1. 项目概述：为什么你需要掌握多图合并

如果你用Python做过数据分析或者科学计算，大概率已经和Matplotlib打过交道了。这个库功能强大，但很多朋友在画图时，习惯性地一个plt.plot()接一个plt.show()，画一张图弹一个窗口。当需要对比不同数据、展示同一数据的不同维度，或者想做一个仪表盘式的报告时，这种“单打独斗”的绘图方式就显得力不从心了，不仅窗口来回切换看得眼花，排版打印也麻烦。

这时候，“多图合并显示”就成了刚需。它不仅仅是把几张图摆在一起，更是一种高效的数据叙事方式。想象一下，你在分析某城市全年的天气数据，完全可以把气温折线图、降水量柱状图、风速散点图和湿度热力图，整齐地排列在一个画布上。一眼看过去，季节变化、干湿规律、风雨关联全都清晰呈现，这种信息密度和对比效果，是单张图无法比拟的。Matplotlib提供的subplot体系，就是实现这种布局的“瑞士军刀”。它允许你在一个图形窗口（figure）中，创建多个子坐标系（axes），并分别在这些坐标系里绘图，最终合成一张综合性的图表。

掌握多图合并，意味着你的数据可视化能力从“展示单个结果”跃升到了“构建分析仪表盘”的层次。无论是学术论文中的组合图、商业报告中的多维度对比，还是日常监控中的指标面板，都离不开这项技能。网上教程很多，但往往只讲最基础的plt.subplot(2,2,1)，遇到复杂的、不规则的布局就语焉不详了。这篇内容，我就从一个常年和图表打交道的老码农角度，带你彻底吃透Matplotlib的多图合并，从规整的网格布局，到自由复杂的自定义布局，再到那些官方手册里不提的实战细节和坑，保证你能看懂，更能直接用起来。

2. 核心思路与方案选型：理解Subplot的两种哲学

在动手写代码之前，我们先要理清Matplotlib中创建子图的两种核心思路，这决定了你代码的写法和后期的灵活度。一种是面向状态的“pyplot”接口，另一种是面向对象的“显式”接口。选对起点，后面事半功倍。

2.1 状态机接口：快速但隐式

我们最常看到的plt.subplot()函数，属于Matplotlib的“pyplot”模块，它基于一个全局的状态机。你可以把它想象成一个绘图工厂的流水线控制器。当你调用plt.subplot(2, 2, 1)时，你是在告诉这个控制器：“把当前的大画布（Figure）划分成2行2列，总共4个格子，接下来我要操作第1个格子（左上角）。”

import matplotlib.pyplot as plt import numpy as np # 创建一些示例数据 x = np.linspace(0, 10, 100) y1 = np.sin(x) y2 = np.cos(x) plt.figure(figsize=(10, 6)) # 创建一个画布 # 激活第一个子图区域（2行2列中的第1个） plt.subplot(2, 2, 1) plt.plot(x, y1, 'r-', label='sin(x)') plt.title('子图1: 正弦曲线') plt.legend() # 激活第二个子图区域（第2个） plt.subplot(2, 2, 2) plt.plot(x, y2, 'b--', label='cos(x)') plt.title('子图2: 余弦曲线') plt.legend() # 激活第四个子图区域（跳过第3个，直接画第4个） plt.subplot(2, 2, 4) plt.scatter(x[::5], y1[::5], c='g', alpha=0.6) # 散点采样 plt.title('子图4: 正弦散点') plt.grid(True) plt.tight_layout() # 自动调整子图间距，防止重叠 plt.show()

这种方法的优点是写起来快，逻辑直白，适合简单的、顺序的绘图任务。但它的缺点也很明显：隐式依赖全局状态。所有的plt.xxx()命令（如plt.title(),plt.xlabel()）都会作用在“当前激活”的子图上。如果你在复杂的逻辑中不小心弄乱了激活顺序，或者在其他函数里操作了当前图，很容易出现图画错位置的情况。代码一长，维护起来就有点头疼。

