本文详细介绍了如何将多个独立的matplotlib figure 对象合并到一个统一的图表中。核心策略是提取原始图表中的绘图数据和样式信息，然后将这些数据重新绘制到新创建的子图（subplot）中，从而实现图表的整合与展示。教程提供了分步指南和示例代码，帮助用户有效管理和组合matplotlib可视化输出。
在数据可视化工作中，我们经常会遇到需要将多个独立的Matplotlib图表（matplotlib.figure.Figure对象）整合到一个单一、统一的图表中的场景。例如，当有外部函数分别生成不同的图表，并且每个图表内部可能包含多个轴（axes）时，我们可能希望将这些独立的图表作为新图表的不同子图来展示。由于Matplotlib的Figure对象本身是图表的容器，直接“合并”它们并非其设计初衷。更常见且有效的方法是提取原始图表中的绘图数据和配置信息，然后将这些信息重新绘制到一个新的、统一的Figure对象中的子图上。
核心思路：数据提取与重绘
将多个Matplotlib图表合并为一的核心思路是：
- 获取源图表和轴对象： 从已有的Figure对象中获取其包含的所有轴（Axes）对象。
- 提取绘图数据： 从每个轴对象中识别并提取实际的绘图数据（如线条的x、y坐标，散点的坐标等）以及相关的样式属性。
- 创建新的统一图表： 创建一个新的Figure对象，并根据需要设置子图布局。
- 将数据重绘到新子图： 将提取出的数据和样式信息绘制到新图表的相应子图上。
下面将通过详细的步骤和示例代码来演示这一过程。
步骤一：获取源图表与轴对象
假设我们有两个函数，每个函数都会生成并返回一个matplotlib.figure.Figure对象。在调用这些函数后，我们可以通过plt.gcf()（Get Current Figure）获取当前活跃的图表对象，或者如果函数直接返回了Figure对象，则直接使用。然后，通过figure.axes属性可以获取该图表中的所有轴对象列表。
import matplotlib.pyplot as plt
import numpy as np
# 模拟生成第一个图表的函数
def generate_figure_1():
fig1, ax1 = plt.subplots(figsize=(4, 3))
x = np.linspace(0, 10, 100)
y = np.sin(x)
ax1.plot(x, y, label='Sin Wave', color='blue')
ax1.set_title('Figure 1: Sin Wave')
ax1.legend()
plt.close(fig1) # 关闭当前图表，避免在后续操作中干扰
return fig1
# 模拟生成第二个图表的函数
def generate_figure_2():
fig2, ax2 = plt.subplots(figsize=(4, 3))
x = np.linspace(0, 10, 100)
y = np.cos(x)
ax2.plot(x, y, label='Cos Wave', color='red', linestyle='--')
ax2.set_title('Figure 2: Cos Wave')
ax2.legend()
plt.close(fig2) # 关闭当前图表
return fig2
# 调用函数获取独立的Figure对象
fig_original_1 = generate_figure_1()
fig_original_2 = generate_figure_2()
# 获取每个Figure中的轴对象
axes_original_1 = fig_original_1.axes
axes_original_2 = fig_original_2.axes
print(f"Figure 1 包含 {len(axes_original_1)} 个轴。")
print(f"Figure 2 包含 {len(axes_original_2)} 个轴。")步骤二：从轴中提取绘图数据
对于最常见的线图（Line2D对象），我们可以通过轴对象的lines属性获取所有线条对象，然后使用get_xdata()和get_ydata()方法提取它们的坐标数据。对于其他类型的绘图，如散点图（PathCollection）、柱状图（Rectangle）等，提取数据的方法会有所不同。例如，散点图的数据可能通过get_offsets()获取，而柱状图则需要遍历其patches属性。
本示例主要关注线图数据提取。
浚心时尚购物商城程序
下载
时尚购物程序v1.01、全立体设计。此系统由3个Flash动画为主线（正式版带原文件），设计更形象，网站更有吸引力。这种设计在网店系统内绝无仅有，使您的网店与众不同。2、内置音乐播放器，简单灵活的操作即可完成设置，前台任意调用。并带详细说明文件，一看就懂。合理使用此功能，可使网站更富渲染力。3、支持多图显示，每件产品最多可以上传9张图片。4、后台功能强大，销售管理，财务管理，在线支付平台管理等功能
# 存储从原始图表中提取的数据和样式
extracted_data_1 = []
for ax in axes_original_1:
for line in ax.lines:
x_data = line.get_xdata()
y_data = line.get_ydata()
# 提取线条样式，例如颜色、线型、标签
style = {
'color': line.get_color(),
'linestyle': line.get_linestyle(),
'label': line.get_label(),
'linewidth': line.get_linewidth()
}
extracted_data_1.append({'x': x_data, 'y': y_data, 'style': style, 'title': ax.get_title(), 'xlabel': ax.get_xlabel(), 'ylabel': ax.get_ylabel()})
