子图的绘制和坐标轴共享和子图的布局

介绍

matplotlib提供了多种绘制子图的方式，常用的有subplot(),suplots(),suplot2grid()，在实际操作中有时会有坐标轴共享和规划子图布局的需求。下面小编详细介绍这些方式的用法和坐标轴共享和子图的布局。

子图

子图是画布上规划好的一个个区域，这些区域统称为子图。子图可分为固定区域的子图和自定义区域的子图，固定区域的子图又可细分为单子图和多子图，matplotlib提供绘制单子图的方式是subplot()，多子图的方式是subplots()；自定义区域子图的方式是suplot2grid()。

固定区域的子图

matplotlib可以将整个画布规划成等分部局的m*n（行*列）的矩阵区域，并按照从上到下，从左到右的方式对每个区域进行编号（编号从1开始），之后在选中的某个或某些区域中绘制单个或多个子图。

单子图

使用pyplot的suplot()函数可以在规划好的某个区域中绘制单个子图，suplot()函数的语法格式如下：

matplotlib.pyplot.suplot(nrows,ncols,index,projection,polar,sharex,sharey,label,

**kwargs)

参数含义如下：

nrows：表示规划区域的行数

ncols：表示规划区域的列数

index：表示选择区域的索引，默认从1开始编号

projection：表示子图的投影类型，其值可以为None、'aitoff'、'hammer'、'lambert'、'mollweide'、'polar'、'rectilinear'中任一取值，其中默认值None代表使用'rectilinear'直接投影

polar：表示是否使用极坐标，默认值False，表示不使用极坐标。若参数polar的值为True，那么其作用等同于projection='polar'

sharex,sharey:表示是否共享子图x轴或y轴

参数nrows，ncols，index可以单独传参，也可以3个整数（3个数都要小于10）的形式组合传参。例如，suplot(2，3，5)与suplot(235)作用是一样的，都表示将画布规划成2行3列，并在索引为5的区域中绘图

代码实操

不积跬步无以至千里

# 通过窗口的形式显示图片, 很好地体现子图与整个画布的位置关系，如果在pycharm中则不需要加
%matplotlib auto
# 导入模块
import matplotlib.pyplot as plt
# 画布被规划为3×2 的矩阵区域 , 之后在索引为6 的区域中绘制子图
ax_one = plt.subplot(326) 
ax_one.plot([1, 2, 3, 4, 5]) 
# 画布被规划为3×1 的矩阵区域 , 之后在索引为2 的区域中绘制子图　　　
ax_two = plt.subplot(312) 
ax_two.plot([1, 2, 3, 4, 5])
plt.show()

运行后效果图

笨鸟先飞（某工厂产品A与产品B去年的销售额分析）

%matplotlib auto
import numpy as np
import matplotlib.pyplot as plt
plt.rcParams['font.sans-serif'] = ["SimHei"]
x = [x for x in range(1, 13)]
y1 = [20, 28, 23, 16, 29, 36, 39, 33, 31, 19, 21, 25]
y2 = [17, 22, 39, 26, 35, 23, 25, 27, 29, 38, 28, 20]
labels = ['1 月', '2 月', '3 月', '4 月', '5 月', '6 月', '7月', '8 月', '9 月', '10 月', '11 月', '12 月']
# 将画布规划成等分布局的2×1的矩阵区域 , 之后在索引为1的区域中绘制子图
ax1 = plt.subplot(211)
ax1.plot(x, y1, 'm--o', lw=2, ms=5, label='产品A')
ax1.plot(x, y2, 'g--o', lw=2, ms=5, label='产品B')
ax1.set_title("产品A 与产品B的销售额", fontsize=11)
ax1.set_ylim(10, 45)
ax1.set_ylabel('销售额(亿元)')
ax1.set_xlabel('月份')
for xy1 in zip(x, y1):
    ax1.annotate("%s" % xy1[1], xy=xy1, xytext=(-5, 5), textcoords='offset points')
for xy2 in zip(x, y2):
    ax1.annotate("%s" % xy2[1], xy=xy2, xytext=(-5, 5), textcoords='offset points')
ax1.legend()
# 将画布规划成等分布局的2×2的矩阵区域 , 之后在索引为3的区域中绘制子图
ax2 = plt.subplot(223)
ax2.pie(y1, radius=1, wedgeprops={'width':0.5}, labels=labels, autopct='%3.1f%%', pctdistance=0.75)
ax2.set_title('产品A的销售额 ')
# 将画布规划成等分布局的2×2的矩阵区域 , 之后在索引为4的区域中绘制子图
ax3 = plt.subplot(224)
ax3.pie(y2, radius=1, wedgeprops={'width':0.5}, labels=labels,autopct='%3.1f%%', pctdistance=0.75)
ax3.set_title('产品B的销售额 ')
# 调整子图之间的距离
plt.tight_layout()
plt.show()

