Matplotlib: как контролировать размеры и отступы на графиках

Для кого эта статья:

• Специалисты по анализу данных и визуализации
• Студенты и начинающие программисты в области Python и Matplotlib

• Профессионалы, желающие улучшить навыки настройки графиков и визуализаций данных

  Создание информативных и эстетичных визуализаций в Matplotlib часто упирается в борьбу с отступами, размерами и расположением графиков. Знакомая картина: обрезанные подписи осей, накладывающиеся друг на друга легенды и графики, которые либо непропорционально растянуты, либо сжаты до нечитаемости. Сталкивались с этим? Я тоже. Правильная настройка размеров и расстояний между графиками не просто делает визуализации привлекательнее — она повышает их информативность и эффективность в передаче данных. Давайте разберем, как подчинить себе эту часть Matplotlib и перестать тратить часы на выравнивание элементов. 🚀

Стремитесь создавать профессиональные визуализации данных и эффективно настраивать графики в Matplotlib? Наш курс Обучение Python-разработке от Skypro включает глубокое погружение в визуализацию данных с применением Matplotlib, Seaborn и других библиотек. Вы научитесь не только базовым настройкам, но и продвинутым техникам создания интерактивных дашбордов, которые впечатлят ваше руководство и заказчиков.

Основные инструменты настройки размеров графиков Matplotlib

Библиотека Matplotlib предоставляет ряд инструментов для контроля размеров и расположения графиков. Знание этих инструментов — фундаментальный навык для создания профессиональных визуализаций. 📊

Основными объектами, с которыми предстоит работать, являются:

• Figure — контейнер верхнего уровня, содержащий все элементы графика;
• Axes — отдельная область построения графика с осями;
• Subplot — особый случай Axes, расположенный в сетке.

Для управления размерами и расстояниями между графиками используются следующие функции и параметры:

Эти инструменты дают возможность тонко настраивать каждый аспект визуализации. Рассмотрим их более детально, с примерами кода и практическими рекомендациями.

Александр Петров, старший аналитик данных Работая над проектом по анализу финансовых временных рядов для крупного банка, я столкнулся с задачей разместить 12 графиков на одном листе для ежемесячного отчета. Поначалу это выглядело кошмарно — подписи осей налезали друг на друга, графики были слишком мелкими, а о читабельности легенд можно было только мечтать. Первая моя ошибка заключалась в использовании стандартных размеров figure. Когда я увеличил размер до plt.figure(figsize=(18, 12)), ситуация улучшилась, но подписи всё ещё пересекались. Спасли меня параметры plt.subplots(gridspec_kw={'hspace': 0.4, 'wspace': 0.3}) — они добавили необходимые интервалы между графиками. Для финального шлифа я применил tight_layout() с небольшим увеличением отступов: plt.tight_layout(pad=2.0). Результат превзошел ожидания клиента настолько, что формат отчета был утвержден как стандарт для всего департамента аналитики.

Управление размерами с помощью figure() и figsize

Первый и самый базовый инструмент настройки размеров графика — это параметр figsize функции figure(). Он определяет общие размеры фигуры в дюймах и принимает кортеж из двух чисел: ширины и высоты. 📏

Базовое использование выглядит так:

import matplotlib.pyplot as plt
import numpy as np

# Создаем фигуру размером 10x6 дюймов
plt.figure(figsize=(10, 6))

# Генерируем данные
x = np.linspace(0, 10, 100)
y = np.sin(x)

# Строим график
plt.plot(x, y)
plt.title('Синусоида')
plt.xlabel('x')
plt.ylabel('sin(x)')

# Отображаем график
plt.show()

Важно понимать, что размер в дюймах не всегда соответствует размеру на экране или при экспорте — это зависит от параметра dpi (dots per inch, точек на дюйм):

# Создаем фигуру с высоким разрешением (300 dpi)
plt.figure(figsize=(10, 6), dpi=300)

Выбор правильного размера фигуры зависит от нескольких факторов:

• Количества отображаемой информации
• Пропорций данных (временные ряды часто требуют горизонтальных прямоугольников)
• Места размещения (презентация, научная статья, веб-сайт)
• Необходимости размещения нескольких графиков

При работе с несколькими графиками размер каждого Axes автоматически рассчитывается исходя из общего размера Figure и количества подграфиков. Но для более точного контроля лучше использовать subplots().