extracted_data_2 = []
for ax in axes_original_2:
for line in ax.lines:
x_data = line.get_xdata()
y_data = line.get_ydata()
style = {
'color': line.get_color(),
'linestyle': line.get_linestyle(),
'label': line.get_label(),
'linewidth': line.get_linewidth()
}
extracted_data_2.append({'x': x_data, 'y': y_data, 'style': style, 'title': ax.get_title(), 'xlabel': ax.get_xlabel(), 'ylabel': ax.get_ylabel()})
print(f"从 Figure 1 提取到 {len(extracted_data_1)} 组数据。")
print(f"从 Figure 2 提取到 {len(extracted_data_2)} 组数据。")步骤三：创建新的统一图表与子图
使用plt.subplots()函数创建新的Figure对象和一组新的Axes对象，这些Axes对象将作为我们新图表的子图。我们可以指定子图的行数、列数和整体图表大小。
# 创建一个新的Figure对象，包含2个子图 fig_combined, axs_combined = plt.subplots(1, 2, figsize=(10, 4)) # axs_combined 是一个包含两个Axes对象的数组
步骤四：将数据重绘到新子图
遍历之前提取的数据，并使用新创建的子图对象（axs_combined）的绘图方法（如plot()）将数据重新绘制上去。同时，应用之前提取的样式和标签。
# 将 Figure 1 的数据重绘到第一个子图
if extracted_data_1:
data_item = extracted_data_1[0] # 假设每个原始图表只有一个线条
axs_combined[0].plot(data_item['x'], data_item['y'], **data_item['style'])
axs_combined[0].set_title(data_item['title'])
axs_combined[0].set_xlabel(data_item['xlabel'])
axs_combined[0].set_ylabel(data_item['ylabel'])
axs_combined[0].legend()
# 将 Figure 2 的数据重绘到第二个子图
if extracted_data_2:
data_item = extracted_data_2[0] # 假设每个原始图表只有一个线条
axs_combined[1].plot(data_item['x'], data_item['y'], **data_item['style'])
axs_combined[1].set_title(data_item['title'])
axs_combined[1].set_xlabel(data_item['xlabel'])
axs_combined[1].set_ylabel(data_item['ylabel'])
axs_combined[1].legend()
# 调整子图布局，避免重叠
plt.tight_layout()
# 显示合并后的图表
plt.show()
# 保存合并后的图表
plt.savefig("combined_matplotlib_figures.png", dpi=300)
print("合并后的图表已保存为 combined_matplotlib_figures.png")
# 关闭原始图表，释放内存
plt.close(fig_original_1)
plt.close(fig_original_2)
plt.close(fig_combined)完整示例代码
将上述所有步骤整合到一个完整的代码块中：
import matplotlib.pyplot as plt
import numpy as np
# 模拟生成第一个图表的函数
def generate_figure_1():
fig1, ax1 = plt.subplots(figsize=(4, 3))
x = np.linspace(0, 10, 100)
y = np.sin(x)
ax1.plot(x, y, label='Sin Wave', color='blue')
ax1.set_title('Figure 1: Sin Wave')
ax1.set_xlabel('X-axis')
ax1.set_ylabel('Y-axis')
ax1.legend()
plt.close(fig1) # 关闭当前图表，避免在后续操作中干扰
return fig1
# 模拟生成第二个图表的函数
def generate_figure_2():
fig2, ax2 = plt.subplots(figsize=(4, 3))
x = np.linspace(0, 10, 100)
y = np.cos(x)
ax2.plot(x, y, label='Cos Wave', color='red', linestyle='--')
ax2.set_title('Figure 2: Cos Wave')
ax2.set_xlabel('X-axis')
ax2.set_ylabel('Y-axis')
ax2.legend()
plt.close(fig2) # 关闭当前图表
return fig2
def combine_matplotlib_figures(figure_list):
"""