2.2 面向对象接口：清晰且强大

更推荐，尤其是对于复杂项目和多图合并的方法是面向对象（OO）接口。它把画布（Figure）和坐标系（Axes）都当作明确的对象来操作，没有隐式的“当前”概念，一切尽在掌握。

核心函数是plt.subplots()（注意多了个s）。它一次性创建好一个画布和一组子图坐标系（Axes）对象，并以数组（通常是NumPy数组）的形式返回。

import matplotlib.pyplot as plt import numpy as np # 一次性创建画布和2行2列的axes对象数组 fig, axs = plt.subplots(nrows=2, ncols=2, figsize=(10, 8)) # 此时axs是一个2x2的数组：[[ax00, ax01], [ax10, ax11]] x = np.linspace(0, 10, 100) y1 = np.sin(x) y2 = np.cos(x) y3 = np.tan(x) / 10 # 缩小tan值便于显示 y4 = np.exp(-x/5) * np.sin(x) # 通过索引直接操作特定的axes对象 axs[0, 0].plot(x, y1, 'r-') axs[0, 0].set_title('正弦 (axs[0,0])') # 注意是set_title，不是plt.title() axs[0, 0].grid(True) axs[0, 1].plot(x, y2, 'b^', markersize=4, markevery=5) axs[0, 1].set_title('余弦 (axs[0,1])') axs[0, 1].set_xlabel('X轴') # 设置X轴标签 axs[1, 0].plot(x, y3, 'g-.') axs[1, 0].set_title('正切/10 (axs[1,0])') axs[1, 0].set_ylim(-1.5, 1.5) # 设置Y轴范围 axs[1, 1].plot(x, y4, 'm:') axs[1, 1].set_title('衰减正弦 (axs[1,1])') axs[1, 1].fill_between(x, y4, 0, alpha=0.3) # 填充区域 # 为整个图画布设置一个总标题 fig.suptitle('面向对象接口示例：2x2子图', fontsize=16) plt.tight_layout() plt.show()

这种方式的优势巨大：

1. 清晰明确：axs[0,1]指的就是第一行第二列的子图，不存在歧义。
2. 便于批量操作：你可以用循环来遍历axs.flat，对每个子图进行相同的设置（比如添加网格）。
3. 功能更完整：一些高级定制功能（如共享坐标轴、复杂的插图）在OO接口下更容易实现。
4. 利于代码封装：你可以把fig和axs对象传入其他函数进行绘制，无需担心全局状态被污染。

实操心得：除非是几行代码的快速脚本，否则我强烈建议从plt.subplots()开始。它多写一两行，但能避免后期无数的调试麻烦。当你需要画超过3个子图时，OO接口的优势会非常明显。

3. 核心布局方案全解析：从网格到自由排列

理解了两种接口，我们就可以深入看看Matplotlib提供的几种核心布局方案。不同的数据展示需求，对应不同的布局选择。

3.1 均等网格布局：plt.subplots的常规操作

这是最常用的情况，子图大小一致，排列整齐。plt.subplots(nrows, ncols)是你的主力工具。

import matplotlib.pyplot as plt import numpy as np # 示例：3行3列，共9个子图 fig, axes = plt.subplots(3, 3, figsize=(12, 10)) # axes 是一个 3x3 的 ndarray # 生成一些随机数据用于填充 t = np.linspace(0, 2*np.pi, 200) for i in range(3): for j in range(3): ax = axes[i, j] # 为每个子图生成频率和相位略有不同的正弦波 freq = 1 + i * 0.5 phase = j * np.pi / 4 y = np.sin(freq * t + phase) + np.random.normal(0, 0.1, len(t))*0.2 # 加一点噪声 ax.plot(t, y, linewidth=1.5) ax.set_title(f'Freq={freq:.1f}, Phase={phase:.2f}') ax.set_xlim(0, 2*np.pi) ax.grid(True, linestyle=':', alpha=0.7) # 为最外侧的子图添加统一的轴标签，避免内部子图标签拥挤 fig.text(0.5, 0.04, '时间 (t)', ha='center', fontsize=12) fig.text(0.04, 0.5, '振幅 (y)', va='center', rotation='vertical', fontsize=12) plt.suptitle('3x3网格布局：不同频率和相位的正弦波', fontsize=16) plt.tight_layout(rect=[0.05, 0.05, 0.95, 0.95]) # rect参数调整tight_layout的范围，为总标题和外侧标签留空间 plt.show()