Также можно изменить размер уже созданной фигуры:

fig = plt.figure()
# ... какой-то код ...
fig.set_size_inches(10, 6)
# или
fig.set_figwidth(10)
fig.set_figheight(6)

Вот сравнительная таблица типичных размеров фигур для различных целей:

Помните, что правильно подобранный размер фигуры — это только первый шаг. Для профессиональных визуализаций необходимо также учитывать расстояния между графиками, о чем речь пойдёт далее.

Контроль расстояния между графиками через subplots()

Когда требуется разместить несколько графиков на одной фигуре, функция subplots() становится незаменимым инструментом. Она не только создает сетку подграфиков, но и предоставляет возможности для точного контроля расстояний между ними. 🔍

Базовый синтаксис функции выглядит так:

fig, axes = plt.subplots(nrows=2, ncols=3, figsize=(15, 8))

Этот код создает сетку из 2 строк и 3 столбцов графиков на фигуре размером 15×8 дюймов. Переменная axes содержит двумерный массив объектов Axes, которыми можно манипулировать индивидуально.

Для управления расстояниями между подграфиками существует параметр gridspec_kw, который принимает словарь с ключами hspace (горизонтальное пространство) и wspace (вертикальное пространство):

fig, axes = plt.subplots(
nrows=2, 
ncols=2, 
figsize=(10, 8),
gridspec_kw={'hspace': 0.3, 'wspace': 0.4}
)

Значения hspace и wspace указываются в долях от высоты/ширины подграфика. Например, hspace=0.3 означает, что вертикальное расстояние между графиками составляет 30% от высоты одного подграфика.

Для заполнения сетки данными можно использовать вложенные циклы:

# Создаем сетку 2x3
fig, axes = plt.subplots(2, 3, figsize=(15, 8), gridspec_kw={'hspace': 0.4, 'wspace': 0.3})

# Генерируем некоторые данные
x = np.linspace(0, 10, 100)

# Заполняем каждый подграфик
for i in range(2):
for j in range(3):
axes[i, j].plot(x, np.sin(x + i + j))
axes[i, j].set_title(f'График {i+1},{j+1}')
axes[i, j].set_xlabel('x')
axes[i, j].set_ylabel('y')

plt.show()

При работе с одномерной сеткой (одна строка или один столбец) важно помнить, что axes будет одномерным массивом:

# Создаем сетку 1x3 (одна строка, три столбца)
fig, axes = plt.subplots(1, 3, figsize=(15, 4))

# Обращаемся к осям через одномерный индекс
axes[0].plot(x, np.sin(x))
axes[1].plot(x, np.cos(x))
axes[2].plot(x, np.tan(x))

Если вам нужно создать подграфики с неравномерными размерами, то subplots() можно комбинировать с gridspec:

import matplotlib.gridspec as gridspec

fig = plt.figure(figsize=(10, 8))
gs = gridspec.GridSpec(2, 2, width_ratios=[2, 1], height_ratios=[1, 2])

ax0 = fig.add_subplot(gs[0, 0]) # Верхний левый
ax1 = fig.add_subplot(gs[0, 1]) # Верхний правый
ax2 = fig.add_subplot(gs[1, 0]) # Нижний левый
ax3 = fig.add_subplot(gs[1, 1]) # Нижний правый

В этом примере левая колонка будет в два раза шире правой, а нижний ряд в два раза выше верхнего.

