添加华氏温度上轴
ax2 = ax1.twiny()
fahrenheit = celsius * 9 / 5 + 32
ax2.set_xlabel('温度 (华氏)', color='tab:red')
ax2.set_xlim(ax1.get_xlim()) # 确保两轴范围一致
# 华氏刻度位置需要转换
ax2.set_xticks(celsius * 9/5 + 32)
ax2.set_xticklabels([f'{f:.0f}°F' for f in fahrenheit])
ax2.tick_params(axis='x', labelcolor='tab:red')
plt.show()
5.3 双轴图的高级应用：多数据叠可视图
在实际数据分析中，经常需要同时展示三种或更多量纲不同的数据序列。此时可以将折线图放在左轴，柱状图放在右轴，实现信息密度极高的可视化。
fig, ax1 = plt.subplots(figsize=(12, 5))
months = ['1月', '2月', '3月', '4月', '5月', '6月',
'7月', '8月', '9月', '10月', '11月', '12月']
temperature = [2, 5, 12, 18, 24, 28, 32, 30, 25, 18, 10, 4]
rainfall = [30, 25, 40, 60, 80, 120, 180, 150, 90, 50, 35, 28]
sunshine = [120, 140, 180, 200, 240, 260, 280, 270, 210, 190, 150, 130]
x = np.arange(len(months))
# 左轴：温度折线
line1 = ax1.plot(x, temperature, 'r-o', linewidth=2, markersize=6, label='平均温度 (°C)')
ax1.set_xlabel('月份')
ax1.set_ylabel('温度 (°C)', color='r')
ax1.tick_params(axis='y', labelcolor='r')
ax1.set_xticks(x)
ax1.set_xticklabels(months)
# 右轴：柱状图（降水量）+ 折线（日照）
ax2 = ax1.twinx()
bars = ax2.bar(x - 0.2, rainfall, 0.4, alpha=0.5, color='b', label='降水量 (mm)')
line2 = ax2.plot(x + 0.2, sunshine, 'g-s', linewidth=2,
markersize=6, label='日照时数 (h)')
ax2.set_ylabel('降水量 / 日照时数', color='b')
ax2.tick_params(axis='y', labelcolor='b')
# 合并图例
lines = line1 + line2 + [bars]
labels = [l.get_label() for l in lines]
ax1.legend(lines, labels, loc='upper left')
plt.title('2025年某市气候数据三轴可视化', fontsize=14)
plt.show()
双轴图使用要点：
- 颜色编码：左边 Y 轴与对应曲线颜色一致，右边 Y 轴与另一曲线颜色一致
- 避免过度使用：双轴图可能误导读者，确保两个 Y 轴的量纲关系清晰
- 图例合并：使用 ax1.legend(lines, labels) 将两轴的图例合并显示
- 刻度对齐：适当调整刻度范围，避免两轴刻度数差异过大造成视觉误解
- Matplotlib 3.5+ 中 secondary_yaxis 提供了另一种双轴方案
六、constrained_layout 与 tight_layout 自动调整
当子图数量增多或包含标签、标题时，子图之间以及子图与画布边缘之间经常出现重叠。tight_layout 和 constrained_layout 是 Matplotlib 提供的两种自动布局调整机制。
6.1 tight_layout（紧凑布局）
plt.tight_layout() 在绘图完成后调用，自动调整子图参数以填充整个画布。它裁切掉多余的空白区域，使子图之间以及子图与画布边缘之间紧凑排列。可以通过 pad、h_pad、w_pad 参数控制间距。
fig, axes = plt.subplots(2, 2, figsize=(8, 6))
for i in range(2):
for j in range(2):
ax = axes[i, j]
ax.plot(np.random.randn(50).cumsum(), linewidth=1.5)
ax.set_title(f'子图 ({i},{j})', fontsize=12)
ax.set_xlabel(f'X 标签 ({i},{j})')
ax.set_ylabel(f'Y 标签 ({i},{j})')
# 自动紧凑布局
plt.tight_layout(pad=1.5, h_pad=2.0, w_pad=1.0)
# pad: 子图与画布边缘的间距
# h_pad: 行之间的间距
# w_pad: 列之间的间距
plt.show()
6.2 constrained_layout（约束布局）
constrained_layout 是更先进的布局引擎，通过在创建 Figure 时设置 constrained_layout=True 来启用。它在绘制过程中动态计算布局，比 tight_layout 更智能——当添加标签或调整大小时会自动重新计算，且支持 colorbar、图例等额外元素的自动布局。
