转载自 知乎
简洁版
Figure: 图像，其中最大的概念，后续 subplot 和 axes 均在画板上进行
Axes: 轴域，即两条坐标轴（axis）标定出的一块方形区域。若是立体图形，则是三条轴标定出的立方体区域。（英文中，axes 这个单词就是 axis 的复数）
Axis: 坐标轴，即 x 轴、y 轴（、z 轴）
Subplot: 子图。figure 里面最简单的排列即是按照网格状排列， 每格放一张子图。
通俗来说，figure 可以理解为画板，axes 和 subplot 是 figure 上的一块区域，我们在其中作图。axes 是两条及以上 axis 围成的区域。
1 axes subplot axis
先说第一个疑惑 Axes - Subplot - Axis 之间到底是个什么关系？
因为我是努力在看英文的教程，所以刚开始对axes和axis是基本搞不清的，一个是轴的复数，一个是轴，好像设定图像属性的时候经常用axes，具体到某个坐标轴的时候才会用axis。然后教程还说，subplot和axes基本就是一个意思。真是坑坑坑。。。
扛不住，翻了翻中文教程，好像有的教程就直接把axes翻译成子图了，好像这个世界就压根没有subplot和axes的区别。。看了半天，其实我还是觉得axes翻译成轴域比较贴切，下面就结合后来看到的各种教程来讲讲自己最后的理解。
1.1 先明确Figure的概念
1
2
3
4
import numpy as np
import matplotlib.pyplot as plt
fig = plt.figure()
plt.show()
我们先理清figure的概念。用画板和画纸来做比喻的话，figure就好像是画板，是画纸的载体，但是具体画画等操作是在画纸上完成的。在pyplot中，画纸的概念对应的就是Axes/Subplot。
1
2
3
4
fig = plt.figure()
ax = fig.add_subplot(111)
ax.set(xlim=[0.5, 4.5], ylim=[-2, 8], title='An Example Axes', ylabel='Y-Axis', xlabel='X-Axis')
plt.show()
所以就算我们只有一个子图，我们也可以生成一个subplot，然后来在对这个subplot对象进行各种轴、标注、刻度等的设定。
1.2 Axes 和 Subplot 的概念上细微的区别
1
2
3
4
fig = plt.figure()
ax1 = fig.add_subplot(211)
ax2 = fig.add_subplot(212)
plt.show()
第一个例子是用subplot()方法。
subplot()方法很好理解。里面传入的三个数字，前两个数字代表要生成几行几列的子图矩阵，底单个数字代表选中的子图位置。这个例子中我们生成了2行1列的子图矩阵。可以分别在两个subplot中画图。
1
2
3
4
fig = plt.figure()
ax3 = fig.add_axes([0.1, 0.1, 0.8, 0.8])
ax4 = fig.add_axes([0.72, 0.72, 0.16, 0.16])
plt.show()
第二个例子是用add_axes()方法。
我觉得轴域（Axes）的感念确实可以先理解成一些轴（Axis）的集合，当然这个集合还有很多轴（Axis）的属性，标注等等。我们用add_axes()方法生成一个轴域（Axes），括号里面的值前两个是轴域原点坐标（从左下角计算的），后两个是显示坐标轴的长度。当我们生成了轴域的时候，从结果上看确实是生成了一个可以画图的子图。我们可以分别在两个轴域（Axes）中画图。
对比两种方法，两种对象，我们可以总结总结：
- 两种对象确实是“你中有我，我中有你”的关系，生成子图（subplot）的时候，必然带着所谓的一套轴域（Axes）。而用轴域（Axes）方法，客观上就是生成了一个可以画图的子图。
- add_subplot()方法在生成子图过程，简单明了，而用add_axes()方法,则生成子图的灵活性更强，完全可以实现add_subplot()方法的功能，可以控制子图显示位置，甚至实现相互重叠的效果。例如：
2 Axes方法与pyplot函数
用野路子法，也就是直接看代码，不懂的就查文档，看别人的代码的时候，图像的的各种特性经常用两套方法实现，对学习过真是毁灭性打击。所以遇到模仿的瓶颈的时候，还是要找些教程看看。这里基本照搬翻译，https://github.com/matplotlib/AnatomyOfMatplotlib 教程中的Part1的 Axes methods vs. pyplot 一节。
1
2
3
plt.plot([1, 2, 3, 4], [10, 20, 25, 30], color='lightblue', linewidth=3)
plt.xlim(0.5, 4.5)
plt.show()
1
2
3
4
5
fig = plt.figure()
ax = fig.add_subplot(111)
ax.plot([1, 2, 3, 4], [10, 20, 25, 30], color='lightblue', linewidth=3)
ax.set_xlim(0.5, 4.5)
plt.show()
本次画图涉及到的两步操作，画图和设定x轴的显示范围，分别用前后两种方法实现。
第一种，调用了pyplot中的 plot() 函数和 xlim() 函数,
第二种，使用了生成的Subplot对象的两种方法 .plot 和 .set_xlim方法。
实际上，实现整个画图过程可以用两套工具来分别实现，其实这也是贯穿整个python编程的两种思路，函数式编程和对象式编程。我们在这里可以比较一下两套工具的优缺点：
- 以 plot() 为代表的函数式操作，表达简洁，但是没有体现出真正画图的实现过程，例如甚至当没有搞清楚Figure Axes Subplot 等概念的时候，依然可以轻松的用pyplot函数画图。当子图较多的时候，对子图的操作容易陷入混乱，因为从代码上并不能字节观察出到底在操作那张子图。
- 以 .plot 为代表的对象式操作，表达明确，分步生成 Figure 和 Axes/Subplot，操作过程直接可以看出是在那张子图上操作。但是缺点就是，需要写的代码比较多，不够简洁。
这里要吐槽一下我看的这个教程，作者提出了在 PEP20 中，“Python之道”（The Zen of Python）提到了“明了胜于晦涩”（Explicit is better than implicit），所以作者在整个教程中都是使用了对象式的方法。但是其实”Python之道“的下一句就是“简洁胜于复杂”（Complex is better than complicated）。
所以，还是看你的使用场景，假如不需要画子图的时候，用一用简单的pyplot方法也没什么不好。但是初学者最好还是能够坚持先使用Axes对象属性的方法，这样对于画图的实现过程可以加深理解。
后记
函数式操作中，如果需要访问 axes 对象以调用高级属性，可以采用 gca() 函数（get current，例如
1
2
ax = plt.gca()
ylim_abs = abs(max(ax.get_ylim(), key=abs))
参考资料：
- https://github.com/matplotlib/AnatomyOfMatplotlib Github上的教程
- https://www.datacamp.com/community/tutorials/matplotlib-tutorial-python#gs.alh6j1c Datacamp中带运行环境的教程