Мария Сорокина, руководитель отдела визуализации данных Однажды мне поручили визуализировать результаты исследования пользовательского поведения для крупной образовательной платформы. Требовалось создать 8 графиков с различными метриками, которые должны были чётко показывать взаимосвязи и тренды. Я начала с создания сетки 2×4 через plt.subplots(2, 4, figsize=(20, 10)), но быстро обнаружила проблему: метрики с длинными подписями и легендами выглядели сжатыми, а информация была трудно читаемой. Решение пришло после экспериментов с параметрами расстояния. Я добавила gridspec_kw={'wspace': 0.5, 'hspace': 0.4} и увидела значительное улучшение. Но настоящий прорыв произошёл, когда я осознала, что не все графики требуют одинакового пространства. Переработав визуализацию с использованием GridSpec, я смогла выделить больше места для сложных графиков:

gs = gridspec.GridSpec(2, 4, width_ratios=[1\.5, 1, 1.5, 1], height_ratios=[1, 1.2])

Клиент был в восторге от результата, а методика стала частью нашего внутреннего стандарта по визуализации. Главный урок: равномерная сетка не всегда оптимальна — адаптируйте пространство под содержимое графиков.

Автоматическая оптимизация отступов с tight_layout()

Метод tight_layout() — один из самых полезных инструментов для автоматической настройки отступов в Matplotlib. Он анализирует содержимое графика и оптимизирует отступы так, чтобы все элементы (заголовки, метки осей, легенды) помещались в выделенное пространство без перекрытий. 🛠️

Самое простое использование выглядит так:

plt.figure(figsize=(10, 6))
plt.plot([1, 2, 3], [4, 5, 6])
plt.title('Мой график с длинным заголовком')
plt.xlabel('Ось X с подробным описанием')
plt.ylabel('Ось Y с ещё более подробным описанием')

# Автоматическая оптимизация отступов
plt.tight_layout()
plt.show()

Без tight_layout() длинные подписи осей могут выходить за границы фигуры или накладываться друг на друга, особенно при работе с несколькими подграфиками.

Метод tight_layout() также принимает параметры для тонкой настройки:

plt.tight_layout(
pad=1.5, # Отступ от края фигуры, в дюймах
h_pad=1.0, # Дополнительный горизонтальный отступ между подграфиками
w_pad=1.0, # Дополнительный вертикальный отступ между подграфиками
rect=[0, 0, 1, 0.95] # Прямоугольник (left, bottom, right, top) в пространстве фигуры
)

Параметр rect особенно полезен, если нужно оставить место для элементов за пределами основной области графиков, например, для общего заголовка или колонтитула.

При работе с subplots можно применять tight_layout() к объекту фигуры:

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

# Заполняем подграфики данными
for i in range(2):
for j in range(2):
axes[i, j].plot([1, 2, 3], [4, 5, 6])
axes[i, j].set_title(f'Подграфик {i+1},{j+1}')
axes[i, j].set_xlabel('X')
axes[i, j].set_ylabel('Y')

# Применяем tight_layout к фигуре
fig.tight_layout(pad=3.0)
plt.show()

Вот некоторые сценарии, когда tight_layout() особенно полезен:

• Графики с длинными метками осей или заголовками
• Множество подграфиков на одной фигуре
• Графики с легендами, расположенными вне осей
• Визуализации для презентаций, где важно максимизировать использование пространства
• Быстрое создание публикационного качества графиков без ручной настройки отступов

Однако у tight_layout() есть и ограничения:

В новых версиях Matplotlib также доступен альтернативный метод constrained_layout, который решает некоторые ограничения tight_layout():

fig, axes = plt.subplots(2, 2, figsize=(10, 8), constrained_layout=True)

Этот метод лучше работает со сложными макетами, но может быть медленнее для больших фигур с множеством элементов.

