matplotlib多子图与复杂布局实战
在实际业务分析中，经常需要在一个画布上展示多个图表进行对比分析。
Matplotlib 提供了多种子图布局方式：subplot（规则网格）、subplot2grid（网格合并）、GridSpec（精细控制）、subplot_mosaic（命名布局）。
开发思路：
- 使用四种不同的子图布局方法，对应四种业务场景。
- 每个场景都包含实际业务数据和完整的图表元素。
- 展示如何在复杂布局中统一处理中文和坐标轴对齐。
- 包含高级技巧：共享坐标轴、隐藏刻度、嵌套布局等。
准备
python
"""
chapter_9_multi_subplots_layouts.py
开发思路：
1. 使用四种不同的子图布局方法，对应四种业务场景。
2. 每个场景都包含实际业务数据和完整的图表元素。
3. 展示如何在复杂布局中统一处理中文和坐标轴对齐。
4. 包含高级技巧：共享坐标轴、隐藏刻度、嵌套布局等。
"""
import matplotlib.pyplot as plt
import numpy as np
import pandas as pd
from matplotlib.gridspec import GridSpec
# ================== 全局中文配置 ==================
plt.rcParams['font.sans-serif'] = ['SimHei', 'Microsoft YaHei', 'DejaVu Sans']
plt.rcParams['axes.unicode_minus'] = False
# ================== 准备通用数据 ==================
np.random.seed(2026)
# 时间序列数据
dates = pd.date_range('2026-01-01', '2026-03-31', freq='D')
sales_daily = 100 + np.cumsum(np.random.randn(len(dates)) * 2) + 20 * np.sin(np.linspace(0, 4*np.pi, len(dates)))
# 分类数据
products = ['智能手机', '笔记本电脑', '平板电脑', '智能手表']
quarters = ['Q1', 'Q2', 'Q3', 'Q4']
sales_matrix = np.random.randint(80, 200, size=(len(products), len(quarters)))
# 分布数据
customer_ages = np.random.normal(35, 12, 1000)
customer_spending = np.random.normal(500, 200, 1000)案例1：subplot - 规则网格布局 =
python
# ================== 案例1：subplot - 规则网格布局 ==================
# 业务场景：产品总监需要同时查看4款产品的季度销售趋势
print("="*60)
print("案例1：subplot - 2x2规则网格布局（产品季度销售分析）")
print("="*60)
fig, axes = plt.subplots(2, 2, figsize=(14, 10))
fig.suptitle('2026年各产品季度销售趋势分析', fontsize=16, fontweight='bold', y=0.98)
# 将2x2的axes数组展平，方便遍历
axes_flat = axes.flatten()
for i, (product, ax) in enumerate(zip(products, axes_flat)):
# 为每个产品生成不同的销售趋势
trend = sales_matrix[i] + np.random.randint(-10, 10, 4)
# 绘制柱状图
bars = ax.bar(quarters, trend, color=plt.cm.Set3(i), edgecolor='black', linewidth=0.5)
ax.set_title(f'{product}季度销售额', fontsize=12, pad=10)
ax.set_xlabel('季度', fontsize=10)
ax.set_ylabel('销售额（万元）', fontsize=10)
ax.grid(True, alpha=0.3, linestyle='--')
# 在柱子上添加数值标签
for bar, val in zip(bars, trend):
ax.text(bar.get_x() + bar.get_width()/2, bar.get_height() + 2,
f'{val}万', ha='center', va='bottom', fontsize=9)
plt.tight_layout()
plt.show()============================================================
案例1：subplot - 2x2规则网格布局（产品季度销售分析）
============================================================
案例2：subplot2grid - 网格合并布局
python
# ================== 案例2：subplot2grid - 网格合并布局 ==================
# 业务场景：市场部需要突出显示总销售额，同时展示各产品占比和趋势
print("\n" + "="*60)
print("案例2：subplot2grid - 合并单元格布局（市场综合分析看板）")
print("="*60)
fig = plt.figure(figsize=(15, 9))
fig.suptitle('2026年市场综合分析看板', fontsize=18, fontweight='bold', y=0.98)