运行后效果图

多子图

使用pyplot的subplois()函数可以在规划好的所有区域中一次绘制多个子图。subplots()函数的语法格式如下：

matplotlib.pyplot.suplots(nrows=1, ncols=1, sharex=False, sharey=False, squeeze=True, subplot_kw=None, gridspec_ho=-None, **fig_kw)

常用参数的含义如下。
nrows:：表示规划区域的行数，默认为1。
ncols：表示规划区域的列数，默认为1。
sharex,sharey：表示是否共享子图的x轴或y轴。
squeeze：表示是否返回压缩的Axes对象数组，默认为True。当squeeze为True时。若nrows和ncols均为1，则subplots0)函数会返回一个Axes对象；若nrows和ncols均大于1，则subplots()函数会返回一个Axes对象数组。当参数squeeze为False时，subplots)函数会返回一个包含Axes对象的二维数组。
gridspec_kw：表示用于控制区域结构属性的字典。

subplots()函数会返回一个包含两个元素的元组，其中元组的第一个元素为Figure对象，
第二个元素为Axes对象或Axes对象数组。

代码实操

不积跬步无以至千里

%matplotlib auto
import matplotlib.pyplot as plt
# 将画布划分为2×2的等分区域
fig, ax_arr = plt.subplots(2, 2)
# 获取 ax_arr 数组第1行第0列的元素 , 也就是第3个区域
ax_thr = ax_arr[1, 0]
ax_thr.plot([1, 2, 3, 4, 5])

运行后效果图

笨鸟先飞（部分国家养猫与养狗人群比例分析）

%matplotlib auto
import numpy as np
import matplotlib.pyplot as plt
plt.rcParams['font.sans-serif'] = ["SimHei"]
# 添加无指向型注释文本
def autolabel(ax, rects):
    """ 在每个矩形条的上方附加一个文本标签, 以显示其高度"""
    for rect in rects:
        width = rect.get_width()    #  获取每个矩形条的高度
        ax.text(width  + 3, rect.get_y() , s='{}'.format(width), ha='center', va='bottom')
y = np.arange(12)
x1 = np.array([19, 33, 28, 29, 14, 24, 57, 6, 26, 15, 27, 39])
x2 = np.array([25, 33, 58, 39, 15, 64, 29, 23, 22, 11, 27, 50])
labels = np.array(['中国', '加拿大', '巴西', '澳大利亚', '日本', '墨西哥',
                   '俄罗斯', '韩国', '瑞士', '土耳其', '英国', '美国'])
# 将画布规划为1×2的矩阵区域 , 依次在每个区域中绘制子图
fig, (ax1, ax2) = plt.subplots(1, 2)
barh1_rects = ax1.barh(y, x1, height=0.5, tick_label=labels, color='#FFA500')
ax1.set_xlabel('人群比例(%)')
ax1.set_title('部分国家养猫人群的比例')
ax1.set_xlim(0, x1.max() + 10)
autolabel(ax1, barh1_rects)
barh2_rects = ax2.barh(y, x2, height=0.5, tick_label=labels, color='#20B2AA')
ax2.set_xlabel('人群比例(%)')
ax2.set_title('部分国家养狗人群的比例')
ax2.set_xlim(0, x2.max() + 10)
autolabel(ax2, barh2_rects)
# 调整子图之间的距离
plt.tight_layout()
plt.show()

运行后效果图

自定义区域的子图

使用pyplot的suplot2grid()函数可以将整个画布规划成非等分布局的区域，并可在选中的某个区域中绘制单个子图，suplot2grid()函数的语法格式如下：

matplotlib.pyplot.suplot2grid(shape,loc,rowspan=1,colspan=1,flg=None,**kwargs)

常用参数的含义：
shape：表示规划的区域结构，它是一个包含两个整型数据的元组，其中第1个元素表示规划区域的行数，第2个元素表示规划区域的列数
loc：表示选择区域的位置，它是一个包含两个整型数据的元组，其中第1个元素表示子图所在的行数（(行数从0开始），第2个元素表示子图所在的列数(列数从0开始）
rowspan：表示向下跨越的行数，默认为1。
colspan：表示向右跨越的列数，默认为1。
fig：表示放置子图的画布，默认为当前画布。