将多个matplotlib.figure.Figure对象合并到一个新的Figure中，
每个原始Figure成为新Figure的一个子图。
Args:
figure_list (list): 包含要合并的matplotlib.figure.Figure对象的列表。
Returns:
matplotlib.figure.Figure: 合并后的新Figure对象。
"""
num_figures = len(figure_list)
if num_figures == 0:
return None
# 计算合适的子图布局，这里简单地按一行排列
rows = 1
cols = num_figures
# 创建新的Figure和Axes对象
# 调整figsize以适应所有子图
fig_combined, axs_combined = plt.subplots(rows, cols, figsize=(5 * cols, 4 * rows))
# 确保axs_combined是可迭代的，即使只有一个子图
if num_figures == 1:
axs_combined = [axs_combined] # 将单个Axes对象放入列表中
for i, original_fig in enumerate(figure_list):
current_ax_combined = axs_combined[i]
# 遍历原始Figure中的所有Axes
for original_ax in original_fig.axes:
# 提取线条数据和样式
for line in original_ax.lines:
x_data = line.get_xdata()
y_data = line.get_ydata()
style = {
'color': line.get_color(),
'linestyle': line.get_linestyle(),
'label': line.get_label(),
'linewidth': line.get_linewidth()
}
current_ax_combined.plot(x_data, y_data, **style)
# 复制原始轴的标题、标签、图例等
current_ax_combined.set_title(original_ax.get_title())
current_ax_combined.set_xlabel(original_ax.get_xlabel())
current_ax_combined.set_ylabel(original_ax.get_ylabel())
if original_ax.get_legend() is not None:
current_ax_combined.legend()
# 可以进一步复制刻度、限制等
current_ax_combined.set_xlim(original_ax.get_xlim())
current_ax_combined.set_ylim(original_ax.get_ylim())
plt.tight_layout() # 调整子图布局
return fig_combined
# --- 主程序流程 ---
# 1. 生成独立的Figure对象
fig_original_1 = generate_figure_1()
fig_original_2 = generate_figure_2()
# 2. 调用合并函数
combined_figure = combine_matplotlib_figures([fig_original_1, fig_original_2])
# 3. 显示或保存合并后的图表
if combined_figure:
plt.show()
plt.savefig("combined_matplotlib_figures_tutorial.png", dpi=300)
print("合并后的图表已保存为 combined_matplotlib_figures_tutorial.png")
# 4. 关闭所有Figure，释放资源
plt.close(fig_original_1)
plt.close(fig_original_2)
if combined_figure:
plt.close(combined_figure)注意事项
- 数据类型多样性： 示例主要展示了线图的数据提取。对于散点图、柱状图、饼图等，提取数据的方法会有所不同。例如，散点图可能需要通过scatter.get_offsets()获取坐标，柱状图则需要遍历ax.patches来获取每个矩形的数据。在实际应用中，需要根据原始图表的类型来定制数据提取逻辑。
- 样式和属性的完整性： 仅仅提取x、y数据可能不足以完全复制原始图表的视觉效果。颜色、线型、标记、图例、标题、轴标签、刻度、网格线等都需要单独提取并重新应用。上述示例中已经包含了部分常用属性的复制。
- 复杂图表： 如果原始图表包含非常复杂的元素，如自定义的Artist对象、复杂的注解、嵌入的子图等，手动提取和重绘所有细节可能会变得非常复杂。在这种情况下，可能需要更高级的技巧，甚至考虑直接保存原始图表为图像文件，然后使用图像处理库（如Pillow）将它们拼接起来（但这会失去Matplotlib的矢量图优势和交互性）。
- 内存管理： 在处理大量图表时，及时关闭不再需要的Figure对象（plt.close(fig)）非常重要，以防止内存泄漏。
总结
将多个Matplotlib Figure对象合并为一个统一的图表，并非通过简单的“合并”操作实现，而是通过数据提取和重绘的策略。首先，从每个原始图表中获取其轴对象，并从这些轴中提取绘图数据和样式信息。然后，创建一个新的Figure对象和相应的子图布局，最后将提取出的数据和样式重新绘制到这些新的子图上。这种方法提供了高度的灵活性，允许我们精确控制合并后图表的布局和外观，是Matplotlib中处理多图表整合的推荐实践。