# 方式1：创建时启用
fig, axes = plt.subplots(2, 2, figsize=(8, 6),
constrained_layout=True)
for i in range(2):
for j in range(2):
ax = axes[i, j]
ax.imshow(np.random.randn(20, 20), cmap='RdBu')
ax.set_title(f'子图 ({i},{j})')
ax.set_xlabel('X 轴')
ax.set_ylabel('Y 轴')
# 添加 colorbar 也会自动纳入布局
im = axes[0, 0].get_images()[0]
fig.colorbar(im, ax=axes, shrink=0.8)
plt.show()
# 方式2：rcParams 全局启用
# import matplotlib as mpl
# mpl.rcParams['figure.constrained_layout.use'] = True
6.3 两者对比与选择
| 特性 |
tight_layout |
constrained_layout |
| 调用方式 |
绘图后显式调用 plt.tight_layout() |
创建 Figure 时设置 constrained_layout=True |
| 动态性 |
静态计算，调优后不再更新 |
动态引擎，添加/修改元素时自动重算 |
| colorbar 支持 |
需要手动调整 |
自动纳入布局计算 |
| 性能 |
较快，一次性计算 |
稍慢，持续计算 |
| 兼容性 |
与所有版本兼容 |
Matplotlib 2.2+ 可用，3.x 完善 |
| 推荐场景 |
简单布局、快速出图 |
复杂布局、出版级别图形 |
布局调整实战建议：
当自动布局无法满足需求时，还可以使用以下手动参数进行精细控制：
- fig.subplots_adjust(left=0.1, right=0.95, top=0.93, bottom=0.08, hspace=0.3, wspace=0.3) -- 手动设置子图边界和间距
- fig.subplotpars -- 查看当前的布局参数
- 对于出版级图形，推荐 constrained_layout + 微调 rect 参数
- GridSpec 中可使用 gs.update(left=0.1, right=0.95, ...) 达到类似效果
七、axes_grid1 工具集
mpl_toolkits.axes_grid1 提供了一系列高级布局工具，特别是用于创建等尺寸的图像网格、可对齐的坐标轴等。其中最常用的是 ImageGrid 和 MakeImageLocator。
7.1 ImageGrid：统一图像网格
ImageGrid 专门用于创建大小一致、坐标轴对称的图像网格，每个子图自动等宽等高，且 colorbar 可以统一管理。这在深度学习特征图可视化、多通道图像对比等场景中极其实用。
from mpl_toolkits.axes_grid1 import ImageGrid
fig = plt.figure(figsize=(10, 6))
# 创建 2x3 图像网格
# nrows_ncols: 行列数
# cbar_mode: colorbar 模式 ('single', 'each', None)
# cbar_location: colorbar 位置
# axes_pad: 子图间距
grid = ImageGrid(fig, 111, # 占据整个画布
nrows_ncols=(2, 3),
axes_pad=0.3,
share_all=True,
cbar_location='right',
cbar_mode='single',
cbar_size='5%',
cbar_pad=0.1)
# 生成示例图像数据
for i, ax in enumerate(grid):
data = np.random.randn(10, 10) + i * 0.5
im = ax.imshow(data, cmap='viridis',
vmin=-2, vmax=7) # 统一色标范围
ax.set_title(f'通道 {i+1}', fontsize=10)
ax.set_xticks([])
ax.set_yticks([])
# 统一 colorbar
grid.cbar_axes[0].colorbar(im)
grid.cbar_axes[0].set_ylabel('强度', fontsize=10)
plt.show()
7.2 ImageGrid 的 cbar_mode 选项
# 为每个子图独立显示 colorbar
fig = plt.figure(figsize=(12, 4))
grid_each = ImageGrid(fig, 111,
nrows_ncols=(1, 3),
axes_pad=0.5,
share_all=True,
cbar_location='right',
cbar_mode='each',
cbar_size='5%',
cbar_pad=0.1)
for i, ax in enumerate(grid_each):
data = np.random.randn(10, 10) * (i + 1)
im = ax.imshow(data, cmap='plasma')