关键参数解析：

• figsize: (宽度，高度)，单位是英寸。这是物理尺寸，不是像素。figsize=(10,6)意味着画布宽10英寸，高6英寸。DPI（每英寸点数）决定了最终图像的像素大小（像素=英寸*DPI）。屏幕显示常用DPI=100，出版印刷可能需要300-600。
• sharex,sharey: 可以设为True,‘col’,‘row’,‘all’,‘none’。设为True或‘all’时，所有子图共享同一根X轴或Y轴，缩放和范围会联动，且内部子图的刻度标签会自动隐藏，让图表更整洁。这在对比数据时非常有用。
• tight_layout():几乎必调的函数。它会自动调整子图之间的间距（hspace,wspace）以及子图与画布边缘的间距（pad），防止标题、标签重叠。rect参数是一个四元组[left, bottom, right, top]，指定了tight_layout生效的矩形区域（相对于画布），用于给总标题（suptitle）或自定义图例留出空间。

3.2 不规则网格布局：GridSpec的精细控制

当你的布局不是简单的MxN网格，比如需要某个子图跨越多行多列时（类似报表中的合并单元格），GridSpec就派上用场了。

import matplotlib.pyplot as plt import matplotlib.gridspec as gridspec import numpy as np fig = plt.figure(figsize=(14, 8)) # 定义一个3行3列的网格规格 gs = gridspec.GridSpec(3, 3, figure=fig, height_ratios=[1, 2, 1], width_ratios=[2, 1, 1]) # height_ratios: 三行的相对高度比为 1:2:1 # width_ratios: 三列的相对宽度比为 2:1:1 # 创建跨列的子图：占据第一行，所有三列 (0, :) 表示第0行，从第0列到最后一列 ax_main = fig.add_subplot(gs[0, :]) ax_main.plot(np.random.randn(100).cumsum(), lw=2, color='darkblue') ax_main.set_title('主趋势图 (跨3列)', fontsize=14) ax_main.fill_between(range(100), ax_main.lines[0].get_ydata(), alpha=0.3) # 占据第二行，第一列 (高度比是2的那一行) ax_left = fig.add_subplot(gs[1, 0]) ax_left.hist(np.random.randn(1000), bins=30, edgecolor='black', alpha=0.7, color='skyblue') ax_left.set_title('分布直方图', fontsize=12) # 占据第二行，第二列 ax_scatter = fig.add_subplot(gs[1, 1]) x_scat = np.random.rand(50) y_scat = x_scat + np.random.randn(50)*0.1 ax_scatter.scatter(x_scat, y_scat, c=np.sqrt(x_scat**2 + y_scat**2), cmap='viridis', s=80, alpha=0.8) ax_scatter.set_title('散点图', fontsize=12) # 占据第二行，第三列和第三行，第三列 (跨两行) # 注意：gs[1:, 2] 表示从第1行到最后一行，第2列 ax_right = fig.add_subplot(gs[1:, 2]) categories = ['A', 'B', 'C', 'D'] values = [23, 45, 56, 12] bars = ax_right.bar(categories, values, color=['red', 'green', 'blue', 'orange']) ax_right.set_title('柱状图 (跨2行)', fontsize=12) # 在柱子上添加数值标签 for bar in bars: height = bar.get_height() ax_right.text(bar.get_x() + bar.get_width()/2., height + 1, f'{int(height)}', ha='center', va='bottom') # 占据第三行，第一列 ax_bottom_left = fig.add_subplot(gs[2, 0]) ax_bottom_left.pie([30, 25, 20, 15, 10], labels=['Part1', 'Part2', 'Part3', 'Part4', 'Other'], autopct='%1.1f%%', startangle=90, explode=(0, 0.1, 0, 0, 0)) ax_bottom_left.set_title('饼图', fontsize=12) # 占据第三行，第二列 ax_bottom_mid = fig.add_subplot(gs[2, 1]) data_box = [np.random.normal(i, 1.5, 50) for i in range(4)] bp = ax_bottom_mid.boxplot(data_box, labels=['G1', 'G2', 'G3', 'G4'], patch_artist=True) # 为箱线图上色 for box in bp['boxes']: box.set_facecolor('lightyellow') ax_bottom_mid.set_title('箱线图', fontsize=12) plt.suptitle('使用GridSpec实现复杂的不规则布局', fontsize=18, y=0.98) plt.tight_layout() plt.show()