代码实操

不积跬步无以至千里

将画布规划成2*3的矩阵区域，并在第0行第2列的区域中绘制子图：再次将画布规划成2*3的矩阵区域，并在第1行第1~2列的区域中绘制子图，代码如下：

%matplotlib auto
import matplotlib.pyplot as plt
# 画布被规划成2×3的矩阵区域 , 之后在第0行第2列的区域中绘制子图　　　
ax1 = plt.subplot2grid((2, 3), (0, 2))
ax1.plot([1, 2, 3, 4, 5])
# 画布被规划成2×3的矩阵区域 , 之后在第1行第1～2列的区域中绘制子图　　　
ax2 = plt.subplot2grid((2, 3), (1, 1), colspan=2)
ax2.plot([1, 2, 3, 4, 5])
plt.show()

运行后效果图

笨鸟先飞（2017年与2018年抖音用户分析）

%matplotlib auto
# 03_2017_and_2018_user_analysis_of_douyin
import numpy as np
import matplotlib.pyplot as plt
plt.rcParams["font.sans-serif"] = ["SimHei"]
data_2017 = np.array([21, 35, 22, 19, 3])
data_2018 = np.array([13, 32, 27, 27, 1])
x = np.arange(5)
y = np.array([51, 73, 99, 132, 45])
labels = np.array(['一线城市', '二线城市', '三线城市', '四线及以外', '其他国家及地区'])
# 平均增长倍数
average = 75
bar_width = 0.5
# 添加无指向型注释文本
def autolabel(ax, rects):
    """ 在每个矩形条的上方附加一个文本标签, 以显示其高度"""
    for rect in rects:
        height = rect.get_height()     #  获取每个矩形条的高度
        ax.text(rect.get_x()  + bar_width/2, height + 3, s='{}'.format(height), ha='center', va='bottom')
# 第1个子图
ax_one = plt.subplot2grid((3,2), (0,0), rowspan=2, colspan=2)
bar_rects = ax_one.bar(x, y, tick_label=labels, color='#20B2AA', width=bar_width)
ax_one.set_title('抖音2018vs2017人群增长倍数')
ax_one.set_ylabel('增长倍数')
autolabel(ax_one, bar_rects)
ax_one.set_ylim(0, y.max() + 20)
ax_one.axhline(y=75, linestyle='--', linewidth=1, color='gray')
# 第2个子图
ax_two = plt.subplot2grid((3,2), (2,0))
ax_two.pie(data_2017, radius=1.5, labels=labels, autopct='%3.1f %%', 
           colors=['#2F4F4F', '#FF0000', '#A9A9A9', '#FFD700', '#B0C4DE'])
ax_two.set_title('2017年抖音用户地区分布的比例')
# 第3个子图
ax_thr = plt.subplot2grid((3,2), (2,1))
ax_thr.pie(data_2018, radius=1.5, labels=labels, autopct='%3.1f %%', 
           colors=['#2F4F4F', '#FF0000', '#A9A9A9', '#FFD700', '#B0C4DE' ])
ax_thr.set_title('2018年抖音用户地区分布的比例')
# 调整子图之间的距离
plt.tight_layout()
plt.show()

运行后效果图

共享子图的坐标轴

在同一画布中，若子图与其他子图的同方向的坐标轴相同，则可以共享子图之间同方向的坐标轴。下面将对相邻和非相邻子图之间共享坐标轴的方式进行详细介绍

共享相邻子图的坐标轴

当pyplot使用subplots()函数绘制子图时，可以通过sharex或sharey参数控制是否共享x轴或y轴。sharex或sharey参数支持False或'none'、True或'all'、'row'、'col'中任一取值，关于这些取值的含义如下:
True或'all'：表示所有子图之间共享x轴或y轴。
False或'none'：表示所有子图之间不共享x轴或y轴。
'row'：表示每一行的子图之间共享x轴或y轴。
'col'：表示每一列的子图之间共享x轴或y轴。

注意共享坐标轴的判断原则是：哪个坐标轴的取值范围大，就以哪个坐标轴为基准共享坐标轴，例如，A,B,C,D 这四个坐标系，A的x轴范围是1~5，B的x轴范围是1~6，C的x轴范围是1~7，D的x轴范围是1~10，那么在这四个坐标系中D坐标系的x轴范围是最大的，所以在共享时A,B,C,D坐标系的x轴范围都是1~10.

