Matplotlib核心：掌握Figure与Axes

详细介绍Figure和Axes（基于Matplotlib）

---

引言

在数据分析和可视化领域，Python的Matplotlib库因其强大的功能和广泛的应用而备受推崇。它为用户提供了创建多种类型图表的能力，如折线图、柱状图、散点图等，这些图表对于数据理解和展示至关重要。在Matplotlib库中，Figure和Axes是两个核心概念，它们共同构成了绘图的基础框架。本文将详细解读这两个概念，并探讨它们在Matplotlib中的实际应用，帮助读者更好地掌握数据可视化的关键要素。

一、Figure（图形）

Figure在Matplotlib中代表了一个完整的图表，它包含了所有的绘图元素，如Axes、标题、图例等。我们可以将Figure看作是一个容器，其中包含了用于绘制图表的所有元素。

1. 创建Figure

在Matplotlib中，我们可以使用plt.figure()函数来创建一个新的Figure对象。例如：

import matplotlib.pyplot as plt

fig = plt.figure()

这将创建一个默认的Figure对象。我们还可以通过传递参数来自定义Figure的大小、DPI等属性。例如：

fig = plt.figure(figsize=(10, 5), dpi=100)

这将创建一个宽度为10英寸、高度为5英寸、DPI为100的Figure对象。

2. 添加Axes

一旦我们创建了Figure对象，就可以向其添加Axes对象。Axes代表了一个坐标轴系统，它包含了数据、坐标轴标签、标题等。我们可以使用add_subplot()方法来向Figure中添加Axes。例如：

ax = fig.add_subplot(111)

这将在Figure中添加一个1x1的网格中的第一个子图。参数111表示网格的行数、列数和子图的索引。在这个例子中，我们创建了一个单一的Axes对象，占据了整个Figure的空间。

完整代码如下：

import matplotlib.pyplot as plt

fig = plt.figure(figsize=(10, 5), dpi=100)
ax = fig.add_subplot(111)
plt.show()

运行结果如下图所示：

二、Axes（坐标轴）

Axes是Matplotlib中的另一个核心概念，它代表了一个坐标轴系统，用于显示数据和进行绘图。每个Axes对象一般都包含了一个X轴和一个Y轴，以及与之关联的数据和标签。

1. 创建Axes

如上所述，我们可以通过向Figure对象添加子图来创建Axes对象。除了使用add_subplot()方法外，我们还可以使用add_axes()方法来创建Axes对象，并指定其在Figure中的位置和大小。例如：

ax = fig.add_axes([0.1, 0.1, 0.8, 0.8])

这将在Figure上创建一个占据了大部分空间的Axes对象。参数[0.1, 0.1, 0.8, 0.8]的原型是[left, bottom, width, height]，其中 left 和 bottom 是 Axes 左下角相对于 Figure 边缘的坐标（以小数形式表示，例如 0 是左/底部边缘，1 是右/顶部边缘），width 和 height 是 Axes 的宽度和高度（也是以小数形式表示）。

完整代码如下：

import matplotlib.pyplot as plt

fig = plt.figure(figsize=(10, 5), dpi=100)
ax = fig.add_axes([0.1, 0.1, 0.8, 0.8])
plt.show()

运行结果如下图所示：

2. 绘制图表

一旦我们有了Axes对象，就可以在其上进行绘图操作。Matplotlib提供了丰富的绘图函数，如plot()、scatter()、bar()等，用于在Axes上绘制各种图表。例如，要在Axes上绘制一个简单的折线图，我们可以这样做：

x = [1, 2, 3, 4, 5]
y = [2, 3, 5, 7, 11]
ax.plot(x, y)

这将在Axes上绘制一个由点(1, 2)、(2, 3)、(3, 5)、(4, 7)和(5, 11)组成的折线图。

完整代码如下：

import matplotlib.pyplot as plt

fig = plt.figure(figsize=(10, 5), dpi=100)
ax = fig.add_axes([0.1, 0.1, 0.8, 0.8])
x = [1, 2, 3, 4, 5]
y = [2, 3, 5, 7, 11]
ax.plot(x, y)
plt.show()

运行结果如下图所示：

3. 设置Axes属性

除了绘制图表外，我们还可以设置Axes的各种属性，如标题、坐标轴标签、刻度等。Matplotlib提供了丰富的函数来设置这些属性。例如：

ax.set_title('Simple Line Plot')
ax.set_xlabel('X-axis Label')
ax.set_ylabel('Y-axis Label')
ax.set_xlim([0, 6])
ax.set_ylim([0, 12])

这些函数分别用于设置Axes的标题、X轴标签、Y轴标签、X轴范围和Y轴范围。

完整代码如下：

import matplotlib.pyplot as plt

x = [1, 2, 3, 4, 5]
y = [2, 3, 5, 7, 11]

fig = plt.figure(figsize=(10, 5), dpi=100)
ax = fig.add_axes([0.1, 0.1, 0.8, 0.8])
ax.plot(x, y)
ax.set_title('Simple Line Plot')
ax.set_xlabel('X-axis Label')
ax.set_ylabel('Y-axis Label')
ax.set_xlim([0, 6])
ax.set_ylim([0, 12])
plt.show()

