plt.subplot(2,2,1)的输出结果

plt.subplot(2,2,1)可以将画布分为2行2列，然后在第1个位置（即左上角）绘制一个子图。如果需要在这个子图里面绘制数据，可以在plt.subplot(2,2,1)后面加上绘图代码，例如：

import matplotlib.pyplot as plt
import numpy as np

x = np.arange(0, 10, 0.1)
y = np.sin(x)

plt.subplot(2,2,1)
plt.plot(x, y)
plt.title('subplot(2,2,1)')
plt.show()

这段代码将会在左上角的子图中绘制出一个正弦函数的图像，并且在图像上方显示出子图的标题。

相关问题

如何查看用plt.subplot构建的其中一张子图

首先需要理解`plt.subplot`是用于创建多个子图的函数，它接受三个参数，分别是行数、列数和当前子图的编号。

假设你用`plt.subplot`创建了一个包含4个子图的大图：

import matplotlib.pyplot as plt

plt.subplot(2, 2, 1)
plt.plot([1, 2, 3, 4])

plt.subplot(2, 2, 2)
plt.plot([4, 3, 2, 1])

plt.subplot(2, 2, 3)
plt.plot([1, 3, 2, 4])

plt.subplot(2, 2, 4)
plt.plot([2, 1, 4, 3])

plt.show()

现在你想查看其中的某一个子图，比如第3个子图，在Matplotlib中，可以使用`plt.gcf`（获取当前图表）和`plt.gca`（获取当前坐标轴）函数来获取当前的图表和坐标轴对象。然后，可以使用`ax.get_subplotspec()`方法获取当前坐标轴的子图规范对象，进而获取到该子图的位置信息。

具体来说，可以使用以下代码实现：

import matplotlib.pyplot as plt

plt.subplot(2, 2, 1)
plt.plot([1, 2, 3, 4])

plt.subplot(2, 2, 2)
plt.plot([4, 3, 2, 1])

plt.subplot(2, 2, 3)
plt.plot([1, 3, 2, 4])

plt.subplot(2, 2, 4)
plt.plot([2, 1, 4, 3])

fig = plt.gcf()  # 获取当前图表对象
ax3 = plt.gca()  # 获取当前坐标轴对象
subplotspec = ax3.get_subplotspec()  # 获取当前坐标轴的子图规范对象

print(subplotspec.rowspan)  # 输出第3个子图的行跨度
print(subplotspec.colspan)  # 输出第3个子图的列跨度
print(subplotspec.row1)  # 输出第3个子图的起始行
print(subplotspec.row2)  # 输出第3个子图的结束行
print(subplotspec.col1)  # 输出第3个子图的起始列
print(subplotspec.col2)  # 输出第3个子图的结束列

plt.show()

在上面的代码中，`subplotspec.rowspan`和`subplotspec.colspan`分别表示当前子图占据的行数和列数，`subplotspec.row1`和`subplotspec.row2`分别表示当前子图的起始行和结束行（从0开始计数），`subplotspec.col1`和`subplotspec.col2`分别表示当前子图的起始列和结束列（从0开始计数）。根据这些信息，可以找到要查看的子图。

优化这段代码import numpy as np import matplotlib.pyplot as plt import math # 待测信号 freq = 17.77777 # 信号频率 t = np.linspace(0, 0.2, 1001) Omega =2 * np.pi * freq phi = np.pi A=1 x = A * np.sin(Omega * t + phi) # 加入噪声 noise = 0.2 * np.random.randn(len(t)) x_noise = x + noise # 参考信号 ref0_freq = 17.77777 # 参考信号频率 ref0_Omega =2 * np.pi * ref0_freq ref_0 = 2*np.sin(ref0_Omega * t) # 参考信号90°相移信号 ref1_freq = 17.77777 # 参考信号频率 ref1_Omega =2 * np.pi * ref1_freq ref_1 = 2*np.cos(ref1_Omega * t) # 混频信号 signal_0 = x_noise * ref_0 signal_1 = x_noise * ref_1 # 绘图 plt.figure(figsize=(13,4)) plt.subplot(2,3,1) plt.plot(t, x_noise) plt.title('input signal', fontsize=13) plt.subplot(2,3,2) plt.plot(t, ref_0) plt.title('reference signal', fontsize=13) plt.subplot(2,3,3) plt.plot(t, ref_1) plt.title('phase-shifted by 90°', fontsize=13) plt.subplot(2,3,4) plt.plot(t, signal_0) plt.title('mixed signal_1', fontsize=13) plt.subplot(2,3,5) plt.plot(t, signal_1) plt.title('mixed signal_2', fontsize=13) plt.tight_layout() # 计算平均值 X = np.mean(signal_0) Y = np.mean(signal_1) print("X=",X) print("Y=",Y) # 计算振幅和相位 X_square =X**2 Y_square =Y**2 sum_of_squares = X_square + Y_square result = np.sqrt(sum_of_squares) Theta = np.arctan2(Y, X) print("R=", result) print("Theta=", Theta)把输入信号部分整理成函数，输入参数为t_vec,A,phi,noise,锁相测量部分也整理成代码，输入为待测周期信号，以及频率freq,输出为Alpha