代码实操

不积跬步无以至千里

import numpy as np
import matplotlib.pyplot as plt
plt.rcParams['axes.unicode_minus'] = False
x1 = np.linspace(0, 2 *np.pi, 400)
x2 = np.linspace(0.01, 10, 100)
x3 = np.random.rand(10)
x4 = np.arange(0,6,0.5)
y1 = np.cos(x1 ** 2)
y2 = np.sin(x2)
y3 = np.linspace(0,3,10)
y4 = np.power(x4,3)
# 共享每一列子图之间的x 轴
fig, ax_arr = plt.subplots(2, 2, sharex='col')
ax1 = ax_arr[0, 0]
ax1.plot(x1, y1)
ax2 = ax_arr[0, 1]
ax2.plot(x2, y2)
ax3 = ax_arr[1, 0]
ax3.scatter(x3, y3)
ax4 = ax_arr[1, 1]
ax4.scatter(x4, y4)
plt.show()

运行后效果图

共享非相邻子图的坐标轴

当pyplot使用subplot()函数绘制子图时，也可以将代表其他子图的变量赋值给sharex或sharey参数，此时可以共享非相邻子图之间的坐标轴，其共享原则与相邻子图坐标轴的共享原则一样，哪个坐标轴的取值范围大，就以哪个坐标轴为基准共享坐标轴。

代码实操

不积跬步无以至千里

%matplotlib auto
import matplotlib.pyplot as plt
import numpy as np
x1 = np.linspace(0, 2 *np.pi, 400)
y1 = np.cos(x1 ** 2)
x2 = np.linspace(0.01, 10, 100)
y2 = np.sin(x2)
ax_one = plt.subplot(221)
ax_one.plot(x1, y1)
# 共享子图 ax_one 和ax_two 的x 轴
ax_two = plt.subplot(224, sharex=ax_one)
ax_two.plot(x2, y2)
plt.show()

运行后效果图

学多一招，一招打打天下（共享同一子图的坐标轴）

单个子图也可以共享坐标轴，它通常会将y轴作为一组图形参考的坐标轴，将右则的垂直坐标轴作为另一组图形参考的坐标轴。matplotlib中提供了twinx()函数共享同一子图的坐标轴。twinx()函数的语法格式如下：

twinx(ax=None)

参数含义：

ax：表示要共享坐标轴的子图

twinx()函数会返回共享x轴的新绘图区域（Axes类的对象），新创建的绘图区域具有不可见的x轴和独立于右侧的y轴

代码实操

翱翔天下（某地区全年平均气温与降水量、蒸发量的关系）

import numpy as np
import matplotlib.pyplot as plt
plt.rcParams["font.sans-serif"] = ["SimHei"]
plt.rcParams["axes.unicode_minus"] = False
month_x = np.arange(1, 13, 1)
# 平均气温
data_tem = np.array([2.0, 2.2, 3.3, 4.5, 6.3, 10.2, 
                     20.3, 33.4, 23.0, 16.5, 12.0, 6.2])
# 降水量
data_precipitation = np.array([2.6, 5.9, 9.0, 26.4, 28.7, 70.7,  
                               175.6, 182.2, 48.7, 18.8, 6.0, 2.3])
# 蒸发量
data_evaporation = np.array([2.0, 4.9, 7.0, 23.2, 25.6, 76.7, 
                             135.6, 162.2, 32.6, 20.0, 6.4, 3.3])
fig, ax = plt.subplots()
bar_ev = ax.bar(month_x, data_evaporation, color='orange', tick_label=['1月', '2月', '3月', '4月', '5月', '6月',
                                                                       '7月', '8月', '9月', '10月', '11月', '12月'])
bar_pre = ax.bar(month_x, data_precipitation, bottom=data_evaporation, color='green')
ax.set_ylabel('水量 (ml)')
ax.set_title('平均气温与降水量、蒸发量的关系')
ax_right = ax.twinx()
line = ax_right.plot(month_x, data_tem, 'o-m')
ax_right.set_ylabel('气温($^\circ$C)')
# 添加图例
plt.legend([bar_ev, bar_pre, line[0]], ['蒸发量', '降水量', '平均气温'],
           shadow=True, fancybox=True)
plt.show()

运行后效果图

可以看到图中右侧多了一个y轴，但却只有一个x轴，这是因为平均气温图表的x轴被隐藏了，实际上它是存在的，换句话说，在这个子图中有两个坐标系，这两个坐标系的x轴共享了，一个y轴在左侧，一个y轴在右侧

