subplot 一图多窗：subplot(2,2,1) 到 subplot(2,2,4) 四宫格布局写法

一、问题的起点：为什么是四宫格

在科研绘图、工程监控面板、教学演示这三类场景里，2×2 的排布几乎成了一种"默认约定"。它足够小，小到一张 A4 纸或一块 1080p 屏幕能同时容纳四个子图而不显拥挤；又足够大，大到可以并列展示"原始信号 / 处理后信号 / 频谱 / 误差曲线"这样一组完整的分析链路。Matplotlib 官方文档在 Pyplot tutorial 与 Arranging multiple Axes in a Figure 两处都把 subplot 作为入门首选，原因正在于它的心智负担极低（Matplotlib 官方文档，2024）。

但低心智负担是有代价的。subplot 的接口设计诞生于 MATLAB 时代，它把"网格划分"和"当前坐标系切换"两件事揉进了一个函数调用里。这种设计在四个子图时几乎无感，一旦子图数量上升、需要跨行跨列、需要共享坐标轴，隐藏的复杂度就会集中爆发。笔者认为，理解 subplot 的正确姿势不是记住它的参数，而是理解它背后那台"隐式状态机"如何工作。

本文的主线由此确定：以四宫格为最小可复现单元，把 subplot 拆成"索引映射层—状态管理层—布局引擎层"三层来观察。这条主线会贯穿全文，每一节都在为下一层做铺垫。

二、索引映射：subplot(2,2,n) 到底在算什么

2.1 三个参数的含义

subplot(nrows, ncols, index) 的三个参数分别表示行数、列数和子图序号。序号从 1 开始，按"先行后列"的顺序递增，也就是英文阅读顺序：左上为 1，右上为 2，左下为 3，右下为 4。这个顺序在 Matplotlib 官方 API 文档中明确给出（Matplotlib, matplotlib.pyplot.subplot, 2024）。

序号与网格位置的换算关系可以写成一行公式：给定 index，其行号为 (index - 1) // ncols，列号为 (index - 1) % ncols（均从 0 开始计）。对 2×2 而言，index=1 得到 (0,0)，index=4 得到 (1,1)。

2.2 一个常被忽略的细节：逗号形式与三位数形式

subplot 支持两种等价写法：subplot(2,2,1) 与 subplot(221)。后者是 MATLAB 遗留的紧凑写法，把三个数字拼成一个整数。当 nrows、ncols、index 都小于 10 时两者完全等价；一旦网格超过 9×9，三位数写法就会产生歧义，必须改用逗号形式。Matplotlib 官方文档对此有明确提示（Matplotlib, 2024）。本文评述：紧凑写法在四宫格场景下确实省事，但它牺牲了可读性，且在网格规模扩展时会静默出错，工程代码中应统一使用逗号形式。

2.3 从"位置"到"对象"：返回值是什么

每次调用 subplot 都会返回一个 Axes 对象。这个对象是后续所有绘图操作的句柄——ax.plot()、ax.set_title()、ax.legend() 都挂在它身上。理解这一点是理解后续"状态机"章节的前提：subplot 不只是"画个框"，它是在 Figure 上创建并注册一个 Axes，同时把它设为当前活动对象。

三、状态机视角：pyplot 的隐式当前坐标系

3.1 "当前 Axes" 是什么

pyplot 模块维护着一个全局的"当前 Figure"和"当前 Axes"引用。当你调用 plt.plot(...) 而不指定 ax 时，它实际作用在"当前 Axes"上。subplot 的副作用之一，就是把新建或已存在的那个 Axes 设为当前对象。这套机制在 Matplotlib 的 pyplot vs Object-Oriented interface 说明中有系统阐述（Matplotlib 官方文档，2024）。

这意味着下面两段代码在语义上并不完全等价：

# 写法 A：依赖隐式状态
plt.subplot(2, 2, 1)
plt.plot(x, y1)
plt.subplot(2, 2, 2)
plt.plot(x, y2)

# 写法 B：显式句柄
ax1 = plt.subplot(2, 2, 1)
ax1.plot(x, y1)
ax2 = plt.subplot(2, 2, 2)
ax2.plot(x, y2)

写法 A 在四宫格这种线性流程里没问题，但一旦中间插入循环、条件分支或函数调用，隐式状态就可能被意外改写。笔者认为，写法 B 才是工程代码的基线，理由不是"更规范"，而是它把"当前坐标系"这个隐式变量显式化了，从而消除了跨函数调用时的状态泄漏风险。

