一、布局基础概念

1. 布局三要素

import matplotlib.pyplot as plt

# 核心布局对象
fig = plt.figure()            # 画布 (Figure)
ax = fig.add_subplot(111)     # 坐标系 (Axes)
ax.axis([0, 1, 0, 1])         # 坐标轴 (Axis)

# 布局关系图示
'''
Figure (画布)
└── Axes1 (坐标系1)
    ├── AxisX (X轴)
    ├── AxisY (Y轴)
    └── 绘图区域
└── Axes2 (坐标系2)...
'''

2. 常用单位

# 图形尺寸单位
fig = plt.figure(figsize=(8, 6))  # 英寸（默认）
fig = plt.figure(figsize=(20, 15), dpi=72)  # 像素 = 英寸 * dpi

# 布局中的常用单位
'''
inches      : 英寸（默认）
points      : 点（1点=1/72英寸）
pixels      : 像素
figure      : 相对于画布的比例 [0,1]
axes        : 相对于坐标轴的比例 [0,1]
data        : 数据坐标（取决于数据范围）
'''

二、基础布局方法

1. 单图布局

# 方法1：显式创建
fig = plt.figure(figsize=(10, 8))
ax = fig.add_subplot(111)  # 1行1列，第1个
ax.plot([1, 2, 3], [1, 4, 9])

# 方法2：隐式创建（MATLAB风格）
plt.figure(figsize=(10, 8))
plt.subplot(111)  # 创建当前坐标轴
plt.plot([1, 2, 3], [1, 4, 9])

# 方法3：推荐方式（面向对象）
fig, ax = plt.subplots(figsize=(10, 8))
ax.plot([1, 2, 3], [1, 4, 9])

2. 多子图布局 – subplots

# 创建网格布局
fig, axes = plt.subplots(nrows=2, ncols=3,  # 2行3列
                         figsize=(12, 8),
                         sharex=True,       # 共享X轴
                         sharey=True)       # 共享Y轴

# axes是2x3的数组
for i in range(2):
    for j in range(3):
        ax = axes[i, j]
        ax.plot(np.random.randn(50))
        ax.set_title(f'({i},{j})')
        ax.grid(True)

plt.suptitle('2×3子图网格', fontsize=16)
plt.tight_layout()  # 自动调整间距
plt.show()

3. 访问子图的不同方式

fig, axes = plt.subplots(2, 2, figsize=(10, 8))

# 方式1：索引访问（推荐）
axes[0, 0].plot([1, 2, 3], [1, 2, 3])
axes[0, 1].scatter(np.random.rand(10), np.random.rand(10))
axes[1, 0].bar(['A', 'B', 'C'], [3, 7, 2])
axes[1, 1].hist(np.random.randn(1000), bins=30)

# 方式2：展开为一维数组
fig, axes = plt.subplots(2, 2, figsize=(10, 8))
axes_flat = axes.flatten()  # 转为1D数组
for i, ax in enumerate(axes_flat):
    ax.plot(np.random.randn(50))
    ax.set_title(f'Plot {i+1}')

# 方式3：使用subplot位置索引
fig = plt.figure(figsize=(10, 8))
ax1 = plt.subplot(221)  # 2行2列第1个
ax2 = plt.subplot(222)  # 2行2列第2个
ax3 = plt.subplot(212)  # 2行1列第2个（跨两列）

三、高级布局系统

1. GridSpec – 灵活网格布局

import matplotlib.gridspec as gridspec

fig = plt.figure(figsize=(12, 10))
gs = gridspec.GridSpec(3, 3,  # 3行3列网格
                       figure=fig,
                       width_ratios=[1, 2, 1],  # 列宽比例
                       height_ratios=[2, 1, 1], # 行高比例
                       wspace=0.3,  # 列间距
                       hspace=0.4)  # 行间距

# 创建不同大小的子图
ax1 = fig.add_subplot(gs[0, :])        # 第1行，所有列（跨3列）
ax2 = fig.add_subplot(gs[1, :2])       # 第2行，前2列
ax3 = fig.add_subplot(gs[1:, 2])       # 第2行到最后，第3列（跨2行）
ax4 = fig.add_subplot(gs[2, 0])        # 第3行，第1列
ax5 = fig.add_subplot(gs[2, 1])        # 第3行，第2列