ax.set_title(f'S{i+1}: std={i+1}')
# 每个子图的 colorbar
grid_each.cbar_axes[i].colorbar(im)
grid_each.cbar_axes[i].set_ylabel(f'C{i+1}')
plt.show()
7.3 AxesDivider 与 make_axes_locatable
make_axes_locatable 可以为已有的子图创建新的对齐坐标轴，常用于在子图旁边添加 colorbar 或辅助轴，且保证与主子图对齐。
from mpl_toolkits.axes_grid1 import make_axes_locatable
fig, ax = plt.subplots(figsize=(6, 5))
data = np.random.randn(15, 15)
im = ax.imshow(data, cmap='coolwarm')
ax.set_title('带 colorbar 的热图')
# 使用 divider 在右侧创建 colorbar 轴
divider = make_axes_locatable(ax)
cax = divider.append_axes('right', size='5%', pad=0.1)
plt.colorbar(im, cax=cax)
cax.set_ylabel('数值', fontsize=10)
# 还可以在底部添加辅助直方图
ax_hist = divider.append_axes('bottom', size='20%', pad=0.3,
sharex=ax) # 与主图共享 X 轴
ax_hist.bar(np.arange(15), np.mean(data, axis=0),
color='skyblue', edgecolor='white')
ax_hist.set_ylabel('均值')
ax_hist.set_xlabel('列索引')
plt.show()
7.4 布局工具综合应用实践
在实际数据分析项目中，多种布局工具常常组合使用。下面是一个结合 GridSpec、inset_axes、twinx 的综合示例，模拟一份完整的数据分析报告图表：
fig = plt.figure(figsize=(14, 10))
gs = gridspec.GridSpec(3, 3, figure=fig,
height_ratios=[1, 1.2, 0.8],
hspace=0.35, wspace=0.35)
# 数据准备
t = np.linspace(0, 10, 200)
signal = np.sin(2 * np.pi * 0.5 * t) * np.exp(-t / 5)
noise = np.random.randn(200) * 0.2
noisy_signal = signal + noise
# A: 原始信号 (跨2列)
ax_a = fig.add_subplot(gs[0, :2])
ax_a.plot(t, signal, 'b-', linewidth=1.5, label='纯净信号')
ax_a.scatter(t[::5], noisy_signal[::5], s=8,
alpha=0.5, c='gray', label='含噪采样')
ax_a.legend()
ax_a.set_title('A: 信号分析')
ax_a.grid(True, alpha=0.3)
# A-内嵌：频谱分析
inset = ax_a.inset_axes([0.65, 0.6, 0.3, 0.3])
freq = np.fft.fftfreq(len(t), t[1] - t[0])
spectrum = np.abs(np.fft.fft(signal))
inset.plot(freq[:50], spectrum[:50], 'r-')
inset.set_title('频谱', fontsize=9)
inset.set_xlabel('频率', fontsize=7)
inset.set_ylabel('幅度', fontsize=7)
# B: 统计分布
ax_b = fig.add_subplot(gs[0, 2])
ax_b.hist(noisy_signal, bins=20, color='skyblue',
edgecolor='white', density=True)
ax_b.set_title('B: 分布')
ax_b.set_ylabel('密度')
# C: 双轴分析 (跨2行)
ax_c1 = fig.add_subplot(gs[1:, :2])
ax_c1.plot(t, noisy_signal, 'gray', alpha=0.5, label='原始')
ax_c1.plot(t, signal, 'b-', linewidth=2, label='滤波')
ax_c1.set_xlabel('时间')
ax_c1.set_ylabel('幅度')
ax_c1.set_title('C: 滤波与误差分析')
ax_c1.grid(True, alpha=0.3)
ax_c1.legend(loc='upper left')
ax_c2 = ax_c1.twinx()
error = np.abs(noisy_signal - signal)
ax_c2.fill_between(t, 0, error, alpha=0.3, color='red')
ax_c2.set_ylabel('误差', color='red')