# 创建3x3的网格，并分配不同大小的子图
# 左上角大图：总销售额趋势 (占2行2列)
ax1 = plt.subplot2grid((3, 3), (0, 0), rowspan=2, colspan=2)
# 右上角：产品占比饼图 (占1行1列)
ax2 = plt.subplot2grid((3, 3), (0, 2), rowspan=1, colspan=1)
# 中右：季度环比折线图 (占1行1列)
ax3 = plt.subplot2grid((3, 3), (1, 2), rowspan=1, colspan=1)
# 底部：三个小图并排 (各占1列)
ax4 = plt.subplot2grid((3, 3), (2, 0), rowspan=1, colspan=1)
ax5 = plt.subplot2grid((3, 3), (2, 1), rowspan=1, colspan=1)
ax6 = plt.subplot2grid((3, 3), (2, 2), rowspan=1, colspan=1)
# ===== 图1：总销售额趋势 =====
weeks = np.arange(1, 13)
total_sales = 500 + np.cumsum(np.random.randn(12) * 20) + 10 * np.sin(np.linspace(0, 3*np.pi, 12))
ax1.plot(weeks, total_sales, 'o-', color='darkblue', linewidth=2, markersize=6)
ax1.fill_between(weeks, total_sales, 450, alpha=0.3, color='skyblue')
ax1.set_title('2026年Q1 周度总销售额趋势', fontsize=12)
ax1.set_xlabel('周数', fontsize=10)
ax1.set_ylabel('销售额（万元）', fontsize=10)
ax1.grid(True, alpha=0.3)
ax1.axhline(y=total_sales.mean(), color='red', linestyle='--', label=f'均值: {total_sales.mean():.0f}万')
ax1.legend()
# ===== 图2：产品占比饼图 =====
product_shares = sales_matrix.sum(axis=1)
colors = plt.cm.Pastel1(np.linspace(0, 1, len(products)))
wedges, texts, autotexts = ax2.pie(product_shares, labels=products, autopct='%1.1f%%',
colors=colors, startangle=90)
for autotext in autotexts:
autotext.set_color('white')
autotext.set_fontweight('bold')
ax2.set_title('产品销售额占比', fontsize=12)
# ===== 图3：季度环比折线图 =====
qoq_growth = np.diff(sales_matrix.sum(axis=0)) / sales_matrix.sum(axis=0)[:-1] * 100
ax3.plot(quarters[1:], qoq_growth, 'rs-', linewidth=2, markersize=8)
ax3.axhline(y=0, color='gray', linestyle='-', linewidth=0.5)
ax3.set_title('季度环比增长率', fontsize=12)
ax3.set_xlabel('季度', fontsize=10)
ax3.set_ylabel('增长率 (%)', fontsize=10)
ax3.grid(True, alpha=0.3)
for i, (q, g) in enumerate(zip(quarters[1:], qoq_growth)):
ax3.annotate(f'{g:.1f}%', xy=(i, g), xytext=(i, g+2 if g>0 else g-4),
ha='center', fontsize=9, color='darkred')
# ===== 图4-6：三个产品详细卡片 =====
product_details = [
('智能手机', 'black', [85, 120, 150, 180]),
('笔记本电脑', 'blue', [95, 140, 135, 170]),
('平板电脑', 'green', [70, 95, 130, 160])
]
for ax, (product, color, trends) in zip([ax4, ax5, ax6], product_details):
ax.plot(quarters, trends, marker='o', color=color, linewidth=2)
ax.fill_between(quarters, trends, min(trends)-10, alpha=0.2, color=color)
ax.set_title(f'{product}趋势', fontsize=10)
ax.set_xlabel('季度', fontsize=8)
ax.set_ylabel('销售额', fontsize=8)
ax.tick_params(labelsize=8)
ax.grid(True, alpha=0.2)
plt.tight_layout()
plt.show()============================================================
案例2：subplot2grid - 合并单元格布局（市场综合分析看板）
============================================================
案例3：GridSpec - 精细化布局
python