# 填充内容
ax1.plot(np.random.randn(100))
ax1.set_title('主图（跨3列）')

ax2.scatter(np.random.rand(50), np.random.rand(50))
ax2.set_title('散点图')

ax3.bar(['A', 'B', 'C', 'D'], np.random.rand(4))
ax3.set_title('柱状图')

ax4.hist(np.random.randn(1000), bins=30)
ax4.set_title('直方图')

ax5.pie([30, 25, 20, 25], labels=['A', 'B', 'C', 'D'])
ax5.set_title('饼图')

plt.tight_layout()
plt.show()

2. GridSpecFromSubplotSpec – 嵌套网格

fig = plt.figure(figsize=(12, 8))

# 外层网格：1行2列
outer_gs = gridspec.GridSpec(1, 2, figure=fig, width_ratios=[1, 2])

# 左图：单个子图
ax_left = fig.add_subplot(outer_gs[0])
ax_left.plot(np.random.randn(100))
ax_left.set_title('时间序列')

# 右图：内层网格（2行2列）
inner_gs = gridspec.GridSpecFromSubplotSpec(2, 2, 
                                           subplot_spec=outer_gs[1],
                                           wspace=0.3, hspace=0.4)

# 在内层网格中添加子图
titles = ['散点图', '柱状图', '直方图', '箱线图']
plot_funcs = ['scatter', 'bar', 'hist', 'boxplot']

for i in range(4):
    ax = fig.add_subplot(inner_gs[i])
    
    if i == 0:
        ax.scatter(np.random.rand(50), np.random.rand(50))
    elif i == 1:
        ax.bar(['A', 'B', 'C', 'D'], np.random.rand(4))
    elif i == 2:
        ax.hist(np.random.randn(1000), bins=30)
    else:
        ax.boxplot([np.random.randn(100) for _ in range(5)])
    
    ax.set_title(titles[i])

plt.suptitle('嵌套网格布局示例', fontsize=16)
plt.tight_layout()
plt.show()

四、相对定位与绝对定位

1. add_axes – 绝对坐标定位

fig = plt.figure(figsize=(10, 8))

# 主图（相对画布定位）
ax_main = fig.add_axes([0.1, 0.1, 0.8, 0.8])  # [left, bottom, width, height]
ax_main.plot(np.random.randn(100))
ax_main.set_title('主图')

# 插入小图（插图）
ax_inset = fig.add_axes([0.6, 0.6, 0.3, 0.3])  # 在主图内插入
ax_inset.plot(np.random.randn(20), 'r-')
ax_inset.set_title('局部放大')

# 边角小图
ax_corner = fig.add_axes([0.05, 0.05, 0.2, 0.2])  # 左下角
ax_corner.hist(np.random.randn(1000), bins=30, alpha=0.7)
ax_corner.set_title('分布')

# 多小图示例
fig2 = plt.figure(figsize=(12, 8))
# 九宫格布局
for i in range(3):
    for j in range(3):
        left = 0.1 + j * 0.25
        bottom = 0.1 + i * 0.25
        ax = fig2.add_axes([left, bottom, 0.2, 0.2])
        ax.plot(np.random.randn(20))
        ax.set_title(f'({i},{j})')
        ax.set_xticks([])
        ax.set_yticks([])

plt.suptitle('绝对定位布局', fontsize=16)
plt.show()

2. Divider – 比例尺布局

from mpl_toolkits.axes_grid1 import make_axes_locatable

fig, ax = plt.subplots(figsize=(10, 8))

# 创建主图
im = ax.imshow(np.random.rand(10, 10), cmap='viridis')

# 使用Divider在主图右侧添加颜色条
divider = make_axes_locatable(ax)
cax = divider.append_axes("right", size="5%", pad=0.1)  # 右侧，5%宽度，0.1英寸间距
plt.colorbar(im, cax=cax)

# 添加其他轴
ax_hist = divider.append_axes("top", size="20%", pad=0.1)  # 顶部，20%高度
ax_hist.hist(im.get_array().flatten(), bins=30, orientation='horizontal')
ax_hist.set_xlabel('频数')
ax_hist.invert_xaxis()

ax.set_title('使用Divider的布局')
plt.show()

五、布局调整与间距控制

1. tight_layout – 自动调整

fig, axes = plt.subplots(2, 3, figsize=(12, 8))

for i, ax in enumerate(axes.flat):
    ax.plot(np.random.randn(50))
    ax.set_title(f'长长的标题 {i+1}' * 3)  # 故意创建长标题
    ax.set_xlabel('X轴标签')
    ax.set_ylabel('Y轴标签')

# 自动调整（会尝试调整子图参数以避免重叠）
plt.tight_layout(pad=1.0,          # 整体边距
                 w_pad=0.5,        # 子图间水平间距
                 h_pad=1.0,        # 子图间垂直间距
                 rect=[0, 0, 1, 0.95])  # 调整区域 [left, bottom, right, top]

plt.suptitle('使用tight_layout自动调整', y=0.98)
plt.show()

