最近帮一位做实验的朋友处理数据可视化需求，他提了个很具体的要求：一张图里要展示六个实验组的对比，每组又需要同时画出原始信号、滤波后的信号以及误差范围三条曲线。这种需求在科研绘图、数据分析和工程报告里太常见了，说白了就是"一张画布上铺多个子图，每个子图里叠多条线"。用Python的matplotlib来做这事非常顺手，但真要把布局排得好看、代码写得能复用、细节处理得不出幺蛾子，里面还是有不少门道。这篇文章我就把多子图多曲线的完整做法、参数选择的逻辑、常见的坑和排查思路一次讲清楚。
1. 内容整体设计与思路拆解
1.1 为什么是matplotlib，而不是其他绘图库
我知道你可能会想：现在可视化工具那么多，Seaborn、Plotly、pyecharts各有各的好，为什么偏偏选matplotlib来做"多子图多曲线"？
我的理由其实很简单：
- sepaborn确实好看，但它的底层就是基于matplotlib封装的，碰上复杂的多子图布局，最终还是要落回matplotlib的接口来调参。
- Plotly走交互路线，H5渲染确实漂亮，但要在论文、报告或者服务器上生成静态图输出，它反而不如matplotlib直接。
- matplotlib的
subplots接口和GridSpec布局模块，是目前Python生态里最成熟、最灵活、资料最多的多子图方案。社区里任何奇怪的问题几乎都能搜到答案。
所以，只要你把matplotlib这套玩熟了，其他库的复杂布局需求你也能接住。
1.2 一张图多子图多曲线的核心需求拆解
拆解一下"一张图片显示多个子图片，每个子图片显示多个曲线"这个标题背后的真实需求，一般涉及到三个层面的问题：
- 布局层面：需要把一整张Figure画布划分成若干个子区域，每个区域独立绘图。比如2行3列形成6个子图，或者不规则的布局——第一行一个大图、第二行两个小图。
- 数据映射层面：每个子图里，横轴往往是共享的（比如时间、迭代次数、频率），纵轴则是你要对比的指标。多条曲线可以是不同实验条件、不同参数、不同类别的结果。
- 可读性层面：子图之间要有清晰的区分，曲线要有明确的图例、颜色、线型，坐标轴标签、标题、刻度都不能含糊。否则图出来了，别人看不懂，等于白做。
从设计角度来说，我建议先想清楚"行"和"列"分别代表什么变量。比如做模型对比实验时，可以让行表示不同数据集，列表示不同评估指标，这样每个子图就对应"某个数据集上某个指标在不同算法下的表现"，多曲线就是不同算法。这个逻辑理顺了，代码结构也就跟着清晰了。
1.3 整体方案选型：从subplots到subplot_mosaic
早期版本里，大家惯用plt.subplot(row, col, index)逐个创建子图，代码里会不断重复plt.subplot(2,3,1)、plt.subplot(2,3,2)这样的调用，还要手动管理当前坐标轴。如果子图数量多、布局不规则，索引特别容易写错，回头改布局时更是灾难。
现在的主流做法是用plt.subplots()，一行代码就把所有的子图坐标轴对象一次性创建出来，返回一个figure对象和一个axes数组。之后你要对哪个子图操作，直接索引axes[i, j]就行，代码结构清晰，批量循环画图非常顺手。
如果布局是不规则的——比如首页的仪表盘那种"上面一个大图、下面三个小图"——我推荐用fig.add_gridspec()或plt.subplot_mosaic()。尤其是subplot_mosaic，它是用ASCII字符串来描述布局的，读代码的人一眼就能看懂哪个区域是干嘛的，比写数字索引友好得多。
2. 从零搭建多子图框架：plt.subplots()深度拆解
2.1plt.subplots()的参数映射关系
plt.subplots()的签名很长，但真正高频使用的参数就那几个。我把它们和实际意义对应起来：
| 参数 | 作用 | 常用值 | 踩坑提示 |
|---|---|---|---|
nrows | 子图行数 | 2、3、4 | 行数过多时图会变得扁长，注意配figsize |
ncols | 子图列数 | 2、3、4 | 行列乘积才是总子图数量 |
figsize | 整张图的宽高，单位英寸 | (12, 8) | 别忘乘上dpi才是像素尺寸 |
sharex | 是否共享X轴 | True / False | 共享时只显示底部子图的x轴刻度，省空间 |
sharey | 是否共享Y轴 | True / False | 不同子图量纲差异大时不要设True |
squeeze | 是否压缩返回的数组维度 | 默认True | 行列数为1时返回一维数组，容易索引混乱 |
这里重点说sharex和sharey。如果你多个子图的横轴代表同一物理量——比如都是时间、都是迭代轮数——我强烈建议sharex=True。这样上面的子图不会重复显示横轴刻度，整个图面看起来特别清爽，也为后面用fig.supxlabel()统一加横轴标签提供了便利。