子图的布局

在绘图时，有时会遇到当带有标题的多个子图并排显示时，多个子图会因区域过于拥挤而出现标题和坐标轴之间相互重叠的问题，这样会影响正常的查看。matplotlib中提供了一些调整子图布局的方法，常用的有约束布局、紧密布局和自定义布局。下面详细讲解这些方法

约束布局

约束布局是指通过一系列限制来确定画布中元素的位置的方式，它预先会确定一个元素的绝对定位，之后以该元素的位置为基点对其他元素进行绝对定位，从而灵活地调整元素的位置

。通俗点来讲就是根据某个位置来调整其他位置，以此来达到合理布局的效果。。matplotlib在绘制多子图时默认并未启用约束布局，它提供了两种方式启用约束布局：第一种方式是使用subplots()或figure()函数的constrained_layout参数；第二种方式是修改figure.constrained_layout.use配置项。具体内容如下

使用constrained_layout参数

matplotlib使用subplots()或figure()函数创建子图或画布时，可以将constrained_layout参数的值设为True，进而调整子图元素的布局，用法如下：
plt.subplots(constrained_layout=True)

修改figure.constrained_layout.use 配置项

matplotlib可以通过rcParams字典或rc()函数修改figure.constrained_layout.use配置项的值为True，进而调整子图元素的布局，用法如下：

plt.rcParams['figure.constrained_layout.use'] = True

代码实操

小试牛刀

%matplotlib auto
import matplotlib.pyplot as plt
# 绘制子图并启用约束布局
fig, axs = plt.subplots(2, 2, constrained_layout=True)
ax_one = axs[0, 0]
ax_one.set_title('Title')
ax_two = axs[0, 1]
ax_two.set_title('Title')
ax_thr = axs[1, 0]
ax_thr.set_title('Title')
ax_fou = axs[1, 1]
ax_fou.set_title('Title')
plt.show()

运行后效果图（左边添加了约束布局，右边没有添加约束布局）

紧密布局

matplotlib中紧密布局与约束布局相似，它采用紧凑的形式将子图排列到画布中，仅适用于刻度标签、坐标轴标签和标题位置的调整。
pyplot中提供了两种实现紧密布局的方式：第一种方式是调用tight_Jayout()函数；第二种方式是修改figure.autolayoutreParam配置项。关于紧密布局的两种实现方式的介绍如下。

调用tight_layout)函数

tight_layout)函数通过调整子图的内边距及子图的间隙，使子图能适应画布的绘图区域。tight_layout()函数的语法格式如下：
tight_layout(pad=1.08, h_pad=None, w_pad=None, rect=None)

参数含义：
pad：表示画布边缘与子图边缘之间的空白区域的大小，默认为1.08。
h_pad,w_pad：表示相邻子图之间的空白区域的大小。
rect：表示调整所有子图位置的矩形区域的四元组(leff,bottom,right,top)，默认为(0，0，1，1)，换句。需要注意的是，当pad参数设为0时，空白区域的文本会出现被裁剪的现象，之所以出现文本部分缺失的情况，可能是因为算法错误或受到算法的限制。因此，官方建议pad参数的取值应至少大于0.3。

修改figure.autolayoutrcParam配置项

pyplot可以通过rcParams字典或rc)函数修改figure.autolayoutreParam配置项的值为True，使子图元素适应画布，用法如下：
plt.rcParams ['figure.autolayoutrcParam'] = True

代码实操

小试牛刀

%matplotlib auto
import matplotlib.pyplot as plt
fig, axs = plt.subplots(2, 2)
ax_one = axs[0, 0]
ax_one.set_title('Title')
ax_two = axs[0, 1]
ax_two.set_title('Title')
ax_thr = axs[1, 0]
ax_thr.set_title('Title')
ax_fou = axs[1, 1]
ax_fou.set_title('Title')
# 调整子图之间的距离
plt.tight_layout(pad=0.4, w_pad=0.5, h_pad=2)
plt.show()

运行后效果图（左边添加了紧密布局，右边没有添加紧密布局）

自定义布局

matplotlib的gridspec模块是专门指定画布中子图位置的模块，该模块中包含一个GridSpec类，通过显式地创建GridSpee类对象来自定义画布中子图的布局结构，使得子图能够更好地适应画布。

GridSpec类

GridSpec类的构造方法的语法格式如下：
GridSpec(nrows,ncols,figure=None,left=None,bottom=None,right=None,top=None, wspace=None, hspace=None, width_ratios=None, height_ratios=None)