# ================== 案例3：GridSpec - 精细化布局 ==================
# 业务场景：数据分析师需要制作一份包含原始数据分布、箱线图和Q-Q图的统计报告
print("\n" + "="*60)
print("案例3：GridSpec - 精细化布局（数据分布统计报告）")
print("="*60)
fig = plt.figure(figsize=(16, 10))
fig.suptitle('客户消费行为深度统计分析报告', fontsize=18, fontweight='bold', y=0.98)
# 创建3x3的网格，但每行高度不同，列宽也不同
gs = GridSpec(3, 3, figure=fig,
height_ratios=[1.5, 1, 1.2], # 行高比例
width_ratios=[1.2, 1, 1], # 列宽比例
hspace=0.3, wspace=0.3) # 间距
# 分配子图
ax_hist = fig.add_subplot(gs[0, :]) # 第一行，占全部3列
ax_box1 = fig.add_subplot(gs[1, 0]) # 第二行第一列
ax_box2 = fig.add_subplot(gs[1, 1]) # 第二行第二列
ax_box3 = fig.add_subplot(gs[1, 2]) # 第二行第三列
ax_scatter = fig.add_subplot(gs[2, :2]) # 第三行前两列
ax_qq = fig.add_subplot(gs[2, 2]) # 第三行第三列
# ===== 直方图+KDE：整体分布 =====
ax_hist.hist(customer_spending, bins=30, density=True, alpha=0.6, color='steelblue', edgecolor='black')
# 添加核密度估计
from scipy import stats
kde = stats.gaussian_kde(customer_spending)
x_range = np.linspace(customer_spending.min(), customer_spending.max(), 200)
ax_hist.plot(x_range, kde(x_range), 'r-', linewidth=2, label='核密度估计')
ax_hist.axvline(customer_spending.mean(), color='green', linestyle='--',
linewidth=2, label=f'均值: {customer_spending.mean():.0f}')
ax_hist.axvline(np.median(customer_spending), color='orange', linestyle=':',
linewidth=2, label=f'中位数: {np.median(customer_spending):.0f}')
ax_hist.set_title('客户消费金额分布（含KDE）', fontsize=14)
ax_hist.set_xlabel('消费金额（元）', fontsize=11)
ax_hist.set_ylabel('概率密度', fontsize=11)
ax_hist.legend()
ax_hist.grid(True, alpha=0.2)
# ===== 三个箱线图：不同年龄段的消费分布 =====
# 划分年龄段
young_mask = customer_ages < 30
middle_mask = (customer_ages >= 30) & (customer_ages < 45)
old_mask = customer_ages >= 45
age_groups = [
(young_mask, '年轻客户 (<30岁)', ax_box1, 'lightcoral'),
(middle_mask, '中年客户 (30-45岁)', ax_box2, 'lightgreen'),
(old_mask, '成熟客户 (≥45岁)', ax_box3, 'lightskyblue')
]
for mask, title, ax, color in age_groups:
if np.sum(mask) > 0:
data = customer_spending[mask]
bp = ax.boxplot(data, patch_artist=True, widths=0.6)
bp['boxes'][0].set_facecolor(color)
bp['boxes'][0].set_alpha(0.7)
ax.set_title(title, fontsize=11)
ax.set_ylabel('消费金额', fontsize=9)
ax.set_xticks([])
ax.grid(True, alpha=0.2, axis='y')
# 添加统计信息
ax.text(0.5, 0.05, f'n={len(data)}', transform=ax.transAxes,
ha='center', fontsize=9, bbox=dict(boxstyle='round', facecolor='wheat', alpha=0.8))
# ===== 散点图：年龄与消费的关系 =====
scatter = ax_scatter.scatter(customer_ages, customer_spending, c=customer_ages,
cmap='viridis', alpha=0.5, s=30)
plt.colorbar(scatter, ax=ax_scatter, label='年龄')
ax_scatter.set_xlabel('年龄（岁）', fontsize=11)
ax_scatter.set_ylabel('消费金额（元）', fontsize=11)
ax_scatter.set_title('年龄与消费金额关系散点图', fontsize=12)
ax_scatter.grid(True, alpha=0.2)
