如何将多个 Matplotlib 图形合并到一个统一的图形中

本教程详细阐述了如何将多个独立的 Matplotlib `Figure` 对象，即便每个对象内部包含多个子图，整合到一个全新的、统一的图形中。核心策略是：从源 `Figure` 的每个 `Axes` 对象中提取绘图数据（如坐标点），然后在一个新创建的主 `Figure` 内设置子图布局，并将提取的数据重新绘制到这些新的子图上，从而实现集中展示与高效输出。

1. 理解问题与核心策略

在数据可视化工作中，我们经常会遇到这样的场景：有多个独立的 Matplotlib Figure 对象，这些 Figure 可能由不同的函数生成，每个 Figure 内部甚至可能包含多个 Axes（子图）。我们的目标是将这些分散的 Figure 合并到一个单一的、统一的输出图形中，使每个原始 Figure 在新图中作为一个独立的子图区域呈现。

Matplotlib 库本身并没有提供直接“合并” Figure 对象的功能，因为 Figure 对象是画布的容器，包含其自身的属性和所有 Axes 对象。因此，最有效和推荐的策略是：

获取源 Figure 对象及其内部的 Axes 对象。从每个 Axes 对象中提取其所绘制的数据。 这通常包括线条的 x、y 坐标，散点的坐标，条形图的高度等。创建一个全新的主 Figure。在新主 Figure 中创建适当数量的子图（Axes 对象）， 形成所需的布局。将从源 Axes 中提取的数据重新绘制到新主 Figure 的对应子图上。

通过这种数据提取与重绘的方法，我们可以灵活地控制合并后的图形布局和样式，确保最终输出的统一性和专业性。

2. 逐步实现：合并 Matplotlib 图形

下面将详细介绍如何通过 Python 和 Matplotlib 实现上述策略。

2.1 获取源 Figure 对象及其 Axes

假设我们有两个函数 generate_figure_1() 和 generate_figure_2()，它们分别返回一个 matplotlib.figure.Figure 对象。首先，我们需要捕获这些 Figure 对象，并获取它们内部的 Axes 列表。

import matplotlib.pyplot as pltimport numpy as np# 模拟生成第一个 Figure 的函数def generate_figure_1():    fig = plt.figure(figsize=(6, 4))    ax = fig.add_subplot(111)    x = np.linspace(0, 10, 100)    y = np.sin(x)    ax.plot(x, y, label='Sine Wave')    ax.set_title('Figure 1: Sine Wave')    ax.legend()    plt.close(fig) # 关闭原始Figure，避免显示    return fig# 模拟生成第二个 Figure 的函数def generate_figure_2():    fig = plt.figure(figsize=(6, 4))    ax1 = fig.add_subplot(211) # 两个子图    ax2 = fig.add_subplot(212)    x = np.linspace(0, 10, 100)    y1 = np.cos(x)    y2 = np.exp(-x/2) * np.sin(5*x)    ax1.plot(x, y1, 'r--', label='Cosine Wave')    ax2.plot(x, y2, 'g:', label='Damped Sine')    ax1.set_title('Figure 2: Cosine Wave')    ax2.set_title('Figure 2: Damped Sine')    ax1.legend()    ax2.legend()    plt.tight_layout()    plt.close(fig) # 关闭原始Figure，避免显示    return fig# 调用函数获取 Figure 对象fig_1 = generate_figure_1()fig_2 = generate_figure_2()# 获取每个 Figure 中的 Axes 对象列表axes_from_fig1 = fig_1.axesaxes_from_fig2 = fig_2.axesprint(f"Figure 1 包含 {len(axes_from_fig1)} 个 Axes。")print(f"Figure 2 包含 {len(axes_from_fig2)} 个 Axes。")

2.2 从 Axes 中提取绘图数据

对于线条图（Line2D 对象），我们可以通过 ax.lines 属性访问所有线条，然后使用 get_xdata() 和 get_ydata() 方法提取数据。对于其他类型的图（如散点图、条形图等），数据提取方法会有所不同，可能需要访问 ax.collections (散点图) 或 ax.patches (条形图) 并调用相应的 get_offsets() 或 get_height() 等方法。本教程主要关注线条图的合并。

图像转图像AI

利用AI轻松变形、风格化和重绘任何图像

65 查看详情

# 存储所有待合并的 Axes 的数据all_plot_data = []# 提取 Figure 1 的数据for ax in axes_from_fig1:    for line in ax.lines:        x_data = line.get_xdata()        y_data = line.get_ydata()        label = line.get_label()        color = line.get_color()        linestyle = line.get_linestyle()        all_plot_data.append({'x': x_data, 'y': y_data, 'label': label, 'color': color, 'linestyle': linestyle, 'title': ax.get_title()})# 提取 Figure 2 的数据for ax in axes_from_fig2:    for line in ax.lines:        x_data = line.get_xdata()        y_data = line.get_ydata()        label = line.get_label()        color = line.get_color()        linestyle = line.get_linestyle()        all_plot_data.append({'x': x_data, 'y': y_data, 'label': label, 'color': color, 'linestyle': linestyle, 'title': ax.get_title()})print(f"共提取到 {len(all_plot_data)} 组绘图数据。")

