深入理解 fig.add_subplot(111)

在 matplotlib 中，fig.add_subplot(111) 可能是最常用的命令之一。它常用于实现基于数据可视化的图形。在这篇文章中，我们将从多个方面对其进行详细的阐述。

一、基础概念

subplot 是指在一个图中，划分成多个小的坐标系以便于显示不同的图。fig.add_subplot() 函数就可以实现在一个大的图中添加子图。其中，111 意味着我们创建的是一个 1 行 1 列的子图。如果我们需要创建多个子图，可以按照不同的行列进行配置例如：fig.add_subplot(221)、fig.add_subplot(222)、fig.add_subplot(223) 等等。

下面是一个简单的例子：

import matplotlib.pyplot as plt
import numpy as np

x = np.linspace(0, 2*np.pi, 50)
y = np.sin(x)

fig = plt.figure()
ax = fig.add_subplot(111)
ax.plot(x, y, 'b-', label='sine')

plt.show()

在这个例子中，我们使用了 fig.add_subplot(111) 来创建一个子图，其中 x，y 是我们需要显示的数据，将其作为参数传递给ax.plot() 函数实现绘图。

二、添加多个子图

在图像显示时，往往需要添加多个子图，显示不同的数据或者进行不同的图形展示。此时，我们需要调用 add_subplot() 函数，输入不同的参数来实现不同的图形布局配置。

例如，我们可以通过以下代码在一个 2×2 的子图中绘制四个子图：

import matplotlib.pyplot as plt
import numpy as np

x = np.linspace(0, 2 * np.pi, 50)
y = np.sin(x)

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

ax1 = fig.add_subplot(2, 2, 1)
ax1.plot(x, y, 'b-', label='sine')

ax2 = fig.add_subplot(2, 2, 2)
ax2.plot(x, y, 'r-', label='cosine')

ax3 = fig.add_subplot(2, 2, 3)
ax3.hist(y, bins=30)

ax4 = fig.add_subplot(2, 2, 4)
ax4.scatter(x, y)

plt.show()

在上述代码中，我们首先创建了一个 2×2 的大图。通过 add_subplot() 函数，我们分别在图中的不同位置添加了四幅子图。ax1、ax2、ax3、ax4 分别代表四个子图的句柄，通过对其进行操作，就能够实现对不同子图的设置。

三、多元数据可视化

fig.add_subplot(111) 还可以用于绘制多元数据可视化图形。例如，我们可以使用 matplotlib 实现气泡图，其中 x，y 表示不同特征值，z 表示点大小，c 表示点的颜色：

import numpy as np
import matplotlib.pyplot as plt

x = np.random.rand(30)
y = np.random.rand(30)
z = np.random.rand(30) * 1000
c = np.random.rand(30)

fig = plt.figure(figsize=(8, 6))

ax = fig.add_subplot(111)
ax.scatter(x, y, s=z, c=c, alpha=0.6)

plt.show()

在上述代码中，我们使用了 fig.add_subplot(111) 创建一个子图。通过 ax.scatter() 函数，我们将数据点根据其大小（s）以及颜色（c）进行区分。从而实现了多元数据的可视化展示。

四、自定义子图排版

在实际场景下，我们可能需要实现完全自定义的图表布局，此时 fig.add_subplot() 函数仍然可以派上用场。例如，我们可以通过代码实现下图所示的自定义排版效果：

import matplotlib.pyplot as plt
import numpy as np

x = np.linspace(0, 2 * np.pi, 50)
y = np.sin(x)

fig = plt.figure(figsize=(8, 6))

ax1 = fig.add_subplot(321)
ax1.plot(x, y, 'b-', label='sine')

ax2 = fig.add_subplot(322)
ax2.plot(x, y, 'r-', label='cosine')

ax3 = fig.add_subplot(323)
ax3.hist(y, bins=30)

ax4 = fig.add_subplot(324)
ax4.scatter(x, y)

ax5 = fig.add_subplot(325)
ax5.plot(x, y, color='g')

ax6 = fig.add_subplot(326)
ax6.plot(x, y, color='y')

plt.show()

在上面的代码中，我们创建了一个 3×2 的大图。通过 add_subplot() 函数，我们自定义了子图的排版，实现了类似报告的风格布局效果。

五、总结

在本篇文章中，我们从基础概念、添加多个子图、多元数据可视化以及自定义子图排版等多个方面对 fig.add_subplot() 函数进行了详细的介绍。无论是实现简单的数据可视化还是复杂的图表排版，fig.add_subplot() 函数都能够帮助我们完成。

原创文章，作者：CFRK，如若转载，请注明出处：https://www.506064.com/n/144254.html