3.2 重复调用同一 index 会发生什么

如果连续两次调用 subplot(2,2,1)，Matplotlib 不会创建两个重叠的 Axes，而是返回同一个对象。这是 subplot 状态机的一个关键行为：它按 (nrows, ncols, index) 三元组做缓存查找。官方文档指出，这一行为在需要"复用已有子图"时非常有用，但也容易让初学者误以为每次调用都是新建（Matplotlib, 2024）。

与之相对，如果先 subplot(2,2,1) 再 subplot(3,3,1)，由于网格参数变了，Matplotlib 会清空原有网格并重建，之前那个 Axes 会被丢弃。这个"网格参数变化触发重建"的规则，是四宫格代码在重构时最容易踩的坑之一。

3.3 状态机与面向对象接口的分界

Matplotlib 同时提供 pyplot（状态机）和 Figure/Axes（面向对象）两套接口。四宫格场景下，两者的分界线可以这样划：如果整个绘图流程是"一次性、线性、无复用"，pyplot 写法足够；如果图形需要被封装成函数、被测试、被多次调用，就应该切到面向对象接口。Matplotlib 官方在 Usage Guide 中建议复杂图形优先使用 OO 接口（Matplotlib, 2024）。

四、四宫格标准写法与可复用模板

4.1 最小可运行示例

下面这段代码是四宫格的最小完整形态，四个子图分别画正弦、余弦、正切截断和一条随机游走（模拟数据，由固定随机种子生成，仅用于演示布局，不代表任何真实测量结果）。

import numpy as np
import matplotlib.pyplot as plt

rng = np.random.default_rng(42)   # 固定种子，保证可复现
x = np.linspace(0, 2 * np.pi, 400)

fig = plt.figure(figsize=(10, 8), dpi=120)

ax1 = fig.add_subplot(2, 2, 1)
ax1.plot(x, np.sin(x), color="#7c3aed")
ax1.set_title("sin(x)")

ax2 = fig.add_subplot(2, 2, 2)
ax2.plot(x, np.cos(x), color="#6d28d9")
ax2.set_title("cos(x)")

ax3 = fig.add_subplot(2, 2, 3)
ax3.plot(x, np.tanh(x), color="#a78bfa")
ax3.set_title("tanh(x)")

ax4 = fig.add_subplot(2, 2, 4)
ax4.plot(rng.standard_normal(400).cumsum(), color="#4c1d95")
ax4.set_title("random walk (simulated)")

fig.tight_layout()
plt.show()

这里刻意使用了 fig.add_subplot() 而非 plt.subplot()。两者参数完全一致，区别只在于前者显式绑定到某个 Figure，后者依赖全局当前 Figure。在单图脚本里二者等价，但在多图并排或函数封装场景下，前者更安全。

4.2 循环化写法：从四个变量到二维数组

当四个子图的绘制逻辑高度相似时，硬编码四个变量会让代码迅速膨胀。更工程化的做法是用 plt.subplots(2, 2) 一次性拿到 2×2 的 Axes 数组：

fig, axes = plt.subplots(2, 2, figsize=(10, 8), dpi=120)

titles = ["sin(x)", "cos(x)", "tanh(x)", "random walk (simulated)"]
data   = [np.sin(x), np.cos(x), np.tanh(x), rng.standard_normal(400).cumsum()]

for ax, title, y in zip(axes.ravel(), titles, data):
    ax.plot(x, y, color="#7c3aed")
    ax.set_title(title)

fig.tight_layout()

axes.ravel() 把 2×2 数组拉平成一维，顺序恰好是 [左上, 右上, 左下, 右下]，与 subplot 的 index 顺序一致。这个一致性不是巧合，而是 Matplotlib 刻意保持的约定。本文评述：subplots 与 subplot 的关系，可以理解为"批量创建"与"逐个创建"的关系；前者返回数组，后者返回单个句柄。四宫格场景下，凡是四个子图结构同构的，都应优先用 subplots。