运行结果如下图所示：

三、Figure和Axes的区别与联系

	Figure	Axes
定义	Figure代表整个图表窗口或画布，它是一个容器，可以包含多个子图（Axes）。	Axes是Figure中的一个子图，它拥有自己的坐标轴、刻度、标签等，用于绘制具体的图表。
作用	提供了一个绘制图表的区域，可以容纳一个或多个Axes。	在Figure中绘制具体的图表，如折线图、柱状图等。
数量	一个Figure可以包含多个Axes，可通过add_subplot方法添加。	一个Figure中可以有多个Axes，但每个Axes都是独立的。
属性	包含如尺寸、DPI（每英寸的点数）、背景色等属性。	包含如坐标轴范围、刻度、标签、标题等属性。
层级关系	Axes是Figure的子对象，每个Axes都是Figure的一个部分。	Axes是Figure的直接子对象，与Figure有直接的层级关系。
绘制关系	负责整体的布局和呈现，是图表的容器。	在Figure的指定位置进行绘制，展示具体的图表内容。

联系：

• Axes是Figure的组成部分，每个Axes都在Figure的指定位置进行绘制。
• Figure和Axes共同构成了图表的基本结构，其中Figure提供了绘制的整体环境，而Axes则负责具体的图表内容展示。

区别：

• Figure是一个更高级别的概念，它代表了整个图表窗口或画布，而Axes则是Figure中的一个具体子图。
• Figure主要负责整体的布局和呈现，而Axes则负责具体的图表绘制和内容展示。
• 一个Figure可以包含多个Axes，而每个Axes都是独立的，拥有自己的坐标轴、刻度、标签等。

四、进阶用法与技巧

1. 多子图布局

Matplotlib允许在一个Figure中创建多个Axes，通过网格布局或自由布局的方式来实现多子图展示。例如，使用subplot2grid或GridSpec可以创建复杂的子图布局。

"""  
绘制正弦、余弦以及它们的和在一个 2x2 的网格布局中。  
"""  
import matplotlib.pyplot as plt  
import numpy as np  

# 创建一个 2x2 的网格布局  
fig = plt.figure(figsize=(10, 8))  
gs = fig.add_gridspec(2, 2)  

# 在第一行，创建一个跨越两列的 Axes  
ax1 = fig.add_subplot(gs[0, :])  
# 在第二行，第一列创建一个 Axes  
ax2 = fig.add_subplot(gs[1, 0])  
# 在第二行，第二列创建一个 Axes  
ax3 = fig.add_subplot(gs[1, 1])  

# 生成一个从 0 到 2π，包含 100 个点的等差数列  
x = np.linspace(0, 2 * np.pi, 100)  
# 计算正弦值  
y1 = np.sin(x)  
# 计算余弦值  
y2 = np.cos(x)  

# 在 ax1 上绘制红色的正弦曲线，并设置标题为 'Sine'  
ax1.plot(x, y1, 'r')  
ax1.set_title('Sine')  

# 在 ax2 上绘制蓝色的余弦曲线，并设置标题为 'Cosine'  
ax2.plot(x, y2, 'b')  
ax2.set_title('Cosine')  

# 在 ax3 上绘制绿色的正弦和余弦的和的曲线，并设置标题为 'Sine + Cosine'  
ax3.plot(x, y1 + y2, 'g')  
ax3.set_title('Sine + Cosine')  

# 显示图形  
plt.show()

运行结果如下图所示：

2. 共享坐标轴

有时我们可能希望多个图表共享同一个X轴或Y轴。Matplotlib提供了sharex和sharey参数来实现这一功能。

"""  
绘制正弦和余弦函数图像
"""
import matplotlib.pyplot as plt
import numpy as np

# 生成一个从0到2π包含100个点的等差数列
x = np.linspace(0, 2 * np.pi, 100)

# 计算正弦和余弦值
y1 = np.sin(x)
y2 = np.cos(x)

# 创建一个2行1列的子图布局，共享x轴
fig, axs = plt.subplots(2, 1, sharex=True)

# 在第一个子图上绘制正弦函数图像，并设置y轴标签为'Sine'
axs[0].plot(x, y1)
axs[0].set_ylabel('Sine')

# 在第二个子图上绘制余弦函数图像，并设置y轴标签为'Cosine'
axs[1].plot(x, y2)
axs[1].set_ylabel('Cosine')

# 调整子图之间的间距
fig.tight_layout()

# 显示图像
plt.show()

运行结果如下图所示：

3. 保存和导出图表

创建好图表后，我们可以使用savefig方法将其保存为图片文件，支持多种格式如PNG、PDF、SVG等。

plt.savefig('my_plot.png')  # 保存为PNG图片

五、总结与展望

通过本文的详细介绍，我们对Matplotlib中的Figure和Axes有了更加深入的理解。从基础的创建和设置，到进阶的多子图布局，Matplotlib提供了丰富的功能和灵活的接口，使得数据可视化变得简单而高效。未来，随着数据科学和可视化技术的不断发展，我们期待Matplotlib能够继续带来更多创新和便利的功能。

希望本文能够帮助读者更好地掌握Matplotlib中的Figure和Axes，并在实际的数据分析和可视化工作中发挥它们的强大作用。

---

结尾

亲爱的读者，首先感谢您抽出宝贵的时间来阅读我们的博客。我们真诚地欢迎您留下评论和意见。
俗话说，当局者迷，旁观者清。您的客观视角对于我们发现博文的不足、提升内容质量起着不可替代的作用。
如果博文给您带来了些许帮助，那么，希望您能为我们点个免费的赞/收藏，您的支持和鼓励是我们持续创作✍️✍️的动力。
我们会持续努力创作✍️✍️，并不断优化博文质量‍‍，只为给您带来更佳的阅读体验。
如果您有任何疑问或建议，请随时在评论区留言，我们将竭诚为你解答~
愿我们共同成长，共享智慧的果实！

---

万分感谢您的点赞、收藏⭐、评论️、关注❤️~