在数据可视化中，在一个图中显示多个图表通常很有用。这可以方便地比较不同的数据集或同一数据的不同视图。Matplotlib 提供了一种强大而便捷的方式来创建此类图表，即使用子图（subplots）。
创建子图最常用的方法是使用 plt.subplots() 函数。此函数在一个调用中创建图形（figure）和子图网格（grid of subplots），并返回一个 Figure 对象和一个 Axes 对象数组，每个对象代表一个单独的子图。
在本实验（Lab）中，你将学习如何：
你将在 WebIDE 中编写和执行 Python 脚本。由于此环境不支持交互式 GUI 窗口，你将把图表保存为图像文件，并在编辑器中直接查看它们。
在此步骤中，你将首先创建一个包含两个空子图的图形，这两个子图排列为一行两列。这是构建多图可视化的基础步骤。
我们将使用 plt.subplots() 函数。当你调用 plt.subplots(nrows, ncols) 时，它会返回两个项：
Figure 对象，这是绘制所有内容的总窗口或页面。我们通常将其赋值给一个名为 fig 的变量。Axes 对象数组。每个 Axes 对象代表网格中的一个子图。你可以通过其索引来访问它们。对于一个 (1, 2) 的网格，我们可以将此数组解包到两个变量 ax1 和 ax2 中。让我们编写代码。打开左侧文件浏览器中的 main.py 文件，并添加以下内容。此脚本将导入必要的库，创建一个带有两个子图的图形，并将其保存为名为 plot1.png 的图像文件。
import matplotlib.pyplot as plt
import numpy as np
## Create a figure and a set of subplots.
## 1 row, 2 columns.
fig, (ax1, ax2) = plt.subplots(1, 2)
## Save the figure to a file.
## The file will be created in the /home/labex/project directory.
plt.savefig('plot1.png')
print("Figure saved as plot1.png")现在，从终端运行脚本以生成图表。
python3 main.py你将在终端中看到以下输出：
Figure saved as plot1.png一个名为 plot1.png 的新文件将出现在文件浏览器中。双击它即可查看包含两个空子图的第一个图形。
在此步骤中，你将学习如何在创建的特定 Axes 对象之一上绘制图表。每个 Axes 对象都有自己的绘图方法，例如 plot()、bar()、scatter() 等，这些方法与主 plt 接口中的函数类似。
我们将在第一个子图上绘制一个简单的正弦波，该子图由 ax1 变量表示。我们还将使用 set_title() 方法为该子图添加标题。
使用以下代码更新你的 main.py 文件。我们将使用 NumPy 生成数据，然后将其绘制在 ax1 上。
import matplotlib.pyplot as plt
import numpy as np
## Create some data
x = np.linspace(0, 2 * np.pi, 400)
y = np.sin(x ** 2)
## Create a figure and a set of subplots
fig, (ax1, ax2) = plt.subplots(1, 2)
## Plot on the first subplot (ax1)
ax1.plot(x, y)
ax1.set_title('Sine Wave')
## Save the figure to a new file
plt.savefig('plot2.png')
print("Figure saved as plot2.png")现在，在终端中执行更新后的脚本。
python3 main.py你将看到此输出：
Figure saved as plot2.png一个名为 plot2.png 的新文件现在位于你的项目目录中。打开它以查看结果。左侧的子图现在应该包含一个正弦波图，而右侧的子图仍然是空的。
在此步骤中，你将通过在第二个子图上添加一个图表来完成图形的绘制。这个过程与上一步相同，但这次你将对 ax2 对象调用 plot() 方法。
让我们在第二个子图上绘制一个余弦波，并将其与正弦波进行比较。我们还将为其添加一个标题。
修改你的 main.py 文件，以包含在第二个坐标轴上的绘图。
import matplotlib.pyplot as plt
import numpy as np
## Create some data
x = np.linspace(0, 2 * np.pi, 400)
y1 = np.sin(x ** 2)
y2 = np.cos(x ** 2)
## Create a figure and a set of subplots
fig, (ax1, ax2) = plt.subplots(1, 2)
## Plot on the first subplot (ax1)
ax1.plot(x, y1)
ax1.set_title('Sine Wave')
## Plot on the second subplot (ax2)
ax2.plot(x, y2, 'tab:orange')
ax2.set_title('Cosine Wave')
## Save the figure to a new file
plt.savefig('plot3.png')
