Matplotlib子图布局：多图排列与共享坐标轴

一张图讲一件事，一组图讲一个故事。论文里的组图、答辩用的对照面板，都需要把多张图排进同一张画布。Matplotlib 提供了三种方式：subplots 规则网格、subplot_mosaic 自定义版式、GridSpec 手工精确控制。日常需求前两种就够了。

subplots：规则网格

import matplotlib.pyplot as plt

fig, axs = plt.subplots(2, 2, figsize=(9, 6.5), constrained_layout=True)

print(type(axs), axs.shape)

<class 'numpy.ndarray'> (2, 2)

axs 是一个 numpy 数组（不是 Axes 列表），所以可以用 axs[0, 1] 取第二行第一列，也可以 axs.flat 展平后遍历。配 zip 一次设置多个子图是最常用的写法：

for ax, col in zip(axs.flat, ["a", "b", "c", "d"]):
    ax.set_title(col)

plt.subplots() 的返回值会随网格形状变化，这是新手最容易踩的地方：

调用	返回的 axs
plt.subplots(2, 2)	形状 (2, 2) 的数组
plt.subplots(1, 3)	形状 (3,) 的一维数组，用 axs[0] 取
plt.subplots() 或 plt.subplots(1, 1)	单个 Axes 对象，不是数组

最后一行意味着 axs[0] 会报 TypeError: 'Axes' object is not subscriptable。如果一段代码要同时处理「一个子图」和「多个子图」两种情况（比如写通用绘图函数），创建时加 squeeze=False，强制始终返回二维数组：

fig, axs = plt.subplots(1, 1, squeeze=False)
print(axs.shape)

(1, 1)

sharex 与 sharey

sharex=True 让所有子图共用同一条 x 轴：只有最下面一行显示刻度标签，其余子图的标签自动隐藏；缩放或平移任意一个子图，其余子图跟着动。

fig, axs = plt.subplots(3, 1, figsize=(6, 6), sharex=True, constrained_layout=True)

什么情况下该共享：子图之间横轴是同一个量——同一批样本的时间序列、同一批处理条件下的剂量梯度。横轴一致，读者才能竖着比较不同子图的高低。反过来，纵轴能不能共享要看量纲：三项指标分别落在 0 到 1、0 到 100、0 到 100000 时，共享 y 轴会把前两张压成贴着底边的直线。这时候只共享 x 就够了。

共享是双向的，也可以只共享一半：sharex="col" 只在同一列的相邻子图之间共享，sharey="row" 按行共享，多行多列的网格里用得上。

如果不想用共享，又想手动藏掉内圈子图的刻度标签：

for ax in axs[:-1]:
    ax.tick_params(labelbottom=False)

labelbottom=False 只藏标签，刻度线还在，比 set_xticklabels([]) 干净。

figsize 与间距

figsize 的单位是英寸，不是像素。它决定每个子图的实际大小，而字号是按点（point，1/72 英寸）算的绝对值——图变小，字不会跟着变小，于是标签开始互相压。与其反复调字号，不如先把 figsize 放大：2×2 的面板常见尺寸是 (9, 6.5) 或 (10, 8)，每个子图大约 4.5×3 英寸。

间距问题交给 constrained_layout=True，它在创建子图时就算好留给标题、轴标签和图例的空间，并在绘制时重新分配。等价的写法是画完之后调用 fig.tight_layout()，区别是后者在子图内容变化后需要重新调用，前者会自动重算。

两个注意事项：不要同时用 constrained_layout 和 tight_layout，两种布局算法会互相覆盖；constrained_layout 与手动添加的 fig.add_axes()（比如自己放 inset 小图）配合时可能算错边距，这种情况下改回手工调 fig.subplots_adjust()。

fig.suptitle() 是画布级标题，用它在整组图上方加一行总标题；constrained_layout 会自动为它留出空间，不用手动 fig.subplots_adjust(top=0.85)。

subplot_mosaic：把版式写成字符串

规则网格不够用时（比如想让第二列的图占满整个高度），subplot_mosaic 比手算行列号直观得多：

fig, axd = plt.subplot_mosaic(
    [
        ["A", "A", "B"],
        ["C", "D", "B"],
    ],
    figsize=(9, 5),
    constrained_layout=True,
)

print(type(axd), list(axd))

<class 'dict'> ['A', 'B', 'C', 'D']

版式直接用字符串描述：同一个标签出现几次就占用几个格子，"B" 在右侧两行都出现，所以整列合并成一张大图。也可以写成多行字符串 "AAB\nCDB"，效果一样，版式一眼能看出来。留空的位置用 "." 占位。返回值是字典，用 axd["A"] 取，比 axs[0, 0] 可读得多，改布局时也不容易取错。

