使用 matplotlib 中的许多子图改进子图大小/间距

尝试使用 plt.tight_layout

举个简单的例子：

import matplotlib.pyplot as plt

fig, axes = plt.subplots(nrows=4, ncols=4)
fig.tight_layout() # Or equivalently,  "plt.tight_layout()"

plt.show()

没有紧凑的布局

https://i.stack.imgur.com/roV9q.png

https://i.stack.imgur.com/ouSJi.png

---

您可以使用 plt.subplots_adjust 更改子图之间的间距 (source)

调用签名：

subplots_adjust(left=None, bottom=None, right=None, top=None, wspace=None, hspace=None)

参数含义（和建议的默认值）是：

left  = 0.125  # the left side of the subplots of the figure
right = 0.9    # the right side of the subplots of the figure
bottom = 0.1   # the bottom of the subplots of the figure
top = 0.9      # the top of the subplots of the figure
wspace = 0.2   # the amount of width reserved for blank space between subplots
hspace = 0.2   # the amount of height reserved for white space between subplots

实际的默认值由 rc 文件控制

---

我发现 subplots_adjust(hspace = 0.001) 最终对我有用。当我使用 space = None 时，每个图之间仍然有空白。然而，将其设置为非常接近于零的值似乎会迫使他们排队。我在这里上传的不是最优雅的一段代码，但你可以看到 hspace 是如何工作的。

import numpy as np
import matplotlib.pyplot as plt
import matplotlib.ticker as tic

fig = plt.figure()

x = np.arange(100)
y = 3.*np.sin(x*2.*np.pi/100.)

for i in range(5):
    temp = 510 + i
    ax = plt.subplot(temp)
    plt.plot(x,y)
    plt.subplots_adjust(hspace = .001)
    temp = tic.MaxNLocator(3)
    ax.yaxis.set_major_locator(temp)
    ax.set_xticklabels(())
    ax.title.set_visible(False)

plt.show()

https://i.stack.imgur.com/52ZH1.png

---

与 tight_layout 类似，matplotlib 现在（从 2.2 版开始）提供 constrained_layout。 tight_layout 可以在代码中随时调用以用于单个优化布局，与此相反，constrained_layout 是一个属性，它可能处于活动状态，并且会在每个绘制步骤之前优化布局。

因此，它需要在子图创建之前或期间激活，例如 figure(constrained_layout=True) 或 subplots(constrained_layout=True)。

例子：

import matplotlib.pyplot as plt

fig, axes = plt.subplots(4,4, constrained_layout=True)

plt.show()

https://i.stack.imgur.com/HcF1b.png

也可以通过 rcParams 设置 constrained_layout

plt.rcParams['figure.constrained_layout.use'] = True

请参阅 what's new entry 和 Constrained Layout Guide

---

import matplotlib.pyplot as plt

fig = plt.figure(figsize=(10,60))
plt.subplots_adjust( ... )

plt.subplots_adjust 方法：

def subplots_adjust(*args, **kwargs):
    """
    call signature::

      subplots_adjust(left=None, bottom=None, right=None, top=None,
                      wspace=None, hspace=None)

    Tune the subplot layout via the
    :class:`matplotlib.figure.SubplotParams` mechanism.  The parameter
    meanings (and suggested defaults) are::

      left  = 0.125  # the left side of the subplots of the figure
      right = 0.9    # the right side of the subplots of the figure
      bottom = 0.1   # the bottom of the subplots of the figure
      top = 0.9      # the top of the subplots of the figure
      wspace = 0.2   # the amount of width reserved for blank space between subplots
      hspace = 0.2   # the amount of height reserved for white space between subplots

    The actual defaults are controlled by the rc file
    """
    fig = gcf()
    fig.subplots_adjust(*args, **kwargs)
    draw_if_interactive()

或者

fig = plt.figure(figsize=(10,60))
fig.subplots_adjust( ... )

图片的大小很重要。

“我尝试过弄乱 hspace，但增加它似乎只会使所有图形变小而没有解决重叠问题。”

因此，为了创造更多的空白空间并保持子图大小，总图像需要更大。

---

你可以试试 subplot_tool()

plt.subplot_tool()

---

使用 pandas.DataFrame.plot 绘制数据框时解决此问题，它使用 matplotlib 作为默认后端。以下适用于指定的 kind=（例如“bar”、“scatter”、“hist”等）

以下适用于指定的 kind=（例如“bar”、“scatter”、“hist”等）

在 python 3.8.12、pandas 1.3.4、matplotlib 3.4.3 中测试

导入和样本数据

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt

# sinusoidal sample data
sample_length = range(1, 15+1)
rads = np.arange(0, 2*np.pi, 0.01)
data = np.array([np.sin(t*rads) for t in sample_length])
df = pd.DataFrame(data.T, index=pd.Series(rads.tolist(), name='radians'), columns=[f'freq: {i}x' for i in sample_length])

# display(df.head(3))
         freq: 1x  freq: 2x  freq: 3x  freq: 4x  freq: 5x  freq: 6x  freq: 7x  freq: 8x  freq: 9x  freq: 10x  freq: 11x  freq: 12x  freq: 13x  freq: 14x  freq: 15x
radians                                                                                                                                                            
0.00     0.000000  0.000000  0.000000  0.000000  0.000000  0.000000  0.000000  0.000000  0.000000   0.000000   0.000000   0.000000   0.000000   0.000000   0.000000
0.01     0.010000  0.019999  0.029996  0.039989  0.049979  0.059964  0.069943  0.079915  0.089879   0.099833   0.109778   0.119712   0.129634   0.139543   0.149438
0.02     0.019999  0.039989  0.059964  0.079915  0.099833  0.119712  0.139543  0.159318  0.179030   0.198669   0.218230   0.237703   0.257081   0.276356   0.295520

# default plot with subplots; each column is a subplot
axes = df.plot(subplots=True)

https://i.stack.imgur.com/9K9iM.png

调整间距

调整 pandas.DataFrame.plot 中的默认参数 更改 figsize：每个子图的宽度为 5 和高度为 4 是一个很好的起点 更改布局：（行、列）用于子图的布局。 sharey=True 和 sharex=True 因此不会为每个子图上的冗余标签占用空间。

更改 figsize：每个子图的宽度为 5，高度为 4 是一个不错的起点

更改布局：（行、列）用于子图的布局。

sharey=True 和 sharex=True 因此不会为每个子图上的冗余标签占用空间。

.plot 方法返回一个 matplotlib.axes.Axes 的 numpy 数组，应该将其展平以便于使用。

使用 .get_figure() 从其中一个轴中提取 DataFrame.plot 图形对象。

如果需要，请使用 fig.tight_layout()。

axes = df.plot(subplots=True, layout=(3, 5), figsize=(25, 16), sharex=True, sharey=True)

# flatten the axes array to easily access any subplot
axes = axes.flat

# extract the figure object
fig = axes[0].get_figure()

# use tight_layout
fig.tight_layout()

https://i.stack.imgur.com/ncA2i.png

---