fig, ((ax1, ax2), (ax3, ax4)) = plt.subplots(nrows=2, ncols=2, figsize = (10,10))

这段代码使用 Matplotlib 创建了一个包含4个子图的图形对象，以及一个10x10英寸的图形窗口。子图被安排在2行2列的网格中，从左上角的`ax1`开始，顺时针排列到右下角的`ax4`。

使用 `plt.subplots()` 函数，可以同时创建并返回一个图形对象和包含子图的轴对象数组。在这个例子中，通过将 `nrows` 和 `ncols` 参数设置为2，即可指定将要创建的子图数量。`figsize` 参数用于设置图形窗口的尺寸。

可以在这个图形对象上进一步进行绘图和设置子图的属性，例如调整轴的刻度、标签、标题等。

相关问题

self.fig, self.ax = plt.plot()如何改成设置两个子图 python代码

您可以使用以下代码将self.fig, self.ax = plt.plot()改为设置两个子图：

import matplotlib.pyplot as plt

# 创建一个包含2个子图的figure对象，并存储在self.fig中
self.fig, (ax1, ax2) = plt.subplots(nrows=2, ncols=1)

# 分别将两个子图存储在self.ax1和self.ax2中
self.ax1 = ax1
self.ax2 = ax2

def plot_rate( rate_his, rolling_intv = 50, ylabel='标准化计算速率',ax=None): import matplotlib.pyplot as plt import pandas as pd import matplotlib as mpl rate_array = np.asarray(rate_his) # 将一个 Python 列表 rate_his 转换为 NumPy 数组 rate_array df = pd.DataFrame(rate_his) # 创建了一个名为df的Pandas DataFrame对象，将rata_his数据进行索引拆分过滤排序 if ax is None: fig, ax = plt.subplots(figsize=(15, 8)) mpl.style.use('seaborn') #设置matplotlib 库的绘图风格为 seaborn 风格 fig, ax = plt.subplots(figsize=(15,8))# 使用 Matplotlib 库创建一个带有指定大小的子图对象，宽为15，高为8 plt.plot(np.arange(len(rate_array))+1, np.hstack(df.rolling(rolling_intv, min_periods=1).mean().values), 'b') #使用plt.plot函数将生成的x轴和y轴坐标绘制成折线图，并且'b' 表示蓝色的线条。 plt.fill_between(np.arange(len(rate_array))+1, np.hstack(df.rolling(rolling_intv, min_periods=1).min()[0].values), np.hstack(df.rolling(rolling_intv, min_periods=1).max()[0].values), color = 'b', alpha = 0.2) #将这两个曲线之间的区域填充成颜色为蓝色、透明度为0.2的矩形 plt.ylabel(ylabel)# 设置纵轴标签 plt.xlabel('Time Frames')#设置横轴标签 plt.show()， plot_rate(Q.sum(axis=1)/N, 100, 'Average Data Queue') plot_rate(energy.sum(axis=1)/N, 100, 'Average Energy Consumption')，将多个函数绘制于横坐标相同的同一张图

可以通过将多个函数的数据合并成一个 NumPy 数组，然后在同一个子图对象上使用 plt.plot() 函数来绘制多条线路。下面是一个示例代码，其中包括两个函数 plot_rate() 的调用，用于在同一张图上绘制两条线路：

import numpy as np
import matplotlib.pyplot as plt

def plot_rate(rate_his, rolling_intv=50, ylabel='标准化计算速率', ax=None):
    import pandas as pd
    import matplotlib as mpl
    rate_array = np.asarray(rate_his)
    df = pd.DataFrame(rate_his)
    if ax is None:
        fig, ax = plt.subplots(figsize=(15, 8))
    mpl.style.use('seaborn')
    ax.plot(np.arange(len(rate_array))+1, np.hstack(df.rolling(rolling_intv, min_periods=1).mean().values), 'b')
    ax.fill_between(np.arange(len(rate_array))+1, np.hstack(df.rolling(rolling_intv, min_periods=1).min()[0].values), np.hstack(df.rolling(rolling_intv, min_periods=1).max()[0].values), color='b', alpha=0.2)
    ax.set_ylabel(ylabel)
    ax.set_xlabel('Time Frames')

# Generate some sample data
N = 1000
Q = np.random.normal(0.0, 1.0, (N, 10))
energy = np.random.normal(10.0, 1.0, (N, 10))

# Create a figure with two subplots
fig, (ax1, ax2) = plt.subplots(nrows=2, ncols=1, figsize=(15, 10))

# Plot the data queue rate on the first subplot
plot_rate(Q.sum(axis=1)/N, 100, 'Average Data Queue', ax=ax1)

# Plot the energy consumption rate on the second subplot
plot_rate(energy.sum(axis=1)/N, 100, 'Average Energy Consumption', ax=ax2)

# Show the plot
plt.show()

这段代码将生成两个包含随机数据的 NumPy 数组 Q 和 energy。我们使用这些数组中的数据来调用 plot_rate() 函数，将数据队列速率和能量消耗速率绘制在同一张图上的两个子图中。在这个示例中，我们使用了 plt.subplots() 函数来创建一个包含两个子图的图形，然后在每个子图上调用 plot_rate() 函数来绘制数据。