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。
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：
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。
下面将详细介绍如何通过 Python 和 Matplotlib 实现上述策略。
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 plt
import 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.axes
axes_from_fig2 = fig_2.axes
print(f"Figure 1 包含 {len(axes_from_fig1)} 个 Axes。")
print(f"Figure 2 包含 {len(axes_from_fig2)} 个 Axes。")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。
# 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。")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 1x2 或 2x1 的布局。这里我们选择 2x2 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
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。
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')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 plt
import 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 fig
def 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.axes
axes_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')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php中文网其它相关文章！
每个人都需要一台速度更快、更稳定的 PC。随着时间的推移，垃圾文件、旧注册表数据和不必要的后台进程会占用资源并降低性能。幸运的是，许多工具可以让 Windows 保持平稳运行。
Copyright 2014-2025 https://www.php.cn/ All Rights Reserved | php.cn | 湘ICP备2023035733号
214
收藏