2. constrained_layout – 约束布局（更智能）

# 创建时启用
fig, axes = plt.subplots(2, 2, figsize=(10, 8),
                         constrained_layout=True)  # 启用约束布局

for i, ax in enumerate(axes.flat):
    ax.plot(np.random.randn(50))
    ax.set_title(f'子图 {i+1} 带有长标题' * 2)
    ax.set_xlabel('X轴')
    ax.set_ylabel('Y轴')

# 或者之后启用
fig.set_constrained_layout(True)
# 调整参数
fig.set_constrained_layout_pads(w_pad=0.04, h_pad=0.04,
                                hspace=0.02, wspace=0.02)

plt.suptitle('使用constrained_layout', fontsize=16)
plt.show()

3. 手动调整子图位置

fig, axes = plt.subplots(2, 2, figsize=(10, 8))

# 获取子图位置
for i, ax in enumerate(axes.flat):
    pos = ax.get_position()  # 获取当前位置 [left, bottom, width, height]
    print(f'子图{i}位置: {pos}')
    
    # 手动调整位置
    new_pos = [pos.x0 + 0.02, pos.y0 + 0.02, 
               pos.width * 0.9, pos.height * 0.9]
    ax.set_position(new_pos)
    
    ax.plot(np.random.randn(50))
    ax.set_title(f'子图 {i+1}')

plt.suptitle('手动调整子图位置', fontsize=16)
plt.show()

六、特殊布局模式

1. 不对称布局

fig = plt.figure(figsize=(12, 8))

# 定义不对称布局
gs = gridspec.GridSpec(3, 3, figure=fig)
ax1 = fig.add_subplot(gs[0, :])        # 顶部通栏
ax2 = fig.add_subplot(gs[1, :2])       # 中部左侧
ax3 = fig.add_subplot(gs[1:, 2])       # 右侧栏
ax4 = fig.add_subplot(gs[2, 0])        # 左下角
ax5 = fig.add_subplot(gs[2, 1])        # 中下角

# 填充内容
axes = [ax1, ax2, ax3, ax4, ax5]
plot_types = ['line', 'scatter', 'bar', 'hist', 'pie']
colors = ['blue', 'green', 'red', 'orange', 'purple']

for ax, plot_type, color in zip(axes, plot_types, colors):
    if plot_type == 'line':
        ax.plot(np.random.randn(100), color=color)
    elif plot_type == 'scatter':
        ax.scatter(np.random.rand(50), np.random.rand(50), color=color)
    elif plot_type == 'bar':
        ax.bar(['A', 'B', 'C'], np.random.rand(3), color=color)
    elif plot_type == 'hist':
        ax.hist(np.random.randn(1000), bins=30, color=color, alpha=0.7)
    elif plot_type == 'pie':
        ax.pie([30, 20, 25, 25], colors=[color]*4)
    
    ax.set_title(f'{plot_type.capitalize()} Chart')

plt.suptitle('不对称布局示例', fontsize=16, y=0.95)
plt.tight_layout()
plt.show()

2. 多图共享坐标轴

fig, axes = plt.subplots(3, 1, figsize=(10, 12), sharex=True)

# 生成相关数据
x = np.linspace(0, 10, 100)
data1 = np.sin(x)
data2 = np.cos(x)
data3 = np.sin(x) * np.cos(x)

# 绘制共享X轴的图表
axes[0].plot(x, data1, 'b-', linewidth=2)
axes[0].set_ylabel('sin(x)')
axes[0].grid(True)
axes[0].set_title('共享X轴的多图表', fontsize=14, pad=20)

axes[1].plot(x, data2, 'r--', linewidth=2)
axes[1].set_ylabel('cos(x)')
axes[1].grid(True)

axes[2].plot(x, data3, 'g-.', linewidth=2)
axes[2].set_ylabel('sin(x)cos(x)')
axes[2].set_xlabel('X轴')
axes[2].grid(True)

# 调整垂直间距
plt.subplots_adjust(hspace=0.1)  # 减小垂直间距（因为共享X轴）

plt.show()

3. 图文混排布局

from matplotlib.patches import Rectangle

fig = plt.figure(figsize=(14, 10))

# 使用GridSpec创建复杂布局
gs = gridspec.GridSpec(4, 4, figure=fig, 
                       width_ratios=[3, 1, 3, 1],
                       height_ratios=[1, 3, 1, 3])