ax_c2.tick_params(axis='y', labelcolor='red')
# D: 指标汇总
ax_d = fig.add_subplot(gs[1, 2])
metrics = ['信噪比', '均方误差', '相关系数']
values = [8.5, 0.042, 0.967]
colors_d = ['#2ecc71', '#e74c3c', '#3498db']
bars = ax_d.bar(metrics, values, color=colors_d, width=0.5)
ax_d.set_title('D: 质量指标')
ax_d.set_ylim(0, max(values) * 1.3)
for bar, v in zip(bars, values):
ax_d.text(bar.get_x() + bar.get_width()/2, bar.get_height() + 0.02,
f'{v}', ha='center', fontsize=11, fontweight='bold')
# E: 残差Q-Q图
ax_e = fig.add_subplot(gs[2, 2])
residuals = noisy_signal - signal
ax_e.scatter(np.sort(residuals),
np.random.randn(len(residuals)), s=5, alpha=0.6)
ax_e.axline([0, 0], [1, 1], color='red', linestyle='--')
ax_e.set_title('E: Q-Q 图')
ax_e.set_xlabel('理论分位数')
ax_e.set_ylabel('样本分位数')
plt.show()
axes_grid1 核心优势：
- ImageGrid：专为等尺寸图像设计，自动对齐、统一 colorbar 管理
- make_axes_locatable：创建与主子图完美对齐的附属坐标轴
- 可组合性：所有布局工具可以自由组合，构建多层级复杂可视化
- 生产级输出：适合论文、报告等对图形质量有严格要求的场景
八、布局方案总结与选型指南
| 布局方案 |
适用场景 |
复杂度 |
灵活性 |
| subplot / subplots |
标准网格布局，快速出图 |
低 |
中等 |
| GridSpec |
不规则网格、跨行跨列 |
中 |
高 |
| subplot2grid |
中等复杂度非规则布局 |
中低 |
中高 |
| inset_axes |
内嵌子图、放大细节 |
低 |
中 |
| twinx / twiny |
双轴图、不同量纲对比 |
低 |
中 |
| constrained_layout |
自动布局调整，含 colorbar |
低 |
中 |
| ImageGrid |
等尺寸图像网格 |
中 |
中高 |
| make_axes_locatable |
对齐附属坐标轴 |
中低 |
高 |
核心要点总结
- 基础网格首选 subplots：plt.subplots() 一次性创建所有子图，返回 axes 数组，代码最简洁
- 非规则布局用 GridSpec：切片语法灵活强大，width_ratios/height_ratios 控制比例
- 细节放大用 inset_axes：相对坐标定位，indicate_inset_zoom 自动绘制连接线
- 不同量纲用 twinx/twiny：注意颜色编码和图例合并，避免视觉误导
- 自动布局用 constrained_layout：动态引擎，支持 colorbar、图例等额外元素
- 图像网格用 ImageGrid：自动等尺寸、统一 colorbar，适合深度学习可视化
- 对齐轴用 make_axes_locatable：创建与主子图完美对齐的附属轴
- 实际项目中，多种布局工具经常组合使用以达到最佳可视化效果
九、进一步学习与实践建议
Matplotlib 的布局系统是数据可视化中最重要的基础技能之一。以下是一些进一步学习的建议：
进阶学习路径：
- 官方 Gallery 学习：Matplotlib 官方文档的 Gallery 页面提供了大量布局示例，可直接参考修改
- 动画布局：结合 FuncAnimation 和布局工具，制作动态多子图动画
- 交互式布局：使用 mplcursors、widgets 等工具为多子图添加交互
- 3D 子图：projection='3d' 与 GridSpec 结合，创建 3D 多子图布局
- Seaborn 集成：Seaborn 基于 Matplotlib 构建，其 FacetGrid、PairGrid 是高级布局的封装
- 自定义布局：通过重写 SubplotParams 或自定义 GridSpec 子类实现完全定制的布局逻辑
"一个好的数据可视化不是图形有多华丽，而是能否让读者在第一时间准确理解数据所传达的信息。Matplotlib 的布局管理就是实现这一目标的基础工具。"
常见错误与解决方案：
- 子图重叠：使用 tight_layout() 或 constrained_layout=True
- X/Y 轴标签被截断：增大 bottom 或 left 参数值
- colorbar 大小不对齐：使用 make_axes_locatable 创建对齐的 colorbar 轴
- 子图大小不一致：使用 ImageGrid 或确保 GridSpec 的宽高比例设置正确
- 双轴图刻度不一致：显式设置 set_ylim 确保两轴范围比例合理
- 内嵌子图位置偏移：检查 inset_axes 的坐标是否在 [0,1] 范围内