# 添加线性回归线
z = np.polyfit(customer_ages, customer_spending, 1)
p = np.poly1d(z)
ax_scatter.plot(np.sort(customer_ages), p(np.sort(customer_ages)),
'r--', linewidth=2, label=f'趋势线 (斜率={z[0]:.2f})')
ax_scatter.legend()
# ===== Q-Q图：正态性检验 =====
# 计算理论分位数和样本分位数
from scipy import stats
quantiles = np.linspace(0.01, 0.99, 100)
theoretical = stats.norm.ppf(quantiles, loc=customer_spending.mean(),
scale=customer_spending.std())
sample = np.percentile(customer_spending, quantiles * 100)
ax_qq.scatter(theoretical, sample, alpha=0.6, s=20)
# 添加y=x参考线
min_val = min(theoretical.min(), sample.min())
max_val = max(theoretical.max(), sample.max())
ax_qq.plot([min_val, max_val], [min_val, max_val], 'r--', linewidth=2)
ax_qq.set_xlabel('理论分位数', fontsize=10)
ax_qq.set_ylabel('样本分位数', fontsize=10)
ax_qq.set_title('Q-Q图（正态性检验）', fontsize=12)
ax_qq.grid(True, alpha=0.2)
# GridSpec 布局与 tight_layout 不完全兼容，直接显示
plt.show()============================================================
案例3：GridSpec - 精细化布局（数据分布统计报告）
============================================================
案例4：subplot_mosaic - 命名布局
python
# ================== 案例4：subplot_mosaic - 命名布局（Python 3.12+ 推荐） ==================
# 业务场景：运营团队需要制作一个综合运营看板，包含核心指标
print("\n" + "="*60)
print("案例4：subplot_mosaic - 命名布局（运营核心指标看板）")
print("="*60)
# 使用mosaic定义布局，这是Matplotlib 3.3+引入的现代布局方式
# 特别适合Python 3.12环境，代码可读性极高
mosaic = [
['header', 'header', 'header'], # 第一行：标题区
['kpi1', 'kpi2', 'kpi3'], # 第二行：三个KPI指标
['trend', 'trend', 'pie'], # 第三行：趋势图和饼图
['detail1', 'detail2', 'detail3'] # 第四行：三个细节图
]
fig, axes_dict = plt.subplot_mosaic(mosaic, figsize=(15, 12),
constrained_layout=True,
height_ratios=[0.4, 0.7, 1.2, 0.8])
fig.suptitle('运营核心指标看板 (2026年3月)', fontsize=20, fontweight='bold', y=1.02)
# ===== header：标题区域，不实际绘图，只放文字 =====
axes_dict['header'].axis('off')
header_text = """总体运营状况：本月活跃用户 128.5万 | 总交易额 3,842万 | 订单量 45.2万
同比增长 +15.3% | 环比增长 +3.8% | 目标完成率 92%"""
axes_dict['header'].text(0.5, 0.5, header_text, ha='center', va='center',
fontsize=12, bbox=dict(boxstyle='round', facecolor='lightblue', alpha=0.5))
# ===== KPI指标卡 =====
kpi_data = [
('kpi1', 'DAU (万)', '128.5', '+5.2%', '#ff6b6b'),
('kpi2', 'ARPU (元)', '84.3', '+2.1%', '#4ecdc4'),
('kpi3', '转化率', '3.85%', '-0.3%', '#ffe66d')
]
for kpi_key, title, value, change, color in kpi_data:
ax = axes_dict[kpi_key]
ax.axis('off')
ax.set_facecolor(color)
# 绘制KPI卡片
ax.text(0.5, 0.7, title, ha='center', va='center', fontsize=12, fontweight='bold')
ax.text(0.5, 0.4, value, ha='center', va='center', fontsize=24, fontweight='bold')
ax.text(0.5, 0.15, change, ha='center', va='center', fontsize=11,
color='green' if '+' in change else 'red')
# ===== 趋势图 =====
ax_trend = axes_dict['trend']
days = np.arange(1, 31)