# 主图
ax_main = fig.add_subplot(gs[1:3, 0:2])
x = np.linspace(0, 2*np.pi, 100)
ax_main.plot(x, np.sin(x), 'b-', label='sin(x)')
ax_main.plot(x, np.cos(x), 'r--', label='cos(x)')
ax_main.legend()
ax_main.set_title('三角函数图', fontsize=14)
ax_main.grid(True)

# 右侧说明区域
ax_text = fig.add_subplot(gs[1:3, 2])
ax_text.axis('off')  # 隐藏坐标轴
text_content = """
三角函数说明：

正弦函数 (sin):
• 周期: 2π
• 范围: [-1, 1]
• 奇函数: sin(-x) = -sin(x)

余弦函数 (cos):
• 周期: 2π
• 范围: [-1, 1]
• 偶函数: cos(-x) = cos(x)

关系式:
sin²(x) + cos²(x) = 1
"""
ax_text.text(0, 0.5, text_content, 
             transform=ax_text.transAxes,
             verticalalignment='center',
             fontsize=11,
             bbox=dict(boxstyle='round', facecolor='wheat', alpha=0.5))

# 底部统计图
ax_stats = fig.add_subplot(gs[3, 0:2])
categories = ['sin均值', 'sin方差', 'cos均值', 'cos方差']
values = [np.sin(x).mean(), np.sin(x).var(), 
          np.cos(x).mean(), np.cos(x).var()]
bars = ax_stats.bar(categories, values, color=['blue', 'lightblue', 'red', 'pink'])
ax_stats.set_title('统计指标')
ax_stats.set_ylabel('数值')

# 顶部标题
fig.suptitle('三角函数分析报告', fontsize=18, y=0.95)

plt.tight_layout()
plt.show()

七、实战：仪表板布局

# 创建仪表板布局
fig = plt.figure(figsize=(16, 12))

# 使用GridSpec定义仪表板布局
gs = gridspec.GridSpec(12, 12, figure=fig)  # 12x12的精细网格

# 1. 顶部标题
ax_title = fig.add_subplot(gs[0, :])
ax_title.axis('off')
ax_title.text(0.5, 0.5, '数据分析仪表板', 
              horizontalalignment='center',
              verticalalignment='center',
              fontsize=24, fontweight='bold')

# 2. 主K线图（假设） - 左上大图
ax_main = fig.add_subplot(gs[1:6, 0:8])
dates = pd.date_range('2023-01-01', periods=100, freq='D')
prices = 100 + np.cumsum(np.random.randn(100))
ax_main.plot(dates, prices, 'b-', linewidth=2)
ax_main.fill_between(dates, prices.min(), prices, alpha=0.3)
ax_main.set_title('价格走势', fontsize=14)
ax_main.grid(True, alpha=0.3)

# 3. 右侧指标面板
ax_metrics = fig.add_subplot(gs[1:4, 8:])
ax_metrics.axis('off')
metrics_text = """
关键指标:
================
当前价格: $102.34
日变化: +2.34 (+2.34%)
周变化: +5.67 (+5.89%)
月变化: +12.34 (+13.71%)

技术指标:
================
RSI: 54.32
MACD: 0.23
布林带宽度: 4.56
"""
ax_metrics.text(0.05, 0.95, metrics_text, 
                transform=ax_metrics.transAxes,
                verticalalignment='top',
                fontsize=11,
                bbox=dict(boxstyle='round', facecolor='lightgray', alpha=0.3))

# 4. 底部子图1：成交量
ax_volume = fig.add_subplot(gs[6:9, 0:4])
volume = np.random.randint(1000, 10000, 100)
ax_volume.bar(range(100), volume, alpha=0.7, color='gray')
ax_volume.set_title('成交量', fontsize=12)
ax_volume.grid(True, alpha=0.3)

# 5. 底部子图2：收益率分布
ax_returns = fig.add_subplot(gs[6:9, 4:8])
returns = np.diff(prices) / prices[:-1]
ax_returns.hist(returns, bins=30, alpha=0.7, color='green', edgecolor='black')
ax_returns.axvline(x=returns.mean(), color='red', linestyle='--', label=f'均值: {returns.mean():.2%}')
ax_returns.set_title('收益率分布', fontsize=12)
ax_returns.legend(fontsize=9)
ax_returns.grid(True, alpha=0.3)