4.3 两种写法的取舍对照

五、进阶布局：GridSpec、subplot_mosaic 与 constrained_layout

5.1 GridSpec：跨行跨列的正统解法

subplot 的 2×2 网格是均匀的，每个子图占据相同面积。一旦需要"上面一行放一个大图、下面一行放两个小图"，subplot 就无能为力了。GridSpec 正是为此设计的：它把 Figure 划分为更细的网格，再通过切片指定每个 Axes 占据的范围（Matplotlib, GridSpec, 2024）。

import matplotlib.gridspec as gridspec

fig = plt.figure(figsize=(10, 8), dpi=120)
gs = gridspec.GridSpec(2, 2, figure=fig,
                       height_ratios=[2, 1],   # 上行高，下行矮
                       hspace=0.3, wspace=0.25)

ax_top    = fig.add_subplot(gs[0, :])   # 跨两列
ax_bottom_l = fig.add_subplot(gs[1, 0])
ax_bottom_r = fig.add_subplot(gs[1, 1])

这段代码实现了"1 大 + 2 小"的三窗布局。注意 gs[0, :] 这种切片语法，它比 subplot 的整数 index 表达力强得多。笔者认为，GridSpec 是 subplot 的"超集"：任何 subplot 能表达的均匀网格，GridSpec 都能表达；反之不成立。因此当四宫格需要演化为非均匀布局时，迁移到 GridSpec 是自然路径。

5.2 subplot_mosaic：用 ASCII 描述布局

Matplotlib 3.3 引入了 subplot_mosaic，允许用字符串直接"画"出布局。四宫格可以写成：

fig, axd = plt.subplot_mosaic(
    [["A", "B"],
     ["C", "D"]],
    figsize=(10, 8), dpi=120
)
axd["A"].plot(x, np.sin(x))
axd["B"].plot(x, np.cos(x))
axd["C"].plot(x, np.tanh(x))
axd["D"].plot(rng.standard_normal(400).cumsum())

返回的 axd 是一个字典，键就是布局字符串里的字母。这种写法的最大优势是"所见即所得"：布局在代码里的形状和最终出图的形状一致，极大降低了阅读成本。官方文档将其定位为"比 GridSpec 更友好的高层封装"（Matplotlib, Complex and semantic figure composition, 2024）。

5.3 constrained_layout 与 tight_layout 之争

四宫格最常见的视觉问题是子图之间标签重叠、标题被裁切。传统解法是 fig.tight_layout()，它在绘图完成后一次性调整边距。较新的 constrained_layout 则把布局约束纳入渲染流程，在每次绘制时动态求解。

启用方式很简单：plt.subplots(2, 2, layout="constrained")。本文评述：在四宫格这种"子图数量少但标签密集"的场景下，constrained_layout 的实际收益明显高于 tight_layout，尤其是当子图带 colorbar 或长标题时。代价是渲染时间略有增加，但对静态出图而言可以忽略。

六、工程实践：共享坐标轴、图例与配色一致性

6.1 共享坐标轴的正确姿势

四宫格常用于对比同一物理量在不同条件下的变化，此时共享 x 轴或 y 轴能显著减少冗余刻度。plt.subplots(2, 2, sharex=True, sharey=True) 会自动隐藏内部子图的刻度标签，只保留最外侧的。

但共享坐标轴有个容易被忽视的副作用：它同时也共享了坐标轴范围（limits）。如果四个子图的数据量级差异很大，共享 y 轴会让小量级子图被压成一条直线。此时应改用 sharex=True, sharey=False，或者手动解除某个子图的共享关系。

6.2 图例的集中管理

四宫格如果每个子图都带图例，画面会显得杂乱。更常见的做法是：只在其中一个子图放图例，或者用 Figure 级别的 fig.legend() 统一放置。后者需要配合 bbox_to_anchor 指定位置，例如放在整张图的下方居中。

6.3 配色一致性：从单图到多图

四宫格内的配色应遵循"同一语义同一颜色"的原则。如果四个子图都在画"实验组 vs 对照组"，那么实验组在所有子图中都应该是同一种颜色。实现方式有两种：一是显式传入 color 参数；二是定义全局的 rcParams 或自定义 colormap。Matplotlib 官方在 Customizing Matplotlib with style sheets and rcParams 中给出了系统做法（Matplotlib, 2024）。