GridSpec给了你像素级（更准确地说是网格比例级）的布局控制能力。你可以通过切片语法（如gs[0, :],gs[1:, 2]）来定义任意形状的子图区域。height_ratios和width_ratios参数则让你能轻松创建主次分明、重点突出的仪表板。

3.3 绝对自由布局：add_axes的像素级定位

如果你需要将子图或插图（inset）放在画布上的任意绝对位置，figure.add_axes()是你的终极武器。它通过一个四元组[left, bottom, width, height]来定位，其值在0到1之间，代表相对于画布的比例。

import matplotlib.pyplot as plt import numpy as np fig = plt.figure(figsize=(10, 6)) # 1. 首先创建一个占满大部分画布的主图 ax_main = fig.add_axes([0.1, 0.1, 0.7, 0.8]) # left=10%, bottom=10%, width=70%, height=80% x = np.linspace(0, 5*np.pi, 500) y_main = np.exp(-x/10) * np.sin(3*x) ax_main.plot(x, y_main, 'b-', linewidth=2, label='衰减振荡信号') ax_main.fill_between(x, y_main, 0, where=(y_main>0), color='blue', alpha=0.2, interpolate=True) ax_main.fill_between(x, y_main, 0, where=(y_main<0), color='red', alpha=0.2, interpolate=True) ax_main.set_xlabel('时间') ax_main.set_ylabel('振幅') ax_main.set_title('主信号图', fontsize=14) ax_main.legend(loc='upper right') ax_main.grid(True, alpha=0.3) # 2. 在主图右上角内部添加一个插图，展示信号开始的细节 ax_inset = fig.add_axes([0.65, 0.65, 0.25, 0.25]) # 定位在主图内部偏右上 # 截取前1/10的数据 x_inset = x[:50] y_inset = y_main[:50] ax_inset.plot(x_inset, y_inset, 'r-', linewidth=1.5, marker='o', markersize=3) ax_inset.set_title('起始段细节', fontsize=10) ax_inset.set_xlabel('t (局部)', fontsize=8) ax_inset.set_ylabel('A (局部)', fontsize=8) ax_inset.grid(True, linestyle=':', alpha=0.5) # 在插图上画一个方框，连接到主图对应区域 import matplotlib.patches as patches # 在主图上标记插图对应的区域 rect = patches.Rectangle((x_inset[0], min(y_inset)), x_inset[-1]-x_inset[0], max(y_inset)-min(y_inset), linewidth=1, edgecolor='red', facecolor='none', linestyle='--') ax_main.add_patch(rect) # 从主图方框到插图画两条连接线（可选，增强关联性） # 这里省略连接线代码，保持简洁 # 3. 在画布右侧添加一个独立的子图，比如频谱图 ax_side = fig.add_axes([0.82, 0.1, 0.15, 0.8]) # 右侧窄条 # 计算FFT频谱（简化版） from scipy.fft import fft, fftfreq N = len(y_main) yf = fft(y_main) xf = fftfreq(N, (x[1]-x[0])) # 只取正频率部分 indices = xf > 0 ax_side.plot(xf[indices], np.abs(yf[indices])[:len(xf[indices])], 'g-', linewidth=1) ax_side.set_title('频谱', fontsize=12) ax_side.set_xlabel('频率', fontsize=10) ax_side.set_ylabel('强度', fontsize=10) ax_side.grid(True, alpha=0.3) ax_side.set_xlim(0, 2) # 限制频率显示范围 plt.suptitle('自由布局示例：主图、插图和侧边图', fontsize=16, x=0.5, y=0.95) # 注意：tight_layout 对 add_axes 创建的子图无效，需要手动调整或使用 constrained_layout # plt.tight_layout() # 此处注释掉，因为add_axes是绝对定位 plt.show()