# 模拟DAU趋势
dau = 120 + 8 * np.sin(np.linspace(0, 4*np.pi, 30)) + np.random.randn(30) * 2
ax_trend.plot(days, dau, 'o-', color='darkblue', linewidth=2, markersize=4)
ax_trend.fill_between(days, 110, dau, where=(dau>115), color='lightgreen', alpha=0.3, label='高于基准')
ax_trend.fill_between(days, dau, 110, where=(dau<=115), color='lightsalmon', alpha=0.3, label='低于基准')
ax_trend.axhline(y=115, color='gray', linestyle='--', linewidth=1, label='基准线')
ax_trend.set_title('3月DAU趋势', fontsize=14, fontweight='bold')
ax_trend.set_xlabel('日期', fontsize=11)
ax_trend.set_ylabel('DAU (万)', fontsize=11)
ax_trend.legend(loc='upper right')
ax_trend.grid(True, alpha=0.2)
# 标记峰值
max_day = np.argmax(dau) + 1
ax_trend.annotate(f'峰值: {dau[max_day-1]:.1f}万',
xy=(max_day, dau[max_day-1]),
xytext=(max_day+2, dau[max_day-1]+2),
arrowprops=dict(arrowstyle='->', color='red'))
# ===== 饼图 =====
ax_pie = axes_dict['pie']
channels = ['自然流量', '社交媒体', '付费广告', '老客复购', '活动引流']
channel_data = [45, 28, 35, 42, 20]
wedges, texts, autotexts = ax_pie.pie(channel_data, labels=channels, autopct='%1.1f%%',
startangle=90, colors=plt.cm.Set3(np.linspace(0, 1, 5)))
for autotext in autotexts:
autotext.set_color('white')
autotext.set_fontweight('bold')
ax_pie.set_title('用户来源渠道分析', fontsize=14, fontweight='bold')
# ===== 三个细节图 =====
detail_data = [
('detail1', '时段活跃分布', ['0-6点', '6-12点', '12-18点', '18-24点'], [12, 38, 45, 62]),
('detail2', '设备分布', ['iOS', 'Android', 'Web'], [850, 1200, 320]),
('detail3', '城市等级分布', ['一线', '新一线', '二线', '其他'], [42, 38, 28, 20])
]
for detail_key, title, labels, values in detail_data:
ax = axes_dict[detail_key]
bars = ax.bar(labels, values, color=plt.cm.Pastel2(np.linspace(0, 1, len(labels))))
ax.set_title(title, fontsize=11, fontweight='bold')
ax.tick_params(axis='x', rotation=15)
ax.grid(True, alpha=0.2, axis='y')
# 添加数值标签
for bar in bars:
height = bar.get_height()
ax.text(bar.get_x() + bar.get_width()/2., height + 1,
f'{height}', ha='center', va='bottom', fontsize=8)
# 调整布局并显示
plt.show()============================================================
案例4：subplot_mosaic - 命名布局（运营核心指标看板）
============================================================
案例5：嵌套布局与坐标轴共享
python
# ================== 案例5：嵌套布局与坐标轴共享 ==================
# 业务场景：时间序列分析需要对比多个相关指标，同时查看细节
print("\n" + "="*60)
print("案例5：嵌套布局与坐标轴共享（多指标对比分析）")
print("="*60)
fig = plt.figure(figsize=(14, 10))
fig.suptitle('电商多指标联动分析', fontsize=16, fontweight='bold', y=0.98)
# 使用GridSpec创建主布局
gs_main = GridSpec(3, 2, figure=fig, height_ratios=[1, 1, 1.5])
# 左侧创建一个垂直布局，包含两个共享X轴的子图
# 右侧是一个大图，包含多个子图的嵌套
# ===== 左侧：共享X轴的时间序列 =====
# 第一个子图：流量
ax_traffic = fig.add_subplot(gs_main[0, 0])
# 第二个子图：转化，共享X轴
ax_conversion = fig.add_subplot(gs_main[1, 0], sharex=ax_traffic)