2.3 创建新的主 Figure 和子图布局

现在，我们将创建一个新的 Figure 对象，并根据需要设置子图布局。例如，如果我们要将两个原始 Figure 合并为两个独立的子图，我们可以创建一个 1×2 或 2×1 的布局。这里我们选择 2×2 的布局，将 fig_1 的内容放在左上角，fig_2 的两个子图内容放在右上角和左下角，右下角留空。

# 创建一个新的主 Figure 和 Axes 布局# 这里我们选择2行2列，以便放置所有提取的数据fig_combined, axs = plt.subplots(2, 2, figsize=(12, 8))axs = axs.flatten() # 将二维数组的 Axes 展平，方便索引

2.4 将数据重新绘制到新的子图上

遍历提取到的数据，并将其绘制到新创建的 Axes 对象上。我们需要确保数据被绘制到正确的子图位置。

# 确保有足够的子图来容纳所有数据if len(all_plot_data) > len(axs):    print("警告：新的子图数量不足以容纳所有提取的数据。")# 将数据绘制到新的子图上# 假设我们知道哪个数据对应哪个原始图，并希望按特定顺序放置# 示例中，我们将Figure 1的唯一线条放在第一个子图# Figure 2的两个线条分别放在第二个和第三个子图# 第四个子图留空或用于其他目的# Figure 1 的数据（只有一个Axes，一个line）if len(all_plot_data) > 0:    data_f1 = all_plot_data[0]    axs[0].plot(data_f1['x'], data_f1['y'], label=data_f1['label'], color=data_f1['color'], linestyle=data_f1['linestyle'])    axs[0].set_title(f"Combined: {data_f1['title']}")    axs[0].legend()    axs[0].grid(True)# Figure 2 的第一个 Axes 的数据（一个line）if len(all_plot_data) > 1:    data_f2_ax1 = all_plot_data[1]    axs[1].plot(data_f2_ax1['x'], data_f2_ax1['y'], label=data_f2_ax1['label'], color=data_f2_ax1['color'], linestyle=data_f2_ax1['linestyle'])    axs[1].set_title(f"Combined: {data_f2_ax1['title']}")    axs[1].legend()    axs[1].grid(True)# Figure 2 的第二个 Axes 的数据（一个line）if len(all_plot_data) > 2:    data_f2_ax2 = all_plot_data[2]    axs[2].plot(data_f2_ax2['x'], data_f2_ax2['y'], label=data_f2_ax2['label'], color=data_f2_ax2['color'], linestyle=data_f2_ax2['linestyle'])    axs[2].set_title(f"Combined: {data_f2_ax2['title']}")    axs[2].legend()    axs[2].grid(True)# 可以选择性地隐藏或清空未使用的子图axs[3].set_visible(False) # 隐藏第四个子图# 或者 axs[3].axis('off')# 调整布局，防止重叠fig_combined.suptitle('Combined Matplotlib Figures', fontsize=16)plt.tight_layout(rect=[0, 0.03, 1, 0.95]) # 调整布局，为suptitle留出空间