但如果每个子图的纵轴量纲差异很大（比如一个画温度、一个画湿度），sharey就不要开，开了反而会让小数值的曲线被压成一条直线，真实波动全看不到了。
2.2 二维Axes数组的索引逻辑
plt.subplots(2, 3)返回的axes是一个形状为(2, 3)的二维数组，第一维是行索引，第二维是列索引，都是从0开始。也就是说axes[0][0]代表左上角第一个子图，axes[1][2]代表右下角最后一个子图。
实际写代码时，我习惯用两层for循环来遍历：
import matplotlib.pyplot as plt import numpy as np fig, axes = plt.subplots(nrows=2, ncols=3, figsize=(12, 6), sharex=True) for i in range(2): # 遍历行 for j in range(3): # 遍历列 ax = axes[i][j] # 在这里向 ax 添加曲线、设置标题等这里有一个很容易踩的坑：如果把nrows=1或者ncols=1，返回的axes就不是二维数组了，而是一维数组甚至单个Axes对象。很多人的报错“'numpy.ndarray' object has no attribute 'plot'”就是从这里来的。为了避免这种问题，我有个习惯——不管布局是几行几列，取到ax之后统一处理，或者在创建时加上squeeze=False，强制返回二维数组，保证索引行为一致。
2.3 向每个子图填充多条曲线的循环逻辑
多曲线的本质就是在一个Axes对象上多次调用plot()。在循环里，我一般把数据和样式定义成列表或字典，然后依次画上去：
x = np.linspace(0, 10, 100) datasets = { 'A组': {'y': np.sin(x), 'color': '#1f77b4', 'ls': '-'}, 'B组': {'y': np.cos(x), 'color': '#ff7f0e', 'ls': '--'}, 'C组': {'y': np.sin(x) * np.cos(x), 'color': '#2ca02c', 'ls': '-.'}, } for i in range(2): for j in range(3): ax = axes[i][j] for name, d in datasets.items(): ax.plot(x, d['y'], color=d['color'], ls=d['ls'], label=name) ax.legend()这种写法的好处在于：数据和样式配置分离，后续要加一组曲线，只需要往datasets字典里加一项，循环内部完全不用动。实际项目中我甚至会把datasets从一个JSON配置文件里读出来，这样不懂代码的同事也能自己调整配色和线型。
3. 进阶布局控制：不规则网格与子图合并
3.1 用GridSpec实现"上面大图、下面小图"的布局
前面提到，纯均匀网格无法满足所有场景。最典型的就是：上方放一张总览大图（比如完整时间序列），下方放若干张小图（比如各细节片段）。这时候GridSpec就派上用场了。
GridSpec的逻辑是先把画布划分成nrows行、ncols列的网格，然后让某个子图跨多行或多列。下面这个例子就是：整体分3行2列，左上角的大图跨2行，右上角的小图占1行，底部两个小图各占1列。
import matplotlib.pyplot as plt from matplotlib.gridspec import GridSpec fig = plt.figure(figsize=(12, 8)) gs = GridSpec(3, 2, figure=fig, hspace=0.3, wspace=0.3) ax1 = fig.add_subplot(gs[0:2, 0]) # 左边大图，跨第0行到第2行，占第0列 ax2 = fig.add_subplot(gs[0, 1]) # 右上角小图 ax3 = fig.add_subplot(gs[1, 1]) # 右侧中间小图 ax4 = fig.add_subplot(gs[2, :]) # 底部横向大图，占整行 plt.show()gs[0:2, 0]这种切片语法看起来和NumPy有点像，但含义却完全不同。在GridSpec里，它表达的是“这个子图占据第0行到第2行、第0列”的矩形区域。这也是很多新手困惑的地方，多写几次就习惯了，而且直观好懂。
3.2 更直观的subplot_mosaic：用字符串规划布局
如果觉得GridSpec的索引切片还是太抽象，那subplot_mosaic是你的好选择。它允许你用类似ASCII画的字符串来定义布局：