# 第三个子图：收入，共享X轴
ax_revenue = fig.add_subplot(gs_main[2, 0], sharex=ax_traffic)
# 生成共享的时间轴
time_hours = np.arange(24)
traffic = 500 + 300 * np.sin(np.linspace(0, 2*np.pi, 24)) + np.random.randn(24)*50
conversion = 0.03 + 0.01 * np.sin(np.linspace(0, 2*np.pi, 24) + np.pi/2) + np.random.randn(24)*0.005
revenue = traffic * conversion * 100 + np.random.randn(24)*200
# 绘制三个共享X轴的图
ax_traffic.plot(time_hours, traffic, 'b-', linewidth=2)
ax_traffic.set_ylabel('访问量', color='b')
ax_traffic.tick_params(axis='y', labelcolor='b')
ax_traffic.set_title('小时级流量趋势')
ax_traffic.grid(True, alpha=0.2)
ax_conversion.plot(time_hours, conversion*100, 'r-', linewidth=2)
ax_conversion.set_ylabel('转化率 (%)', color='r')
ax_conversion.tick_params(axis='y', labelcolor='r')
ax_conversion.set_title('小时级转化率趋势')
ax_conversion.grid(True, alpha=0.2)
ax_revenue.plot(time_hours, revenue, 'g-', linewidth=2)
ax_revenue.set_xlabel('小时', fontsize=11)
ax_revenue.set_ylabel('收入 (元)', color='g')
ax_revenue.tick_params(axis='y', labelcolor='g')
ax_revenue.set_title('小时级收入趋势')
ax_revenue.grid(True, alpha=0.2)
# 隐藏中间的x轴标签，只保留最后一个
plt.setp(ax_traffic.get_xticklabels(), visible=False)
plt.setp(ax_conversion.get_xticklabels(), visible=False)
# ===== 右侧：嵌套布局 =====
# 创建一个嵌套的GridSpec，占据右侧两列
gs_right = GridSpec(2, 2, figure=fig, left=0.55, right=0.95, top=0.9, bottom=0.1,
hspace=0.3, wspace=0.3)
# 右上：散点图矩阵的简化版（只画两个）
ax_scatter1 = fig.add_subplot(gs_right[0, 0])
ax_scatter2 = fig.add_subplot(gs_right[0, 1])
ax_hist2d = fig.add_subplot(gs_right[1, :]) # 底部合并单元格
# 生成一些相关数据
x = np.random.randn(500)
y = 0.7 * x + 0.3 * np.random.randn(500)
z = 0.5 * x + 0.5 * np.random.randn(500)
ax_scatter1.scatter(x, y, alpha=0.5, s=20, c='steelblue')
ax_scatter1.set_xlabel('指标X')
ax_scatter1.set_ylabel('指标Y')
ax_scatter1.set_title('X-Y相关性')
ax_scatter1.grid(True, alpha=0.2)
ax_scatter2.scatter(x, z, alpha=0.5, s=20, c='crimson')
ax_scatter2.set_xlabel('指标X')
ax_scatter2.set_ylabel('指标Z')
ax_scatter2.set_title('X-Z相关性')
ax_scatter2.grid(True, alpha=0.2)
# 二维直方图
hb = ax_hist2d.hexbin(x, y, gridsize=20, cmap='Blues', alpha=0.8)
plt.colorbar(hb, ax=ax_hist2d, label='频次')
ax_hist2d.set_xlabel('指标X')
ax_hist2d.set_ylabel('指标Y')
ax_hist2d.set_title('二维分布密度 (六边形分箱)')
# GridSpec 嵌套布局与 tight_layout 不完全兼容，直接显示
plt.show()============================================================
案例5：嵌套布局与坐标轴共享（多指标对比分析）
============================================================
案例6：极坐标系与组合布局
python
# ================== 案例6：极坐标系与组合布局 ==================
# 业务场景：展示周期性数据（如一周各天、一天各小时的周期性规律）
print("\n" + "="*60)
print("案例6：极坐标系与组合布局（周期数据分析）")
print("="*60)
fig = plt.figure(figsize=(14, 8))
fig.suptitle('用户活跃周期分析（极坐标与组合视图）', fontsize=16, fontweight='bold')