2.5 可选：配置新子图属性

在新子图上重新绘制数据后，您可以根据需要设置每个子图的标题、x/y 轴标签、图例、网格等属性，以增强可读性和信息量。这在上面的示例代码中已经有所体现。

2.6 保存最终合并图

完成所有绘制和配置后，使用 plt.savefig() 方法保存最终的合并图形。dpi 参数可以控制图像的清晰度。

# 保存最终的合并图形plt.savefig("combined_matplotlib_figures.png", dpi=300)# 显示合并后的图形plt.show()# 关闭所有 Figure，释放内存plt.close('all')

3. 示例代码

以下是一个完整的示例代码，演示了如何将两个独立的 Matplotlib Figure 合并到一个新的 Figure 中。

import matplotlib.pyplot as pltimport numpy as np# --- 模拟生成原始 Figure 的函数 ---def generate_figure_1():    """生成一个包含单条正弦曲线的 Figure。"""    fig = plt.figure(figsize=(6, 4))    ax = fig.add_subplot(111)    x = np.linspace(0, 10, 100)    y = np.sin(x)    ax.plot(x, y, label='Sine Wave', color='blue', linestyle='-')    ax.set_title('Original Figure 1: Sine Wave')    ax.set_xlabel('X-axis')    ax.set_ylabel('Y-axis')    ax.legend()    plt.close(fig) # 关闭原始 Figure，避免在合并前显示    return figdef generate_figure_2():    """生成一个包含两个子图的 Figure，每个子图包含一条曲线。"""    fig = plt.figure(figsize=(6, 8)) # 稍微高一点，因为有两个子图    ax1 = fig.add_subplot(211) # 第一个子图    ax2 = fig.add_subplot(212) # 第二个子图    x = np.linspace(0, 10, 100)    y1 = np.cos(x)    y2 = np.exp(-x/2) * np.sin(5*x)    ax1.plot(x, y1, 'r--', label='Cosine Wave')    ax1.set_title('Original Figure 2, Subplot 1: Cosine Wave')    ax1.set_xlabel('X-axis')    ax1.set_ylabel('Y-axis')    ax1.legend()    ax1.grid(True)    ax2.plot(x, y2, 'g:', label='Damped Sine Wave')    ax2.set_title('Original Figure 2, Subplot 2: Damped Sine')    ax2.set_xlabel('X-axis')    ax2.set_ylabel('Y-axis')    ax2.legend()    ax2.grid(True)    plt.tight_layout() # 调整子图布局    plt.close(fig) # 关闭原始 Figure    return fig# --- 步骤 1: 获取源 Figure 对象并提取 Axes ---fig_source_1 = generate_figure_1()fig_source_2 = generate_figure_2()axes_from_fig1 = fig_source_1.axesaxes_from_fig2 = fig_source_2.axes# --- 步骤 2: 从 Axes 中提取绘图数据 ---all_plot_data = []# 提取 Figure 1 的数据for ax in axes_from_fig1:    for line in ax.lines:        all_plot_data.append({            'x': line.get_xdata(),            'y': line.get_ydata(),            'label': line.get_label(),            'color': line.get_color(),            'linestyle': line.get_linestyle(),            'title': ax.get_title() # 记录原始子图标题        })# 提取 Figure 2 的数据for ax in axes_from_fig2:    for line in ax.lines:        all_plot_data.append({            'x': line.get_xdata(),            'y': line.get_ydata(),            'label': line.get_label(),            'color': line.get_color(),            'linestyle': line.get_linestyle(),            'title': ax.get_title()        })# --- 步骤 3: 创建新的主 Figure 和子图布局 ---# 我们有 1 + 2 = 3 组数据，所以创建一个 2x2 的布局，其中一个子图可能留空fig_combined, axs = plt.subplots(2, 2, figsize=(14, 10))axs = axs.flatten() # 将 Axes 数组展平为一维，方便索引# --- 步骤 4: 将数据重新绘制到新的子图上 ---# 确保有足够的子图来容纳所有数据if len(all_plot_data) > len(axs):    print("警告：新的子图数量不足以容纳所有提取的数据。")for i, data_item in enumerate(all_plot_data):    if i < len(axs): # 确保不越界        current_ax = axs[i]        current_ax.plot(data_item['x'], data_item['y'],                        label=data_item['label'],                        color=data_item['color'],                        linestyle=data_item['linestyle'])        current_ax.set_title(f"Combined Plot {i+1}: {data_item['title'].replace('Original ', '')}")        current_ax.set_xlabel('X-axis')        current_ax.set_ylabel('Y-axis')        current_ax.legend()        current_ax.grid(True)# --- 步骤 5: 配置未使用的子图 (可选) ---# 如果有未使用的子图，可以隐藏它们for i in range(len(all_plot_data), len(axs)):    axs[i].axis('off') # 隐藏未使用的子图的轴和边框# --- 步骤 6: 调整整体布局和添加总标题 ---fig_combined.suptitle('Combined Matplotlib Figures Tutorial', fontsize=18, y=1.02)plt.tight_layout(rect=[0, 0.03, 1, 0.98]) # 调整布局，为总标题留出空间# --- 步骤 7: 保存最终合并图并显示 ---plt.savefig("combined_figures_tutorial.png", dpi=300, bbox_inches='tight')plt.show()# 关闭所有 Figure，释放内存plt.close('all')

4. 注意事项与总结

直接合并的局限性： Matplotlib 的 Figure 对象是独立的画布实例，它们之间没有直接的“合并” API。因此，数据提取和重绘是实现此目标的标准方法。数据提取的通用性： 本教程主要展示了线条图的数据提取。对于散点图（ax.collections）、条形图（ax.patches）、图像（ax.images）或其他复杂的 Artist 对象，需要根据其类型调用不同的方法来获取数据或属性。例如，散点图可能需要 scatter.get_offsets()，条形图可能需要 bar.get_height() 和 bar.get_x()。布局规划： 在创建新的主 Figure 时，提前规划好子图的布局（行数、列数）至关重要，以确保所有原始图的内容都能得到妥善的展示。图例和标签： 重新绘制数据时，务必将原始图

以上就是如何将多个 Matplotlib 图形合并到一个统一的图形中的详细内容，更多请关注创想鸟其它相关文章！