fig, axes = plt.subplot_mosaic( """ ABB ACC """, figsize=(10, 6) )这里A、B、C只是区域的代号，并不代表数据。运行之后，axes会变成一个字典，键就是这些代号，值是对应的Axes对象。于是写代码的时候你可以直接axes['A'].plot(...)，完全不用记忆行列索引。
返回值是一个字典，这点特别适合代码量大的场景——因为可读性确实高。我曾经把一份六个实验组的对比图用mosaic重写，原来的索引满天飞，改完之后同事一眼就知道哪个区域是干嘛的。
3.3 子图间距与整体留白调整
不管用哪种方式创建子图，最后几乎都会碰到一个普遍问题：子图之间太挤，要么坐标轴标签挤在一起，要么标题和上面的图贴在一起。解决办法有两个常用层面：
plt.subplots_adjust(left, right, top, bottom, wspace, hspace)，手动微调整张图的边距与子图间距。fig.tight_layout()，自动调整，大部分情况下够用。如果用了GridSpec，可以在创建时设置hspace和wspace。
我的建议是：先用tight_layout()兜底，如果个别图还是难看得不行，再手动修改wspace和hspace。
但要注意：大图和小图混排时，wspace和hspace对不同类型的子图影响不一样。比如你上面是大图、下面是两个小图，横轴共享时hspace过小会导致上部大图下方留白太大。这种问题只能边调边看，没有一劳永逸的公式。
4. 实操演示：一张图显示6个子图，每个子图5条曲线
4.1 场景设定与数据模拟
我们来做一个完整的例子，模拟项目里常见的"多算法对比"场景。假设我做了3种模型，在2个数据集上做测试，每个模型每次迭代都记录损失值。想在一张图里展示：行对应当前数据集，列对应模型编号，每个子图里画出训练损失和验证损失，外加一个理论参考曲线。这样每个子图就是3条曲线。
为了演示更丰富的效果，我把每个子图塞5条曲线：训练损失、验证损失、基线、上界、下界。5条线在同一个子图里已经足够看出对比效果，再多就糊了。
import matplotlib.pyplot as plt import numpy as np plt.rcParams['font.sans-serif'] = ['SimHei'] # 用来正常显示中文标签 plt.rcParams['axes.unicode_minus'] = False # 用来正常显示负号 # 模拟数据 epochs = np.arange(1, 51) datasets = ['数据集X', '数据集Y'] models = ['模型A', '模型B', '模型C'] fig, axes = plt.subplots(nrows=2, ncols=3, figsize=(14, 8), sharex=True, sharey=False) for i, ds in enumerate(datasets): for j, md in enumerate(models): ax = axes[i][j] # 伪造5条曲线 base = 1.0 / (0.1 * epochs + 0.5) + 0.1 * i + 0.05 * j noise_train = np.random.normal(0, 0.02, size=epochs.shape) noise_val = np.random.normal(0, 0.03, size=epochs.shape) train_loss = base + noise_train val_loss = base + 0.3 + noise_val baseline = np.full_like(epochs, 1.2, dtype=float) upper_bound = train_loss + 0.15 lower_bound = train_loss - 0.15 ax.plot(epochs, train_loss, label='训练损失', color='#1f77b4', lw=1.5) ax.plot(epochs, val_loss, label='验证损失', color='#ff7f0e', lw=1.5, ls='--') ax.plot(epochs, baseline, label='基线', color='#7f7f7f', lw=1.2, ls=':') ax.plot(epochs, upper_bound, label='上界', color='#2ca02c', lw=0.8, alpha=0.7) ax.plot(epochs, lower_bound, label='下界', color='#2ca02c', lw=0.8, alpha=0.7, ls='-.') ax.set_title(f'{ds} - {md}') ax.grid(True, alpha=0.3) ax.legend(fontsize=9) # 统一坐标轴标签 for ax in axes[-1]: ax.set_xlabel('迭代轮次') for ax in axes[:, 0]: ax.set_ylabel('损失值') fig.suptitle('多模型在不同数据集上的训练曲线对比', fontsize=14, y=1.02) fig.tight_layout() plt.savefig('compare_models.svg', dpi=150, bbox_inches='tight') plt.show()4.2 这段代码的细节考究