注意事项：add_axes提供了最大的灵活性，但也带来了最大的管理复杂度。各个子图的位置和大小需要你精心计算，且plt.tight_layout()对它无效。Matplotlib后来引入了constrained_layout和figure.subplots_mosaic等更现代的工具来平衡灵活与便捷，但对于一些非常特殊的排版需求，add_axes依然是最终解决方案。

4. 高级技巧与实战心得：让多图真正“专业”起来

把图拼在一起只是第一步，让它们看起来像一个和谐、专业的整体，才是体现功力的地方。下面分享几个我踩过坑才总结出来的核心技巧。

4.1 共享坐标轴与统一格式化

共享坐标轴不仅能节省空间，还能极大地增强图表的可比性。

import matplotlib.pyplot as plt import numpy as np # 创建共享坐标轴的子图 fig, axs = plt.subplots(2, 2, figsize=(11, 8), sharex='col', sharey='row', constrained_layout=True) # sharex='col': 同一列的子图共享X轴 # sharey='row': 同一行的子图共享Y轴 # constrained_layout: 新的自动布局引擎，比tight_layout在某些场景下更智能 x1 = np.linspace(0, 5, 100) x2 = np.linspace(0, 10, 100) for i in range(2): for j in range(2): ax = axs[i, j] if j == 0: x = x1 ax.set_ylabel(f'行{i+1} Y轴') else: x = x2 y = np.sin((i+1) * x) * np.exp(-x/(2*(j+1))) line, = ax.plot(x, y, lw=2) ax.set_title(f'频率={i+1}, 衰减={j+1}') ax.grid(True, alpha=0.3) # 为每条线添加一个文本标注在图中 ax.text(0.7, 0.8, f'Peak: {y.max():.2f}', transform=ax.transAxes, fontsize=9, bbox=dict(boxstyle='round,pad=0.3', facecolor='wheat', alpha=0.7)) # 由于共享了坐标轴，内部子图的刻度标签会自动隐藏。 # 我们只需要为最下方和最左侧的子图设置标签即可。 axs[-1, 0].set_xlabel('时间 (短范围)') axs[-1, 1].set_xlabel('时间 (长范围)') # 为整个图添加一个公共的图例（如果需要） # 这里我们手动创建一个图例，因为各子图线型意义一致 from matplotlib.lines import Line2D legend_elements = [Line2D([0], [0], color='C0', lw=2, label='信号波形')] fig.legend(handles=legend_elements, loc='upper center', ncol=1, bbox_to_anchor=(0.5, 1.02), frameon=True) fig.suptitle('共享坐标轴示例：同一行共享Y轴，同一列共享X轴', fontsize=15) plt.show()

