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。它常用於實現基於數據可視化的圖形。在這篇文章中，我們將從多個方面對其進行詳細的闡述。

一、基礎概念

subplot 是指在一個圖中，劃分成多個小的坐標系以便於顯示不同的圖。fig.add_subplot() 函數就可以實現在一個大的圖中添加子圖。其中，111 意味着我們創建的是一個 1 行 1 列的子圖。如果我們需要創建多個子圖，可以按照不同的行列進行配置例如：fig.add_subplot(221)、fig.add_subplot(222)、fig.add_subplot(223) 等等。

下面是一個簡單的例子：

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()

在這個例子中，我們使用了 fig.add_subplot(111) 來創建一個子圖，其中 x，y 是我們需要顯示的數據，將其作為參數傳遞給ax.plot() 函數實現繪圖。

二、添加多個子圖

在圖像顯示時，往往需要添加多個子圖，顯示不同的數據或者進行不同的圖形展示。此時，我們需要調用 add_subplot() 函數，輸入不同的參數來實現不同的圖形布局配置。

例如，我們可以通過以下代碼在一個 2×2 的子圖中繪製四個子圖：

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()

在上述代碼中，我們首先創建了一個 2×2 的大圖。通過 add_subplot() 函數，我們分別在圖中的不同位置添加了四幅子圖。ax1、ax2、ax3、ax4 分別代表四個子圖的句柄，通過對其進行操作，就能夠實現對不同子圖的設置。

三、多元數據可視化

fig.add_subplot(111) 還可以用於繪製多元數據可視化圖形。例如，我們可以使用 matplotlib 實現氣泡圖，其中 x，y 表示不同特徵值，z 表示點大小，c 表示點的顏色：

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()

在上述代碼中，我們使用了 fig.add_subplot(111) 創建一個子圖。通過 ax.scatter() 函數，我們將數據點根據其大小（s）以及顏色（c）進行區分。從而實現了多元數據的可視化展示。

四、自定義子圖排版

在實際場景下，我們可能需要實現完全自定義的圖表布局，此時 fig.add_subplot() 函數仍然可以派上用場。例如，我們可以通過代碼實現下圖所示的自定義排版效果：

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()

在上面的代碼中，我們創建了一個 3×2 的大圖。通過 add_subplot() 函數，我們自定義了子圖的排版，實現了類似報告的風格布局效果。

五、總結

在本篇文章中，我們從基礎概念、添加多個子圖、多元數據可視化以及自定義子圖排版等多個方面對 fig.add_subplot() 函數進行了詳細的介紹。無論是實現簡單的數據可視化還是複雜的圖表排版，fig.add_subplot() 函數都能夠幫助我們完成。