参数含义：
nrows:表示行数。
ncols:表示列数。
figure:表示布局的画布。
left, bottom right, top:表示子图的范围。
wspace：表示子图之间预留的宽度量。
hspace:表示子图之间预留的高度量。

width_rations：数据类型为列表，设置坐标系的相对宽度，某个坐标系的宽度=这个坐标系宽度的比例/坐标系宽度的总比例，

height_rations：数据类型为列表，设置坐标系的相对宽度，某个坐标系的高度=这个坐标系高度的比例/坐标系高度的总比例

参数left,bottom,right,top共同调节所有子图在画布上的位置和大小，换句话说，就是将所有子图封装在一起进行移动和缩放

GridSpec类对象的使用方式与数组的使用方式相似，采用索引或切片的形式访问每个布局元素。此外，matplotlib中还为Figure对象提供了快速添加布局结构的方法add_gridspec()。下面分别使用两种方式创建自定义的布局结构。

使用Gridspec()类方法创建子图的布局结构

这种方式需要创建子图和Gridspec类对象，之后在调用add_subplot()方法时传入GridSpec类对象就可以了。

代码实操

小试牛刀

%matplotlib auto
import matplotlib.pyplot as plt
import matplotlib.gridspec as gridspec
fig2 = plt.figure()
spec2 = gridspec.GridSpec(ncols=2, nrows=2, figure=fig2)
f2_ax1 = fig2.add_subplot(spec2[0, 0])
f2_ax2 = fig2.add_subplot(spec2[0, 1])
f2_ax3 = fig2.add_subplot(spec2[1, 0])
f2_ax4 = fig2.add_subplot(spec2[1, 1])
plt.show()

运行后效果图

使用add_gridspec()方法向画布添加布局结构

这种方式需要创建画布和GridSpec类对象，之后在调用add_subplot方法添加子图时传
入一个GridSpec类对象即可，具体示例如下

代码实操

小试牛刀

%matplotlib auto
import matplotlib.pyplot as plt
fig3 = plt.figure()
gs = fig3.add_gridspec(3, 3)
f3_ax1 = fig3.add_subplot(gs[0, :])
f3_ax1.set_title('gs[0, :]')
f3_ax2 = fig3.add_subplot(gs[1, :-1])
f3_ax2.set_title('gs[1, :-1]')
f3_ax3 = fig3.add_subplot(gs[1:, -1])
f3_ax3.set_title('gs[1:, -1]')
f3_ax4 = fig3.add_subplot(gs[-1, 0])
f3_ax4.set_title('gs[-1, 0]')
f3_ax5 = fig3.add_subplot(gs[-1, -2])
f3_ax5.set_title('gs[-1, -2]')
plt.show()

运行后效果图

可以看到图表标题和刻度标签过于紧凑，这是因为数值要一步一步调的，小编没有花很多时间去掉数值，小伙伴可自行调节，以达到更好的效果，加油哦！

大鹏展翅

import numpy as np
import matplotlib.pyplot as plt
import matplotlib.gridspec as gridspec
plt.rcParams["font.sans-serif"] = ["SimHei"]
x_month = np.array(['1月', '2月', '3月', '4月', '5月', '6月'])
y_sales = np.array([2150, 1050, 1560, 1480, 1530, 1490])
x_citys = np.array(['北京', '上海', '广州', '深圳', '浙江', '山东'])
y_sale_count = np.array([83775, 62860, 59176, 64205, 48671, 39968])
# 创建画布和布局
fig = plt.figure(constrained_layout=True)
gs = fig.add_gridspec(2, 2)
ax_one = fig.add_subplot(gs[0, :])
ax_two = fig.add_subplot(gs[1, 0])
ax_thr = fig.add_subplot(gs[1, 1])
# 第1个子图
ax_one.bar(x_month, y_sales, width=0.5, color='#3299CC')
ax_one.set_title('2018年上半年某品牌汽车的销售额')
ax_one.set_ylabel('销售额(亿元)')
# 第2个子图
ax_two.plot(x_citys, y_sale_count, 'm--o', ms=8)
ax_two.set_title('分公司某品牌汽车的销量')
ax_two.set_ylabel('销量(辆)')
# 第3个子图
ax_thr.stackplot(x_citys, y_sale_count, color='#9999FF')
ax_thr.set_title('分公司某品牌汽车的销量')
ax_thr.set_ylabel('销量(辆)')
plt.show()

运行后效果图