统一格式化是另一个关键。当子图很多时，手动设置每个图的字体、刻度、颜色样式会非常繁琐。一个好的实践是在创建subplots之后，立即用一个循环进行批量设置。

# 批量设置样式示例 fig, axs = plt.subplots(3, 3, figsize=(12, 10)) # 假设axes已经填充了数据... # 统一设置所有子图的刻度字体和网格 for ax in axs.flat: ax.tick_params(axis='both', which='major', labelsize=9) # 主刻度标签大小 ax.grid(True, linestyle=':', linewidth=0.5, alpha=0.7) # 统一的网格样式 # 统一设置坐标轴标签字体（如果后续单独设置，会覆盖此设置） ax.set_xlabel(ax.get_xlabel(), fontsize=10) ax.set_ylabel(ax.get_ylabel(), fontsize=10) ax.set_title(ax.get_title(), fontsize=11, pad=10) # pad调整标题与图的距离 # 统一设置颜色循环（如果需要） from cycler import cycler custom_cycler = cycler(color=['#1f77b4', '#ff7f0e', '#2ca02c', '#d62728']) for ax in axs.flat: ax.set_prop_cycle(custom_cycler)

4.2 复杂布局的现代方案：subplot_mosaic

Matplotlib 3.3+ 版本引入了subplot_mosaic，这是目前创建复杂布局最直观、最Pythonic的方式。它用字符串“画”出你的布局。

import matplotlib.pyplot as plt import numpy as np # 用字符串列表定义布局 mosaic_layout = """ AAB AAB CCD """ # A占据两行两列，B占据两行一列，C和D各占一行一列 fig, ax_dict = plt.subplot_mosaic(mosaic_layout, figsize=(12, 8), constrained_layout=True) # ax_dict是一个字典，键是你在布局中定义的字符 # 现在通过字符键来访问每个axes对象 ax_dict['A'].plot(np.random.rand(50).cumsum(), color='tab:blue') ax_dict['A'].set_title('区域A: 主要趋势图', fontsize=14) ax_dict['A'].set_ylabel('累计值') ax_dict['B'].bar(['Jan', 'Feb', 'Mar', 'Apr'], np.random.randint(10, 50, 4), color='tab:orange') ax_dict['B'].set_title('区域B: 季度柱状图', fontsize=12) ax_dict['C'].scatter(np.random.rand(30), np.random.rand(30), s=np.random.rand(30)*200, alpha=0.6, c='tab:green') ax_dict['C'].set_title('区域C: 散点气泡图', fontsize=12) ax_dict['C'].set_xlabel('X') ax_dict['C'].set_ylabel('Y') ax_dict['D'].pie([35, 25, 20, 15, 5], autopct='%1.1f%%', startangle=90) ax_dict['D'].set_title('区域D: 占比饼图', fontsize=12) fig.suptitle('使用 subplot_mosaic 定义复杂布局', fontsize=16) plt.show()

subplot_mosaic的语法非常直观，修改布局就像修改文本一样简单。它底层也是基于GridSpec，但抽象层次更高，写起来更爽。

4.3 保存与导出：确保印刷和展示质量

画好的图最终要保存下来。plt.savefig()函数参数很多，有几个至关重要：

# 保存示例 fig, axs = plt.subplots(2, 2, figsize=(10, 8)) # ... [绘图代码] ... output_path = './my_composite_figure' # 方案1：保存为高分辨率PNG，用于网页或报告 fig.savefig(f'{output_path}.png', dpi=300, # 分辨率，印刷常用300-600，屏幕显示100-150足够 bbox_inches='tight', # 自动裁剪白边，非常有用！ pad_inches=0.1, # 裁剪后保留的边距（英寸） facecolor='white', # 画布背景色 edgecolor='none' # 画布边缘颜色 ) # 方案2：保存为矢量图PDF/SVG，用于论文或可无限缩放的需求 fig.savefig(f'{output_path}.pdf', format='pdf', bbox_inches='tight', pad_inches=0.05 ) # SVG格式适合在网页中交互或进一步用Illustrator编辑 fig.savefig(f'{output_path}.svg', format='svg', bbox_inches='tight' ) # 方案3：保存为透明背景的PNG，用于叠加到其他材料上 fig.savefig(f'{output_path}_transparent.png', dpi=300, bbox_inches='tight', transparent=True, # 关键参数！ facecolor='none' # 通常和transparent=True一起用 )