需要更自由的控制（子图之间精确的宽高比例、手动指定每个格子占几行几列）就用 GridSpec：

grid = fig.add_gridspec(2, 3, width_ratios=[2, 1, 1], height_ratios=[1, 2])
ax_top = fig.add_subplot(grid[0, :])
ax_bl = fig.add_subplot(grid[1, 0])

width_ratios 和 height_ratios 是 subplot_mosaic 没有的能力。代价是行列号要自己数，改一次布局得重新核对所有索引。

双坐标轴 twinx

两种量纲差很远的量想画在一起（温度与降水量、浓度与吸光度），可以用 twinx() 生成一个共享 x 轴、独立 y 轴的孪生坐标系：

import numpy as np

days = np.arange(1, 13)                     # 月份
temp = np.array([2.1, 3.4, 8.2, 14.5, 19.8, 24.1, 26.7, 25.9, 21.3, 15.2, 8.4, 3.1])
rain = np.array([18, 24, 41, 52, 66, 118, 176, 152, 78, 44, 30, 20])

fig, ax1 = plt.subplots(figsize=(6, 4), constrained_layout=True)

ax1.plot(days, temp, color="tab:red", label="温度")
ax1.set_ylabel("Temperature (C)", color="tab:red")
ax1.tick_params(axis="y", labelcolor="tab:red")

ax2 = ax1.twinx()
ax2.bar(days, rain, color="tab:blue", alpha=0.35, label="降水")
ax2.set_ylabel("Precipitation (mm)", color="tab:blue")
ax2.tick_params(axis="y", labelcolor="tab:blue")
ax2.grid(False)          # 两套网格线叠在一起会糊成一片

ax1 和 ax2 各自只有一套图例，想合并成一张得手动收集：

h1, l1 = ax1.get_legend_handles_labels()
h2, l2 = ax2.get_legend_handles_labels()
ax1.legend(h1 + h2, l1 + l2, loc="upper left", frameon=False)

把 y 轴刻度染成和曲线相同的颜色，是双轴图的基本礼貌——读者一眼知道哪条线对应哪个刻度。

**不过双轴图要慎用。**两条线的交点完全由两套刻度的缩放方式决定，换个 y 轴范围交点就跑到别处去了，它不代表任何实际意义，但读者几乎必然会去解读它。审稿人要求改成「上下两张共享 x 轴的子图」是常见意见。只有当两个量确实需要同时读数、且量纲关系稳定时才用 twinx；否则老老实实 plt.subplots(2, 1, sharex=True)。

twiny() 是另一半：共享 y 轴、新增 x 轴，用途更少。

把多张图保存成一张

savefig 属于 Figure 对象，调用一次就把整张画布（所有子图、总标题、图例）写成一张图。完整例子，四联面板：

import matplotlib.pyplot as plt
from sklearn.datasets import load_iris

iris = load_iris(as_frame=True)
df = iris.frame.copy()
df["species"] = iris.target_names[df["target"]]
features = list(iris.feature_names)

fig, axs = plt.subplots(2, 2, figsize=(9, 6.5), sharex=True, constrained_layout=True)

for ax, col in zip(axs.flat, features):
    for name, sub in df.groupby("species"):
        ax.scatter(sub["petal length (cm)"], sub[col], s=14, alpha=0.75, label=name)
    ax.set_title(col, fontsize=10)
    ax.set_xlabel("petal length (cm)")

axs.flat[0].legend(fontsize=8, frameon=False, loc="upper left")
fig.suptitle("iris 各特征与花瓣长度的关系", fontsize=13)
fig.savefig("iris-panel.png", dpi=300, bbox_inches="tight")

print(df[features].std().round(3))

sepal length (cm)  0.828
sepal width (cm)   0.436
petal length (cm)  1.765
petal width (cm)   0.762
dtype: float64

四个特征里花瓣长度的标准差最大（1.765），意味着它在三个物种间的区分度最好，面板上那一格的三团点分得最开；花瓣宽度标准差最小（0.762），但它的组间差距同样明显，所以两个花瓣特征才是分类模型真正依赖的变量。四个子图共享 x 轴之后，同一列的点在横向位置上可以直接比较。

Axes 没有 savefig 方法。只想要其中一个子图，最省事的做法是把它单独画进一个新的 figure，而不是想办法从大图里裁剪——裁剪出来往往还带着被切掉一半的标签。

需要按组批量出图时，循环里每次给 savefig 一个不同的文件名：

for name, sub in df.groupby("species"):
    fig, ax = plt.subplots(figsize=(5, 4))
    ax.hist(sub["petal length (cm)"], bins=12)
    ax.set_title(name)
    fig.savefig(f"hist-{name}.png", dpi=200, bbox_inches="tight")
    plt.close(fig)

循环末尾的 plt.close(fig) 不要省。脚本里连续创建大量 figure 而不关闭会一直占着内存，画到几十张之后容易变慢甚至被杀掉；在 Jupyter 里则是堆出一屏已经不需要的画布，还拖慢滚动。

分面（facet）这件事，ggplot2 用 facet_wrap() 和 facet_grid() 一行解决，切分变量直接写进函数调用；Matplotlib 需要在 Python 里手写循环。两种做法的适用场景不同——需要精细控制每个子图时，循环反而更灵活。R 语言的 /r/visualization/facets/ 讲的是分面的写法，对照着看能判断哪种更适合手上的任务。

到这里 Python 可视化的基础部分就齐了：Matplotlib 负责精确控制，seaborn 负责统计图形，子图负责组织版面。再往下是数据操作的深水区，/python/pandas/groupby-agg/ 讲分组聚合，那是把原始数据变成图里那几团点之前必须走的一步。