需要强调的是，配色不仅是审美问题，也涉及可访问性。色盲友好配色（如 ColorBrewer 方案）在科研出版中已逐渐成为惯例，相关研究可参考 ColorBrewer 项目（Harrower & Brewer, 2003）以及后续的可访问性可视化研究（Elavsky et al., 2022）。

七、常见坑位与排查清单

7.1 坑位一：index 越界

在 2×2 网格里写 subplot(2,2,5) 会直接抛 ValueError。这是好事——显式报错总比静默出错强。但要注意，如果 index 是变量计算出来的，越界可能发生在运行时而非编码时，因此建议在循环里加断言。

7.2 坑位二：网格参数不一致导致的重建

如前所述，subplot(2,2,1) 之后调用 subplot(2,3,1) 会清空整个网格。在交互式环境（如 Jupyter）里，这种重建往往表现为"之前画的图突然消失"，排查时容易误判为内核崩溃。

7.3 坑位三：tight_layout 与手动 subplots_adjust 冲突

如果先手动调用了 fig.subplots_adjust()，再调用 fig.tight_layout()，后者会覆盖前者的设置。两者不应混用，选其一即可。

7.4 排查清单

• 确认 nrows × ncols ≥ index，且 index ≥ 1；
• 确认所有 subplot 调用的网格参数一致，避免意外重建；
• 确认没有混用 tight_layout 与 subplots_adjust；
• 确认共享坐标轴时数据量级相近，否则解除共享；
• 确认保存图片时使用 bbox_inches="tight" 避免裁切；
• 确认中文字体已设置，否则标题会显示为方框。

八、性能、可维护性与前沿预判

8.1 渲染性能：子图数量与耗时

Matplotlib 的渲染耗时大致随 Axes 数量线性增长，但存在一个"拐点"：当子图数量超过 20 个左右时，坐标轴刻度计算、标签布局的开销开始显著上升。这一观察与 Matplotlib 社区关于大网格性能的讨论一致（Matplotlib GitHub Issues, 2023）。对于四宫格而言，性能从来不是瓶颈；但把四宫格模板套用到 6×6 甚至更大网格时，就需要考虑降采样、关闭部分刻度标签等优化手段。

8.2 可维护性：从脚本到模块

四宫格代码最常见的退化路径是：一开始是 20 行脚本，后来加了数据加载、加了样式配置、加了导出逻辑，最后变成 500 行的"面条代码"。避免退化的关键是尽早把"绘图"抽成函数，把"数据"和"样式"分离。一个可复用的四宫格函数签名大致如下：

def plot_quad(panels, figsize=(10, 8), dpi=120, layout="constrained"):
    """
    panels: list of dict, each with keys:
        title, x, y, color, xlabel, ylabel
    """
    fig, axes = plt.subplots(2, 2, figsize=figsize, dpi=dpi, layout=layout)
    for ax, p in zip(axes.ravel(), panels):
        ax.plot(p["x"], p["y"], color=p.get("color", "#7c3aed"))
        ax.set_title(p["title"])
        ax.set_xlabel(p.get("xlabel", ""))
        ax.set_ylabel(p.get("ylabel", ""))
    return fig, axes

这个函数把"布局"和"内容"解耦，调用方只需提供数据字典。笔者认为，这种"配置驱动"的写法是四宫格从一次性脚本走向可复用组件的关键一步，也是后续迁移到声明式可视化框架的铺垫。

8.3 前沿预判：声明式与响应式

近年来，可视化领域出现了从"命令式绘图"向"声明式描述"迁移的趋势。Vega-Lite 提出的 grammar of graphics 变体，允许用户只描述"数据—标记—编码"的映射，布局由引擎自动求解（Satyanarayan et al., 2017）。Python 生态中的 Altair 直接构建在 Vega-Lite 之上，Plotly 的 make_subplots 也提供了类似的声明式接口。

