本教程详细介绍了在无法控制原始绘图函数输出单个matplotlib figure 对象时，如何将这些独立的图表内容整合到一个新的、统一的图表中。核心方法是提取每个原始图表中的数据，然后在新创建的子图中重新绘制这些数据，最终生成一个结构清晰、内容丰富的组合图表。
在数据可视化过程中，我们经常会遇到需要整合多个独立生成的Matplotlib图表（matplotlib.figure.Figure 对象）到一个单一的综合图表中的场景。例如，当现有函数返回完整的Figure对象，而我们希望将这些独立的图表作为子图排列在一个新的布局中时。由于Matplotlib的Figure对象通常是独立的画布，直接将其“嵌入”为另一个Figure的子图并不直接。本教程将介绍一种通用的解决方案：通过提取原始图表中的数据，然后在新的主图表中重新绘制这些数据。
1. 理解问题与解决方案
当函数返回Figure对象时，我们失去了对该图表内部Axes对象的直接控制，无法简单地将它们传递给plt.subplots()。在这种情况下，最可靠的方法是：
- 生成原始的Figure对象。
- 从每个Figure对象中提取其Axes对象及其上的所有绘制数据（如线条、散点、柱状图等）。
- 创建一个全新的Figure对象和一组Axes子图。
- 将提取出的数据重新绘制到新的Axes子图中。
2. 模拟原始图表生成函数
为了演示，我们首先创建两个模拟函数，它们各自生成并返回一个matplotlib.figure.Figure对象。
import matplotlib.pyplot as plt
import numpy as np
def generate_figure_1():
"""生成第一个图表，包含一条正弦曲线。"""
fig = plt.figure(figsize=(6, 4))
ax = fig.add_subplot(111)
x = np.linspace(0, 2 * np.pi, 100)
y = np.sin(x)
ax.plot(x, y, label='Sin(x)', color='blue')
ax.set_title('Figure 1: Sine Wave')
ax.set_xlabel('X-axis')
ax.set_ylabel('Y-axis')
ax.legend()
plt.close(fig) # 关闭当前Figure，避免在notebook中显示
return fig
def generate_figure_2():
"""生成第二个图表，包含一条余弦曲线和一个散点图。"""
fig = plt.figure(figsize=(6, 4))
ax1 = fig.add_subplot(211) # 第一个子图
ax2 = fig.add_subplot(212) # 第二个子图
x = np.linspace(0, 2 * np.pi, 100)
y_cos = np.cos(x)
ax1.plot(x, y_cos, label='Cos(x)', color='red')
ax1.set_title('Figure 2, Subplot 1: Cosine Wave')
ax1.legend()
x_scatter = np.random.rand(50) * 10
y_scatter = np.random.rand(50) * 10
ax2.scatter(x_scatter, y_scatter, label='Random Scatter', color='green', marker='o')
ax2.set_title('Figure 2, Subplot 2: Scatter Plot')
ax2.legend()
fig.tight_layout()
plt.close(fig) # 关闭当前Figure
return fig
# 生成两个独立的Figure对象
fig_a = generate_figure_1()
fig_b = generate_figure_2()
3. 从现有图表中提取数据
接下来，我们将从fig_a和fig_b中提取绘制数据。这涉及到访问Figure对象的axes属性，然后遍历每个Axes对象中的线条、散点等元素。
def extract_plot_data(figure):
"""从给定的Figure对象中提取所有Axes及其上的绘制数据。"""
extracted_data = []
for ax in figure.axes:
ax_data = {'lines': [], 'scatter': [], 'bars': [], 'title': ax.get_title(), 'xlabel': ax.get_xlabel(), 'ylabel': ax.get_ylabel(), 'legend_handles_labels': ([], [])}
# 提取线条数据
for line in ax.lines:
ax_data['lines'].append({
'xdata': line.get_xdata(),
'ydata': line.get_ydata(),
'color': line.get_color(),
'linestyle': line.get_linestyle(),
'marker': line.get_marker(),
'label': line.get_label()
})
# 提取散点数据 (通常是PathCollection)
for collection in ax.collections:
if isinstance(collection, plt.cm.ScalarMappable): # 排除colorbar等
continue
if hasattr(collection, 'get_offsets') and hasattr(collection, 'get_facecolors'):
# 简单处理散点图，可能需要更复杂的逻辑处理颜色映射等
offsets = collection.get_offsets()
ax_data['scatter'].append({
'xdata': offsets[:, 0],
'ydata': offsets[:, 1],
'color': collection.get_facecolors()[0] if collection.get_facecolors().size > 0 else 'black',
'marker': collection.get_paths()[0].vertices[0] if collection.get_paths() else 'o', # 尝试获取marker
'label': collection.get_label()
})
# 提取柱状图数据 (通常是Rectangle对象)
for container in ax.containers:
if isinstance(container, plt.BarContainer):
for bar in container.patches:
ax_data['bars'].append({
'x': bar.get_x(),
'y': bar.get_height(),
'width': bar.get_width(),
'color': bar.get_facecolor(),
'label': container.get_label() # BarContainer的label
})
# 提取图例信息
if ax.get_legend() is not None:
handles, labels = ax.get_legend_handles_labels()
ax_data['legend_handles_labels'] = (handles, labels)
extracted_data.append(ax_data)
return extracted_data
# 提取数据
data_from_fig_a = extract_plot_data(fig_a)
data_from_fig_b = extract_plot_data(fig_b)
all_extracted_data = data_from_fig_a + data_from_fig_b
注意事项：
- 上述extract_plot_data函数仅处理了Line2D对象（ax.lines）、PathCollection对象（用于散点图，ax.collections）和Rectangle对象（用于柱状图，ax.containers）。对于更复杂的图表元素，如文本、箭头、自定义补丁、图像等，需要更复杂的逻辑来提取和重新创建。
- 图例的句柄（handles）通常是Line2D或Patch对象，在重新绘制时，我们需要根据label重新生成图例。
4. 创建新的主图表并重新绘制数据
现在，我们将创建一个新的Figure对象，并根据需要创建子图布局，然后将提取的数据绘制到这些新的子图中。
# 计算总共需要多少个子图
num_subplots = len(all_extracted_data)
# 确定子图布局 (例如，两列布局)
rows = int(np.ceil(num_subplots / 2))
cols = 2 if num_subplots > 1 else 1
# 创建新的主图表和子图
new_fig, new_axes = plt.subplots(rows, cols, figsize=(cols * 7, rows * 5))
new_axes = new_axes.flatten() # 将axes数组展平，方便迭代
# 遍历所有提取的数据，并在新的子图中重新绘制
for i, ax_data in enumerate(all_extracted_data):
current_ax = new_axes[i]
# 重新绘制线条
for line_info in ax_data['lines']:
current_ax.plot(line_info['xdata'], line_info['ydata'],
color=line_info['color'],
linestyle=line_info['linestyle'],
marker=line_info['marker'],
label=line_info['label'])
# 重新绘制散点
for scatter_info in ax_data['scatter']:
current_ax.scatter(scatter_info['xdata'], scatter_info['ydata'],
color=scatter_info['color'],
marker=scatter_info['marker'],
label=scatter_info['label'])
# 重新绘制柱状图 (这里只是一个简单示例，可能需要更多参数)
for bar_info in ax_data['bars']:
current_ax.bar(bar_info['x'], bar_info['y'],
width=bar_info['width'],
color=bar_info['color'],
label=bar_info['label'])
# 设置标题和轴标签
current_ax.set_title(ax_data['title'])
current_ax.set_xlabel(ax_data['xlabel'])
current_ax.set_ylabel(ax_data['ylabel'])
# 添加图例
if ax_data['legend_handles_labels'][1]: # 如果有标签
current_ax.legend()
# 调整布局，确保所有元素可见
new_fig.tight_layout()
# 显示最终合并的图表
plt.show()
5. 保存最终图表
最后，我们可以使用plt.savefig()函数将合并后的图表保存到文件中。
# 保存合并后的图表
plt.savefig("combined_matplotlib_figures.png", dpi=300, bbox_inches='tight')
print("合并图表已保存为 combined_matplotlib_figures.png")
注意事项与总结
- 数据提取的复杂性： 这种方法的核心在于准确地提取原始图表中的所有相关数据和样式信息。对于包含复杂元素（如文本注释、自定义补丁、图像、三维图等）的图表，extract_plot_data函数需要进行扩展以处理这些情况。
- 样式一致性： 重新绘制时，要尽量保持原始图表的样式（颜色、线型、标记、字体等）。如果原始图表使用了全局样式或自定义主题，可能需要在新图表中重新应用。
- 轴范围和刻度： 默认情况下，Matplotlib会根据重新绘制的数据自动调整轴的范围和刻度。如果需要保持原始的轴范围，需要在重新绘制后手动设置current_ax.set_xlim()和current_ax.set_ylim()。
- 替代方案： 如果你对生成原始图表的函数有控制权，最佳实践是让这些函数返回Axes对象而不是完整的Figure对象。这样，你可以在一个预先创建好的Figure和Axes布局中直接调用这些函数，避免了数据提取和重新绘制的复杂性。
- 内存管理： 当生成大量临时Figure对象时，记得使用plt.close(fig)来关闭它们，释放内存，特别是当在循环中生成图表时。
通过上述步骤，即使面对无法直接控制的Figure对象，我们也能够有效地提取其核心可视化数据，并在一个统一的Matplotlib图表中进行重新组织和展示，从而实现多个图表的合并。