避坑技巧：

1. bbox_inches=‘tight’是你的好朋友：它能自动计算图形的边界并裁剪掉多余的白边，让保存的图片紧凑美观。几乎任何时候都应该加上。
2. 先tight_layout()再savefig()：确保在保存之前调用plt.tight_layout()或设置constrained_layout=True，这样自动调整的布局效果才会被保存下来。
3. 矢量图与位图的选择：如果图表线条、文字很多，且需要缩放（如学术论文），优先用PDF或SVG。如果是照片、复杂渐变或3D渲染图，用高DPI的PNG或JPG。
4. 内存问题：如果子图非常多、数据量巨大，保存高DPI图片时可能会内存不足。可以尝试先保存为PDF（矢量图内存友好），或者降低DPI，或者分批绘制保存。

5. 常见问题与排查实录

即使掌握了所有方法，实战中还是会遇到各种奇怪的问题。下面是我整理的一些高频“坑”和解决方案。

5.1 图形重叠、标题被截断

问题描述：子图之间的标签、标题挤在一起，或者画布边缘的内容被截掉。

根本原因：画布（figsize）不够大，或者子图之间的间距（hspace,wspace）以及子图与画布边缘的间距（subplot_params）设置不合理。

解决方案：

1. 优先使用plt.tight_layout()：在plt.show()或plt.savefig()之前调用它。它会自动调整这些参数。

   plt.tight_layout(pad=1.08, h_pad=1.5, w_pad=1.5) # 可以微调padding

   • pad: 画布边缘与子图之间的间距。
   • h_pad,w_pad: 子图之间高度和宽度方向的间距。
2. 使用constrained_layout=True：在创建画布时使用，它是比tight_layout更新的引擎，能更好地处理复杂元素（如颜色条、图例）。

   fig, axs = plt.subplots(2, 2, figsize=(10, 8), constrained_layout=True)

3. 手动调整fig.subplots_adjust()：如果自动调整不满意，可以手动精细控制。参数是相对于画布宽高的比例。

   plt.subplots_adjust(left=0.1, bottom=0.15, right=0.95, top=0.9, wspace=0.3, hspace=0.4)

4. 增大figsize：这是最直接的方法。如果内容太多，就换一张更大的“画纸”。

5.2 共享坐标轴后刻度标签消失

问题描述：设置了sharex=True后，内部子图的x轴刻度标签都不见了。

原因与解决：这是共享坐标轴的默认行为，为了避免重复标签显得杂乱。如果你需要显示某个内部子图的标签，可以单独打开它。

fig, axs = plt.subplots(2, 2, sharex=True, sharey=True) # ... 绘图 ... # 打开左下角子图的x轴标签显示 axs[1, 0].tick_params(labelbottom=True) # 或者更彻底地，关闭共享（不推荐，失去了联动缩放的好处） # fig, axs = plt.subplots(2, 2, sharex=False, sharey=False)

更常见的做法是，只为最下方（或最左侧）的子图设置标签，让图表更简洁。

5.3 图例（Legend）或颜色条（Colorbar）位置混乱

问题描述：在多子图环境中添加图例或颜色条，它们可能会跑到奇怪的位置，或者覆盖图表。

解决方案：

• 为每个子图单独创建图例：使用ax.legend(loc=‘best’)，loc参数可以指定位置（如‘upper right’,‘lower left’）。
• 为整个画布创建一个全局图例：如果你所有子图的线型/颜色代表相同含义。

  # 先收集所有需要放入图例的句柄（handles）和标签（labels） lines, labels = axs[0,0].get_legend_handles_labels() # 从某一个子图获取 fig.legend(lines, labels, loc='upper center', ncol=3, bbox_to_anchor=(0.5, 1.05)) # bbox_to_anchor 用于精确定位， (0.5, 1.05) 表示画布水平中心，高度在画布上方5%处