# 创建2x2的布局，其中一个使用极坐标
gs = GridSpec(2, 2, figure=fig, width_ratios=[1, 1.2])
# 笛卡尔坐标系的子图
ax1 = fig.add_subplot(gs[0, 0]) # 周趋势
ax2 = fig.add_subplot(gs[1, 0]) # 日趋势
# 极坐标子图
ax3 = fig.add_subplot(gs[:, 1], projection='polar') # 极坐标，合并两行
# ===== 周趋势 =====
days = ['周一', '周二', '周三', '周四', '周五', '周六', '周日']
weekly_activity = [850, 820, 890, 920, 1050, 1350, 1420]
bars1 = ax1.bar(days, weekly_activity, color=plt.cm.viridis(np.linspace(0.2, 0.8, 7)))
ax1.set_title('周度活跃趋势', fontsize=12)
ax1.set_ylabel('活跃用户数')
ax1.tick_params(axis='x', rotation=30)
for bar, val in zip(bars1, weekly_activity):
ax1.text(bar.get_x() + bar.get_width()/2, bar.get_height() + 20, str(val),
ha='center', va='bottom', fontsize=8)
# ===== 日趋势（24小时）=====
hours = np.arange(24)
hourly_activity = 300 + 200 * np.sin(np.linspace(0, 2*np.pi, 24) - np.pi/2)
hourly_activity = np.clip(hourly_activity + np.random.randn(24)*30, 100, 600).astype(int)
ax2.plot(hours, hourly_activity, 'o-', color='darkorange', linewidth=2)
ax2.fill_between(hours, hourly_activity, 200, alpha=0.3, color='orange')
ax2.set_title('小时级活跃趋势', fontsize=12)
ax2.set_xlabel('小时')
ax2.set_ylabel('活跃用户数')
ax2.grid(True, alpha=0.2)
ax2.set_xticks([0, 6, 12, 18, 23])
ax2.set_xticklabels(['0点', '6点', '12点', '18点', '23点'])
# ===== 极坐标：双重周期 =====
# 生成一周每天24小时的数据（7x24矩阵）
weekly_hourly = np.zeros((7, 24))
for day in range(7):
# 基础模式：周末高，工作日低
day_factor = 1.2 if day >= 5 else 0.9
for hour in range(24):
hour_factor = 0.3 + 0.7 * np.sin(np.pi * hour / 12 - np.pi/2)
weekly_hourly[day, hour] = day_factor * hour_factor * 1000 + np.random.randn()*50
# 在极坐标中绘制热力图
theta, r = np.meshgrid(np.linspace(0, 2*np.pi, 24, endpoint=False), # 角度：小时
np.arange(7)) # 半径：星期
# 使用pcolormesh在极坐标中绘制
mesh = ax3.pcolormesh(theta, r, weekly_hourly, cmap='hot', shading='auto')
plt.colorbar(mesh, ax=ax3, label='活跃度', shrink=0.8)
# 设置极坐标标签
ax3.set_theta_zero_location('N') # 0度指向北方
ax3.set_theta_direction(-1) # 顺时针方向
ax3.set_rgrids([0, 1, 2, 3, 4, 5, 6], labels=['周一', '周二', '周三', '周四', '周五', '周六', '周日'])
ax3.set_title('周-小时 双重周期热力图 (极坐标)', fontsize=12, pad=20)
# 添加角度刻度标签（小时）
hour_labels = ['0点', '3点', '6点', '9点', '12点', '15点', '18点', '21点']
hour_angles = np.linspace(0, 2*np.pi, 8, endpoint=False)
ax3.set_xticks(hour_angles)
ax3.set_xticklabels(hour_labels)
plt.tight_layout()
plt.show()
print("\n" + "="*60)
print("✅ 多子图布局教程完成！共展示6种不同布局场景")
print("="*60)============================================================
案例6：极坐标系与组合布局（周期数据分析）
============================================================
============================================================
✅ 多子图布局教程完成！共展示6种不同布局场景
============================================================