与此同时，响应式布局在 Web 可视化中已成标配，但在静态科研绘图中仍属少数。Matplotlib 的 constrained_layout 可以看作响应式思想的雏形——它让布局随内容动态调整，而非依赖固定边距。本文评述：四宫格这类固定网格在未来不会消失，但它的角色会从"手动排布"退化为"声明式布局引擎的一个特例"。理解 subplot 的底层机制，恰恰是为了在抽象层次上移时不被黑盒吞掉控制权。

8.4 与其它语言的对照

R 语言的 base 绘图用 par(mfrow=c(2,2)) 实现四宫格，逻辑与 subplot 高度相似；ggplot2 的 facet_wrap 则走向了完全声明式的路线。MATLAB 至今保留 subplot 接口，并在 2020 年后引入了 tiledlayout 作为更现代的替代（MathWorks 文档, 2024）。这些平行演进说明：网格布局的接口设计存在一条从"索引驱动"到"语义驱动"的清晰路径。

九、结论与操作路径总结

回到最初的问题：subplot(2,2,1) 到 subplot(2,2,4) 的写法，表面上是四个函数调用，实质上是三层机制在协同工作——索引映射层负责把整数翻译成网格坐标，状态管理层负责维护"当前 Axes"这个隐式变量，布局引擎层负责在渲染时求解边距与间距。理解这三层，四宫格就不再是"背下来的模板"，而是可以按需拆解、扩展、替换的工程结构。

可落地的操作路径可以归纳为四步：

1. 起步：用 plt.subplots(2, 2, layout="constrained") 拿到 Axes 数组，避免逐个 subplot 的隐式状态；
2. 扩展：需要非均匀布局时迁移到 GridSpec 或 subplot_mosaic，不要试图用 subplot 硬凑；
3. 封装：把绘图逻辑抽成配置驱动的函数，分离数据、样式与布局；
4. 演进：当图形需要交互或响应式时，评估 Altair、Plotly 等声明式工具，把 Matplotlib 留在静态出版场景。

四宫格很小，但它折射出的问题——状态管理、布局求解、抽象层次——是可视化工程里反复出现的母题。把这一小块吃透，比记住十个绘图函数更有价值。

参考文献与拓展资源

主要参考文献（8 篇）

1. Hunter, J. D. (2007). Matplotlib: A 2D graphics environment. Computing in Science & Engineering, 9(3), 90–95.
2. Matplotlib Development Team. (2024). Arranging multiple Axes in a Figure. Matplotlib Documentation.
3. Matplotlib Development Team. (2024). matplotlib.pyplot.subplot. Matplotlib API Reference.
4. Matplotlib Development Team. (2024). Constrained Layout Guide. Matplotlib Documentation.
5. Satyanarayan, A., Moritz, D., Wongsuphasawat, K., & Heer, J. (2017). Vega-Lite: A grammar of interactive graphics. IEEE TVCG, 23(1), 341–350.
6. Harrower, M., & Brewer, C. A. (2003). ColorBrewer.org: An online tool for selecting colour schemes for maps. The Cartographic Journal, 40(1), 27–37.
7. Elavsky, F., Bennett, C., & Moritz, D. (2022). How accessible is my visualization? Evaluating visualization accessibility with Chartability. Computer Graphics Forum, 41(3).
8. MathWorks. (2024). tiledlayout. MATLAB Graphics Documentation.

拓展教程与视频链接

• Matplotlib 官方 Pyplot tutorial：https://matplotlib.org/stable/tutorials/pyplot.html
• Matplotlib 官方 Arranging multiple Axes：https://matplotlib.org/stable/users/explain/axes/arranging_axes.html
• Matplotlib 官方 Constrained Layout Guide：https://matplotlib.org/stable/users/explain/axes/constrainedlayout_guide.html
• Matplotlib 官方 subplot_mosaic 示例：https://matplotlib.org/stable/gallery/subplots_axes_and_figures/subplot_mosaic.html
• Altair 官方文档（声明式可视化）：https://altair-viz.github.io/
• Vega-Lite 官方站点：https://vega.github.io/vega-lite/

说明：文中"随机游走"数据由 NumPy 固定随机种子（seed=42）生成，属模拟数据，仅用于演示布局，不代表任何真实测量或实验结果。其余机制性描述均基于 Matplotlib 官方文档与公开文献，引用时请以原始文献为准。