Matplotlib画布

Matplotlib 核心容器体系：Figure 画布、Axes 子图坐标系与面向对象 OO 架构精讲

小象实战讲义 · Python数据分析实战

许多人在使用 Matplotlib 绘制复杂图表或多子图大屏时常常感到代码混乱，根本原因在于混淆了“状态机接口”与“面向对象接口”。在 Matplotlib 的底层对象模型中，Figure（整张画布） 与 Axes（具体的子图坐标系） 是两个层次分明的核心容器。理解 Figure 是承载所有视觉元素的顶层窗口，而 Axes 才是真正包含 x 轴、y 轴、数据曲线和标题的具体画板，是掌握高级定制绘图的必经之路。本节我们将深入剖析面向对象（OO）绘图架构与 plt.subplots() 最佳实践。

💡 核心导读

• Matplotlib 核心层级拓扑模型：
  • Figure：顶层整张画布，控制整体物理尺寸（figsize）、背景色与分辨率（dpi）；
  • Axes：具体的子图坐标系对象，包含刻度（Axis）、标题、图例与数据图元；
  • Axis：具体的 x 轴或 y 轴刻度尺。
• 面向对象 OO 架构最佳实践：fig, ax = plt.subplots() 一键解构。
• OO 接口与 Pyplot 函数映射表：ax.set_title() vs plt.title()、ax.set_xlabel() vs plt.xlabel()。

1. Figure 与 Axes 的包含关系与面向对象解构

Figure 与 Axes 的几何拓扑关系如下：

┌─────────────────────────────────────────────────────────────┐
│                 Figure (整张大画布: 10 x 6 英寸)            │
│ ┌─────────────────────────┐     ┌─────────────────────────┐ │
│ │ Axes 1 (子图坐标系 1)   │     │ Axes 2 (子图坐标系 2)   │ │
│ │ • ax1.plot(...)         │     │ • ax2.scatter(...)      │ │
│ │ • ax1.set_title(...)    │     │ • ax2.set_title(...)    │ │
│ └─────────────────────────┘     └─────────────────────────┘ │
└─────────────────────────────────────────────────────────────┘

import matplotlib.pyplot as plt
import numpy as np

# 1. 使用面向对象黄金范式创建画布与坐标系
fig, ax = plt.subplots(figsize=(8, 4.5), dpi=100)

x = np.linspace(0, 2 * np.pi, 100)
y_sin = np.sin(x)
y_cos = np.cos(x)

# 2. 在 ax 对象上调用绘图方法 (面向对象)
ax.plot(x, y_sin, color="royalblue", lw=2, label="正弦曲线 sin(x)")
ax.plot(x, y_cos, color="crimson", lw=2, linestyle="--", label="余弦曲线 cos(x)")

# 3. 使用 ax.set_* 系列方法统一配置元数据
ax.set_title("三角函数面向对象绘图示例", fontsize=14)
ax.set_xlabel("弧度 (rad)", fontsize=11)
ax.set_ylabel("振幅", fontsize=11)
ax.set_xlim(0, 2 * np.pi)
ax.set_ylim(-1.2, 1.2)
ax.grid(True, linestyle=":", alpha=0.6)
ax.legend(loc="upper right")

plt.savefig("oo_style_demo.png", bbox_inches="tight")
plt.close(fig)

print("✅ 成功使用面向对象 OO 风格完成高质量出图！")

2. 多子图网格布局与坐标轴共享

通过 plt.subplots(nrows, ncols, sharex=True) 可以快速创建对齐的多子图矩阵。

# 创建 1 行 2 列的子图布局
fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(10, 4), sharey=True)

# 子图 1 绘制散点
ax1.scatter(np.random.rand(30), np.random.rand(30), color="purple", alpha=0.7)
ax1.set_title("子图 1: 随机散点分布")
ax1.grid(True, alpha=0.3)

# 子图 2 绘制柱状图
categories = ["A", "B", "C", "D"]
values = [0.4, 0.7, 0.2, 0.9]
ax2.bar(categories, values, color="teal", alpha=0.8)
ax2.set_title("子图 2: 类别指标对比")
ax2.grid(True, alpha=0.3)

plt.savefig("multi_axes_demo.png", bbox_inches="tight")
plt.close(fig)

import os
for f in ["oo_style_demo.png", "multi_axes_demo.png"]:
    if os.path.exists(f): os.remove(f)
print("✅ 多子图布局渲染成功！")

📝 动手练一练

1. 架构思考题：在编写生产级数据分析代码或封装自定义绘图函数时，为什么业界一致推荐使用面向对象风格（fig, ax = plt.subplots()）而不是直接调用 plt.xxx() 状态机方法？

   👉 点击查看参考答案

   参考答案：

   • 状态机 plt.xxx() 依赖全局当前活跃画布，在多子图或并发绘图时容易发生图表状态串扰与混乱；
   • 面向对象风格中，ax 是一个明确的对象实例，可以作为参数传递给任何自定义函数，代码解耦性、可复用性与可测试性远高于状态机。

2. 编程练习：编写代码创建一个 2 行 2 列的子图画布，并在第 1 个子图（左上角）绘制一条水平线。

   👉 点击查看参考答案

   参考答案：

   import matplotlib.pyplot as plt
   fig, axes = plt.subplots(2, 2, figsize=(8, 6))
   axes[0, 0].axhline(y=0.5, color='r', linestyle='--')
   axes[0, 0].set_title("Top-Left Plot")
   plt.close(fig)

本章小结

• 深入理解了 Figure（画布）与 Axes（坐标系）的容器从属模型；
• 熟练掌握了 fig, ax = plt.subplots() 面向对象绘图的标准工程范式；
• 掌握了 ax.set_* 系列元数据配置方法与多子图网格共享轴技术。

📋 行动清单

• 在本地执行示例代码，观察控制台输出并记录关键指标。
• 做好准备，进入下一小节学习《散点图与柱状图的绘制及业务场景应用》！

—— 小象教研组