sharex=True让所有子图的横轴刻度只在最底部显示，上面的子图只保留竖网格线，这样视觉上干净不少。sharey=False是因为两个数据集的损失值范围不同，强行共享Y轴会把曲线压扁，不利于观察。
创建5条曲线时，我没有一次性调用五次独立语句，而是放在一个循环的上下文里，因为我们需要它们共享同一个ax对象，而label参数就是为了后续legend()显示用的。颜色上我遵循两个原则：同一条曲线在不同子图中保持相同颜色，方便跨子图追踪；次要的边界线用低透明度，避免喧宾夺主。
4.3 输出结果与文件管理
bbox_inches='tight'这个参数很实用，它会让保存的图片自动裁剪掉多余的白边，输出的图片紧贴内容。如果是要投稿期刊，建议保存为SVG或PDF矢量格式，因为无限缩放不糊；如果只是发到群里看，png配dpi=150就够清晰了。
fig.tight_layout()的位置也很讲究，需要放在suptitle()之后。因为总标题会占据额外的画布空间，如果先tight_layout再设置总标题，标题和上面的子图贴在一起的概率会更高。我一开始没注意这个顺序，出过好几次图之后才发现问题都出在顺序上。
5. 常见问题与排查技巧实录
5.1 图片太大或太小，子图高度被压扁
最常见的现象：明明figsize设了(12, 8)，很多子图还是挤在一起，看上去像压缩饼干。核心原因不在于子图数量，而是你忘了在创建时给每个子图预设足够的宽高比。
解决办法不复杂：当子图数量多时，适当调大figsize的高；当每个子图有多条曲线时，figsize的宽也要预留图例的空间。另外tight_layout()和constrained_layout=True都能自动调整，两者不用同时开启。
| 现象 | 原因 | 解决 |
|---|---|---|
| 子图挤成一团 | figsize过小或hspace过小 | 调大figsize，调大hspace |
| 上面的子图和下面的标题重叠 | 总标题和顶部子图距离不足 | suptitle设置y值，或改tight_layout顺序 |
| 图例遮挡曲线 | 图例默认放置在右上角 | 用loc='upper left'或bbox_to_anchor移动图例到外部 |
5.2 图例在循环里被重复添加
这也是一个非常高频的新手问题：在循环里每个子图都调用了ax.legend()，于是同一张图里每一个子图都带着自己的图例。子图一多，整个画面杂乱无比。
一种处理方式是把图例提到Figure级别：先在所有子图上画完曲线，最后只让其中一个子图显示图例，其余子图不显示。但这个做法的工作量其实不小。还有一种我更推荐的方式：让图例布局紧凑后再统一管理，比如用fig.legend()把多条曲线的标识统一放到图外面。这种方式对"多子图+多曲线"的场景最友好，能节省大量子图内部空间。
fig.legend(loc='upper center', bbox_to_anchor=(0.5, 1.08), ncol=5, fontsize=10)配合suptitle的y值一起调，就能做到"图例在顶部居中，标题再往上放"的效果。
5.3 中文乱码与负号显示异常
matplotlib默认字体里没有中文字符，直接输出中文标题会变成一个个方块。我通常在一开始就全局设置好：
plt.rcParams['font.sans-serif'] = ['SimHei'] # Windows常见中文字体 plt.rcParams['axes.unicode_minus'] = False # 解决负号显示为方块的问题在Linux服务器上，SimHei不存在，可以改用WenQuanYi Zen Hei或者Noto Sans CJK SC。字体安装好之后运行前最好重启一次Python内核，否则部分环境会缓存旧配置。
5.4 刻度重叠与标签遮挡
当子图数量多、横轴刻度密的时候，底部的刻度标签很容易叠成黑疙瘩。这时可以调整plt.MaxNLocator来限制刻度数量，或者手动设置ax.set_xticks()只保留关键刻度。另一个更省事的方法是直接用plt.xticks(rotation=45)让文字倾斜，避免横向重叠。
5.5 数据范围差异大时曲线糊成一条线
如果你在同一子图里画了两条量级完全不同的曲线——一个是温度（0到100），一个是湿度（0到1）——数值小的那一条几乎会被压成直线。解决思路有三种：