print("Figure saved as plot3.png")在上面的代码中，我们在 ax2.plot() 调用中添加了 'tab:orange' 来更改线条颜色，使图表在视觉上更具区分度。
再次从终端运行脚本。
python3 main.py输出将是：
Figure saved as plot3.png现在，打开 plot3.png。你将看到一个完整的图形，其中包含并排的两个图表。但是，你可能会注意到标题或坐标轴标签可能有些拥挤。我们将在下一步解决这个问题。
在此步骤中，你将学习如何自动调整子图之间的间距，以防止标题和标签重叠。Matplotlib 提供了一个简单的函数来实现此目的：plt.tight_layout()。
此函数会检查图形上所有元素的边界框（例如标题、标签和图表本身），并调整子图参数，使所有内容都能整齐地排列而不重叠。在保存或显示图表之前调用它是一个好习惯。
让我们将 plt.tight_layout() 添加到我们的脚本中。按如下方式更新 main.py：
import matplotlib.pyplot as plt
import numpy as np
## Create some data
x = np.linspace(0, 2 * np.pi, 400)
y1 = np.sin(x ** 2)
y2 = np.cos(x ** 2)
## Create a figure and a set of subplots
fig, (ax1, ax2) = plt.subplots(1, 2)
## Plot on the first subplot (ax1)
ax1.plot(x, y1)
ax1.set_title('Sine Wave')
## Plot on the second subplot (ax2)
ax2.plot(x, y2, 'tab:orange')
ax2.set_title('Cosine Wave')
## Adjust layout to prevent overlap
plt.tight_layout()
## Save the figure to a new file
plt.savefig('plot4.png')
print("Figure saved as plot4.png")唯一的改动是添加了 plt.tight_layout() 这一行。现在，运行脚本。
python3 main.py输出：
Figure saved as plot4.png打开 plot4.png 并将其与 plot3.png 进行比较。你应该会注意到两个子图之间的间距得到了优化，从而使图形看起来更整洁、更专业。
在此步骤中，你将学习如何创建共享公共坐标轴的子图。当你比较具有相同 x 轴或 y 轴比例的数据集时，这尤其有用。当坐标轴共享时，在一个子图上进行缩放或平移会自动更新另一个子图。它还可以通过移除冗余的刻度标签来帮助整理图形。
你可以通过将 sharex=True 或 sharey=True 参数传递给 plt.subplots() 来启用坐标轴共享。
为了演示这一点，让我们创建一个新脚本。在你的项目目录中创建一个名为 shared_axes.py 的文件，并添加以下代码。此示例将创建两个垂直堆叠的子图（nrows=2, ncols=1），它们共享相同的 x 轴。
import matplotlib.pyplot as plt
import numpy as np
## Create data
t = np.arange(0.01, 5.0, 0.01)
s1 = np.exp(t)
s2 = np.sin(2 * np.pi * t)
## Create a figure and two subplots that share the x-axis
fig, (ax1, ax2) = plt.subplots(2, 1, sharex=True)
## Plot on the first subplot
ax1.plot(t, s1, 'tab:blue')
ax1.set_ylabel('Exponential')
## Plot on the second subplot
ax2.plot(t, s2, 'tab:orange')
ax2.set_ylabel('Sinusoidal')
ax2.set_xlabel('time (s)')
## Adjust layout
plt.tight_layout()
## Save the figure
plt.savefig('plot5.png')
print("Figure saved as plot5.png")现在，从终端运行这个新脚本。
python3 shared_axes.py输出：
Figure saved as plot5.png打开 plot5.png。请注意，x 轴刻度标签仅显示在底部子图（ax2）上。这是因为 sharex=True 会自动隐藏内部的 x 轴标签，以获得更整洁的外观。两个图表在 x 轴上完美对齐，便于比较。
恭喜你完成了本次实验！你已经掌握了在 Matplotlib 中创建和管理子图的基本技术。
在本次实验中，你练习了：
plt.subplots() 创建带有子图网格的图形。Axes 对象并使用其方法绘制数据。plt.tight_layout() 自动调整间距并防止元素重叠。sharex=True 创建共享坐标轴的子图，以实现更清晰的数据比较和更整洁的图形。这些技能对于创建复杂且信息丰富的可视化至关重要。你现在可以构建能够在一个连贯视图中有效比较多个数据集的图形。