# 6. 底部子图3：相关性热图
ax_corr = fig.add_subplot(gs[9:, 0:4])
# 模拟相关性矩阵
corr_matrix = np.corrcoef(np.random.randn(5, 100))
im = ax_corr.imshow(corr_matrix, cmap='coolwarm', vmin=-1, vmax=1)
ax_corr.set_title('相关性矩阵', fontsize=12)
ax_corr.set_xticks(range(5))
ax_corr.set_yticks(range(5))
ax_corr.set_xticklabels(['AAPL', 'GOOG', 'MSFT', 'AMZN', 'TSLA'])
ax_corr.set_yticklabels(['AAPL', 'GOOG', 'MSFT', 'AMZN', 'TSLA'])
plt.colorbar(im, ax=ax_corr, fraction=0.046, pad=0.04)

# 7. 底部子图4：饼图
ax_pie = fig.add_subplot(gs[9:, 4:8])
sectors = ['科技', '金融', '医疗', '能源', '消费']
weights = [35, 25, 20, 10, 10]
ax_pie.pie(weights, labels=sectors, autopct='%1.1f%%', startangle=90)
ax_pie.set_title('行业权重', fontsize=12)

# 8. 右侧底部：控制面板
ax_control = fig.add_subplot(gs[9:, 8:])
ax_control.axis('off')
control_text = """
控制面板:
================
时间范围:
▢ 1天   ▢ 1周
▢ 1月   ☑ 3月
▢ 6月   ▢ 1年

指标选择:
☑ MA(5)  ▢ MA(10)
☑ MA(20) ▢ MA(60)
☑ 成交量 ▢ RSI

刷新频率:
▢ 实时   ☑ 5分钟
▢ 15分钟 ▢ 1小时
"""
ax_control.text(0.05, 0.95, control_text, 
                transform=ax_control.transAxes,
                verticalalignment='top',
                fontsize=10,
                bbox=dict(boxstyle='round', facecolor='lightblue', alpha=0.2))

# 调整整体布局
plt.subplots_adjust(left=0.05, right=0.95, top=0.95, bottom=0.05, 
                    wspace=0.3, hspace=0.4)

plt.show()

八、布局最佳实践

1. 选择布局策略

# 根据需求选择布局方法
layout_strategies = {
    '简单网格': 'plt.subplots()',
    '灵活网格': 'gridspec.GridSpec()',
    '绝对定位': 'fig.add_axes()',
    '嵌套布局': 'GridSpecFromSubplotSpec',
    '自动调整': 'tight_layout() 或 constrained_layout',
}

# 决策流程
'''
1. 是否需要不规则布局？ → 是 → GridSpec
2. 是否是简单网格？ → 是 → plt.subplots()
3. 是否需要精确定位？ → 是 → add_axes()
4. 是否有重叠问题？ → 是 → tight_layout
5. 是否复杂仪表板？ → 是 → 混合使用
'''

2. 常见问题解决

# 问题1：标题重叠
fig, axes = plt.subplots(2, 2, figsize=(10, 8))
# 解决方案：
plt.tight_layout(pad=2.0)  # 增加边距

# 问题2：颜色条与子图重叠
fig, ax = plt.subplots(figsize=(8, 6))
im = ax.imshow(np.random.rand(10, 10))
# 解决方案：
from mpl_toolkits.axes_grid1 import make_axes_locatable
divider = make_axes_locatable(ax)
cax = divider.append_axes("right", size="5%", pad=0.05)
plt.colorbar(im, cax=cax)

# 问题3：子图大小不一致
fig = plt.figure(figsize=(12, 8))
# 解决方案：使用width_ratios和height_ratios
gs = gridspec.GridSpec(2, 2, 
                       width_ratios=[2, 1], 
                       height_ratios=[1, 2])

3. 性能优化

# 1. 预分配图形大小
fig = plt.figure(figsize=(12, 8))  # 预先确定合适大小

# 2. 避免频繁重绘
plt.ioff()  # 关闭交互模式（批量绘图时）
# ... 绘图代码 ...
plt.ion()   # 重新打开

# 3. 使用constrained_layout替代tight_layout（性能更好）
fig, axes = plt.subplots(2, 2, constrained_layout=True)

# 4. 简化复杂图形
# 对于非常复杂的仪表板，考虑使用多个图形或简化设计

总结建议

1. 从简单开始：先用plt.subplots()，不够用时再考虑GridSpec
2. 善用自动调整：优先使用constrained_layout=True
3. 保持一致性：相同类型的图表使用相同的尺寸和间距
4. 考虑可读性：确保标签、标题不重叠，有足够的边距
5. 测试不同尺寸：在保存和显示时测试不同DPI和尺寸的效果

Matplotlib的布局系统虽然复杂，但提供了极大的灵活性。掌握这些布局技巧可以创建出专业级的数据可视化仪表板。