- 用双Y轴：左边画温度，右边画湿度，这就是所谓的"双轴图"。
- 分别归一化后再画，但要注意图例标注清楚这是归一化后的值。
- 拆成两个子图，各画各的，共享横轴。
我倾向于优先选双Y轴，因为它在保留原始量纲的同时还能在同一坐标空间内对比趋势。用twinx()就能实现：
ax_left = axes[0][0] ax_right = ax_left.twinx() ax_left.plot(x, temperature, color='red', label='温度') ax_right.plot(x, humidity, color='blue', label='湿度')但有个副作用：双Y轴的图例处理起来比较麻烦，左右两个轴的图例会相互干扰，需要手动调整位置。所以如果不是必须要对比两个量纲，拆分子图往往更省心。
6. 性能优化与出版级图片输出
6.1 大批量绘制时的性能瓶颈
当子图数量多、每个子图的曲线又多（比如几十条），plt.show()和保存图片的时间会明显上升。如果每次都要交互式渲染，还会卡住。两个优化思路：
- 在所有循环结束之后统一做一次渲染，不要在循环内部调用
plt.show()或plt.savefig()。 - 使用Agg后端进行无头渲染，适合服务器脚本环境。
import matplotlib matplotlib.use('Agg') # 无界面模式下运行 import matplotlib.pyplot as plt用Agg模式不需要弹出窗口，图片直接保存到文件，适合定时任务和批处理。注意设置matplotlib.use()必须在导入pyplot之前，否则不生效。
6.2 保存参数：从草稿到印刷体
发布用的图片我通常按这个标准来：
| 参数 | 值 | 适用场景 |
|---|---|---|
dpi=100 | 屏幕快速预览 | 即时讨论 |
dpi=300 | 打印或论文初稿 | 正式报告 |
dpi=600 | 期刊投稿 | 印刷要求 |
format='svg' | 网页与二次编辑 | 无限放大不模糊 |
如果你要批量保存不同格式，可以在一个循环里处理：
for ext in ['png', 'pdf', 'svg']: fig.savefig(f'output.{ext}', dpi=300, bbox_inches='tight')6.3 为"共享受众"优化配色与风格
一个容易被忽略的点是色盲友好配色。常见的红绿对比在红绿色盲眼中几乎无差别。推荐使用tab10、Set1、colorblind这些内置色盲友好调色板，或者给曲线同时使用不同线型，增加冗余信息维度。
6.4 将绘图逻辑封装成可复用函数
项目做得多了就会发现，绘图代码如果跟数据获取逻辑搅在一起，每次换数据都要改大段代码。所以我通常把绘图部分封装成函数，输入参数是数据和样式配置，输出是figure对象，后续想保存还是想继续修改，全都方便。
def plot_multi_curves(datasets, models, data_dict, save_path=None): fig, axes = plt.subplots(nrows=len(datasets), ncols=len(models), ...) # 循环绘图逻辑 if save_path: fig.savefig(save_path, dpi=300, bbox_inches='tight') return fig, axes这样整个项目里多处调用同一个绘图函数，风格统一，修一处就能全局生效，比复制粘贴舒服太多。我个人体会最深的一次是从一份90多行重复代码里抽出这个函数之后，后边加一组数据、调一次配色，只花了几分钟就全搞定了。
7. 进阶技巧与拓展思路
7.1 用secondary_yaxis做次级坐标轴
双轴图里除了twinx()，还有一个更灵活的对象secondary_yaxis，它可以设置与主Y轴的函数映射关系，适合做单位换算：
def fahrenheit_to_celsius(temp_f): return (temp_f - 32) * 5 / 9 secax = ax.secondary_yaxis('right', functions=(fahrenheit_to_celsius, lambda c: c * 9 / 5 + 32)) secax.set_ylabel('摄氏度')这在气象数据处理里特别实用——一条曲线同时展示华氏和摄氏两种刻度，不用重复画图。
7.2 子图之间关联交互：点击高亮
如果是在Jupyter Notebook里做探索性分析，可以用mplcursors给曲线添加悬停信息，鼠标指向哪个点就显示它的坐标和标签。对多子图场景，它能让文档看起来非常专业，而且代码量很少：
import mplcursors mplcursors.cursor(hover=True)7.3 设置统一的网格与背景风格