好的，让我们逐步来进行优化：

1. 导入模块时，可以将相同类型的模块放在一起，并将numpy和matplotlib.pyplot模块的别名简写成np和plt，可以提高代码的可读性。

import numpy as np 
import matplotlib.pyplot as plt 
import math

2. 待测信号部分可以整理成一个函数，使得代码更加清晰，易于维护。并且将变量名改为小写字母，符合Python的命名规范。

def generate_signal(freq, t, phi, noise):
    omega = 2 * np.pi * freq
    A = 1
    x = A * np.sin(omega * t + phi) + noise
    return x

3. 参考信号部分也可以整理成一个函数，同样将变量名改为小写字母。

def generate_reference_signal(freq, t):
    omega = 2 * np.pi * freq
    ref_0 = 2 * np.sin(omega * t)
    ref_1 = 2 * np.cos(omega * t)
    return ref_0, ref_1

4. 绘图部分可以将代码整合成一个函数，减少重复的代码。

def plot_signals(t, x_noise, ref_0, ref_1, signal_0, signal_1):
    plt.figure(figsize=(13,4)) 
    plt.subplot(2,3,1) 
    plt.plot(t, x_noise) 
    plt.title('input signal', fontsize=13) 
    plt.subplot(2,3,2) 
    plt.plot(t, ref_0) 
    plt.title('reference signal', fontsize=13) 
    plt.subplot(2,3,3) 
    plt.plot(t, ref_1) 
    plt.title('phase-shifted by 90°', fontsize=13) 
    plt.subplot(2,3,4) 
    plt.plot(t, signal_0) 
    plt.title('mixed signal_1', fontsize=13) 
    plt.subplot(2,3,5) 
    plt.plot(t, signal_1) 
    plt.title('mixed signal_2', fontsize=13) 
    plt.tight_layout()

5. 锁相测量部分也可以整理成一个函数，同样将变量名改为小写字母。

def phase_locked_measurement(signal_0, signal_1, freq):
    X = np.mean(signal_0)
    Y = np.mean(signal_1)
    X_square = X ** 2 
    Y_square = Y ** 2 
    sum_of_squares = X_square + Y_square 
    result = np.sqrt(sum_of_squares) 
    Theta = np.arctan2(Y, X) 
    Alpha = result / (2 * np.pi * freq) 
    return Alpha

6. 最后将整个程序整合起来，变成一个主函数，并且将常量值赋值给变量，提高代码的可读性。

def main():
    # 待测信号
    freq = 17.77777  
    t = np.linspace(0, 0.2, 1001) 
    phi = np.pi 
    noise = 0.2 * np.random.randn(len(t)) 
    x_noise = generate_signal(freq, t, phi, noise) 

    # 参考信号
    ref_freq = 17.77777  
    ref_0, ref_1 = generate_reference_signal(ref_freq, t) 

    # 混频信号
    signal_0 = x_noise * ref_0   
    signal_1 = x_noise * ref_1  

    # 绘图
    plot_signals(t, x_noise, ref_0, ref_1, signal_0, signal_1)

    # 锁相测量
    Alpha = phase_locked_measurement(signal_0, signal_1, freq)

    # 输出结果
    print("Alpha=", Alpha)

if __name__ == '__main__':
    main()

这样，代码就更加清晰、易于维护了。