• 颜色条（Colorbar）的定位：颜色条通常与一个ScalarMappable对象（如imshow,contourf返回的对象）关联。使用fig.colorbar()并指定它属于哪个axes。

  im = axs[0,0].imshow(data, cmap='hot') # 将颜色条放在axs[0,0]的右侧 fig.colorbar(im, ax=axs[0,0]) # 或者为整个画布创建一个颜色条，并指定位置 cbar_ax = fig.add_axes([0.92, 0.15, 0.02, 0.7]) # [left, bottom, width, height] fig.colorbar(im, cax=cbar_ax)

  关键：使用constrained_layout=True能极大地简化颜色条和图例的布局管理。

5.4 性能问题：绘制大量子图或大数据时卡顿

问题描述：当子图数量超过几十个，或者每个子图数据点成千上万时，交互和保存会非常慢。

优化策略：

1. 减少数据点：对于折线图，可以尝试下采样（data[::10]）。对于散点图，减少点的大小（s参数）或透明度（alpha）。
2. 简化图形元素：关闭不需要的网格（ax.grid(False)）、图例（如果不必要）。使用更简单的线型（‘-’比‘-.’快）。
3. 使用rasterized=True：对于包含大量路径对象的子图（如精细的散点图、等高线填充图），在保存为矢量图（PDF/SVG）时，可以将其栅格化以减小文件大小和提升渲染速度。

   sc = ax.scatter(x, y, c=z, s=1, alpha=0.5, rasterized=True)

4. 分批绘制和保存：如果必须生成超多子图，考虑分多个画布（figure）绘制，或者使用循环分批绘制并立即保存、关闭图形以释放内存。

   for i in range(0, len(all_data), 9): # 每次画9个子图 fig, axs = plt.subplots(3, 3, figsize=(15, 12)) # ... 绘制第i批数据 ... fig.savefig(f'batch_{i//9}.png', dpi=150, bbox_inches='tight') plt.close(fig) # 关键！关闭图形，释放内存

5.5 在Jupyter Notebook或IDE中图形不显示或显示异常

问题描述：代码运行了，但没有弹出图形窗口，或者在Notebook中只显示<Figure size ...>的文字。

解决步骤：

1. 确保使用了正确的魔法命令（Jupyter）：在Jupyter Notebook的第一行，确保有%matplotlib inline（静态嵌入）或%matplotlib widget（交互式，需要安装ipympl）。
2. 检查后端（Backend）：Matplotlib有多种后端（渲染引擎）。inline是静态的，TkAgg,Qt5Agg等是交互式的。可以在代码开头设置：

   import matplotlib matplotlib.use('Qt5Agg') # 或 'TkAgg', 'MacOSX' 等 import matplotlib.pyplot as plt

   但注意，use命令必须在导入pyplot之前。
3. 显式调用plt.show()：在脚本环境中，必须在所有绘图命令后调用plt.show()才能显示窗口。在Jupyterinline模式下，如果图形没有自动显示，也可以尝试在每个图形单元格末尾加上plt.show()。
4. 图形被覆盖：如果你在循环中重复使用plt.figure()或plt.subplots()而没有关闭之前的图形，可能会导致显示混乱。确保每个图形都有唯一的变量名，或者及时用plt.close()关闭。

多图合并是Matplotlib从“会用”到“精通”的关键一步。它要求你不仅了解单个图怎么画，更要理解画布、坐标系、布局管理器这些底层概念。从简单的plt.subplot开始上手，逐步过渡到更强大、更清晰的plt.subplots和GridSpec，最后用subplot_mosaic来应对复杂布局，这条学习路径是平滑且有效的。记住，好的多图合并不是为了炫技，而是为了更清晰、更高效地传达信息。每次动手前，先花一分钟想想：我要讲一个什么故事？这些子图以怎样的顺序和布局呈现，最能帮助读者理解这个故事？想清楚了这一点，技术实现就只是水到渠成的事情了。