批量出图时风格统一很关键。可以定义一个公共配置文件或函数，统一设置背景色、网格样式、坐标轴粗细、刻度方向。我自己常用的一套：
def set_style(): plt.rcParams.update({ 'axes.edgecolor': '#333333', 'axes.linewidth': 0.8, 'axes.grid': True, 'grid.color': '#cccccc', 'grid.alpha': 0.4, 'font.size': 11, 'axes.titlesize': 12, 'axes.labelsize': 11, 'legend.frameon': False, })用了统一风格以后，整套报告的图放在一起会特别协调，专业感一下就上来了。
7.4 多子图中曲线分面展示的取舍
还有一个小建议：当单个子图里的曲线真的多到数不清的时候（比如超过8条），不要硬塞，考虑把其中一条曲线固定下来作为参考，其余按类别拆到多个子图里。这种"基准线+对比组"的画法，在模型对比、指标追踪类报告里效果比较好。多子图的意义本来就是让读者聚焦，而不是把所有信息堆在一个框里。
8. 完整模板：一份可直接抄作业的代码
最后放一个通用模板。如果你是第一次碰多子图多曲线，直接拿去改数据和样式就能用。
import matplotlib.pyplot as plt import numpy as np plt.rcParams['font.sans-serif'] = ['SimHei'] plt.rcParams['axes.unicode_minus'] = False def plot_grouped_curves(rows, cols, data_generator, figsize=(14, 8), sharex=True): """ data_generator: 函数，接收(i, j)返回 (x, curves_dict, subplot_title) curves_dict: 键为曲线名，值为(y_values, style_dict) """ fig, axes = plt.subplots(rows, cols, figsize=figsize, sharex=sharex, squeeze=False) for i in range(rows): for j in range(cols): ax = axes[i][j] x, curves, title = data_generator(i, j) for name, (y, style) in curves.items(): ax.plot(x, y, label=name, **style) ax.set_title(title) ax.grid(True, alpha=0.3) ax.legend(fontsize=8, loc='best') for ax in axes[-1]: ax.set_xlabel('X轴标签') for ax in axes[:, 0]: ax.set_ylabel('Y轴标签') fig.tight_layout() return fig, axes # 示例用法 def my_data(i, j): x = np.linspace(0, 10, 100) curves = { 'sin': (np.sin(x + i + j), {'color': '#1f77b4'}), 'cos': (np.cos(x + i + j), {'color': '#ff7f0e', 'ls': '--'}), } return x, curves, f'Subplot({i},{j})' fig, axes = plot_grouped_curves(2, 3, my_data) fig.savefig('output.png', dpi=300, bbox_inches='tight') plt.show()这个模板的核心是把数据生成逻辑和绘图逻辑分开，你在实际项目里只需要改写my_data，画出来的图就能保持风格统一。
9. 写在最后的几个习惯
可能有人会觉得，多子图多曲线不就是几行plt.subplots加循环吗？确实，入门门槛不高，但要把图画得专业、高效、可复用，有几个习惯值得坚持：
- 第一，数据生成和绘图分开。这个建议我反复提，真的值得形成肌肉记忆。
- 第二，凡是循环里重复的绘制动作，先想能不能用一个字典或列表统一管理。
- 第三，坚持设置
dpi和导出bbox_inches='tight'，否则换到别人电脑上同一份代码画出来的图可能和你看到的完全不一样。 - 第四，图和参数记得版本管理。我在项目里吃过亏，改了一套配色，忘了之前的图怎么生成的，后来不得不重新从Git记录里翻代码。
还有一个小技巧：如果是在Notebook里做探索，画完就用的图，记得把后端切回Inline；如果在服务器上批量出图，用Agg模式，二者别搞混。踩过一次坑后你会明白，这些小习惯才是效率的关键。