Точная настройка интервалов через subplots_adjust()

Когда автоматические методы настройки отступов недостаточно гибкие или не дают желаемого результата, на помощь приходит subplots_adjust(). Этот метод позволяет точно контролировать положение и размеры области построения графиков внутри фигуры. 🔧

Функция subplots_adjust() принимает следующие параметры:

• left — позиция левого края области графиков (0.0-1.0)
• right — позиция правого края области графиков (0.0-1.0)
• bottom — позиция нижнего края области графиков (0.0-1.0)
• top — позиция верхнего края области графиков (0.0-1.0)
• wspace — ширина пространства между соседними графиками по горизонтали
• hspace — высота пространства между соседними графиками по вертикали

Все параметры задаются в долях от размера фигуры для left, right, bottom, top и в долях от средней ширины/высоты подграфиков для wspace/hspace.

Рассмотрим базовый пример использования:

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

# Заполняем подграфики данными
for i in range(2):
for j in range(2):
axes[i, j].plot([1, 2, 3], [4, 5, 6])
axes[i, j].set_title(f'Подграфик {i+1},{j+1}')

# Точная настройка отступов
plt.subplots_adjust(
left=0.1, # 10% от ширины фигуры слева
right=0.9, # 10% от ширины фигуры справа
bottom=0.1, # 10% от высоты фигуры снизу
top=0.9, # 10% от высоты фигуры сверху
wspace=0.4, # 40% от средней ширины подграфиков между ними по горизонтали
hspace=0.4 # 40% от средней высоты подграфиков между ними по вертикали
)

plt.show()

Этот метод особенно полезен в следующих случаях:

1. Когда нужно выделить место для крупной общей легенды
2. При создании графиков с асимметричными отступами
3. Для точного позиционирования элементов при подготовке публикации
4. При работе с несколькими графиками с разным количеством информации
5. Для создания специализированных макетов, которые не поддерживаются автоматическими методами

Метод subplots_adjust() можно вызывать как для объекта фигуры, так и через интерфейс pyplot:

# Вариант 1: через объект фигуры
fig, axes = plt.subplots(2, 2)
fig.subplots_adjust(wspace=0.5, hspace=0.5)

# Вариант 2: через pyplot
plt.figure()
plt.subplot(221) # 2 строки, 2 столбца, позиция 1
plt.plot([1, 2, 3])
# ... добавляем ещё подграфики
plt.subplots_adjust(wspace=0.5, hspace=0.5)

Также возможно комбинирование subplots_adjust() с другими методами настройки для достижения оптимального результата:

# Сначала применяем tight_layout для базовой оптимизации
plt.tight_layout()

# Затем тонко настраиваем конкретные параметры
plt.subplots_adjust(top=0.9) # Освобождаем место для общего заголовка
plt.suptitle('Общий заголовок для всех подграфиков', fontsize=16)

Для создания специфических макетов с неравномерным распределением графиков можно сочетать subplots_adjust() с GridSpec:

import matplotlib.gridspec as gridspec

fig = plt.figure(figsize=(12, 8))
gs = gridspec.GridSpec(2, 3)

# Создаем графики разных размеров
ax1 = fig.add_subplot(gs[0, :2]) # Верхний ряд, первые два столбца
ax2 = fig.add_subplot(gs[0, 2]) # Верхний ряд, третий столбец
ax3 = fig.add_subplot(gs[1, :]) # Нижний ряд, все столбцы

# Настраиваем отступы между графиками
gs.update(wspace=0.3, hspace=0.3)

Преимущество subplots_adjust() в том, что вы получаете полный контроль над расположением, но это также означает, что все настройки нужно выполнять вручную, что может требовать множества итераций для достижения идеального результата.

Создание эффективных визуализаций данных в Matplotlib — это искусство баланса между автоматизацией и точным контролем. Изученные инструменты дают вам полный спектр возможностей: от быстрой автоматической оптимизации с помощью tight_layout() до детальной настройки каждого миллиметра пространства через subplots_adjust(). Выбирая правильный инструмент для конкретной задачи и понимая взаимодействие между размерами фигуры, подграфиками и их содержимым, вы сможете создавать профессиональные визуализации, которые эффективно передают суть данных без технических артефактов. Не бойтесь экспериментировать с параметрами — только так можно найти идеальную комбинацию настроек для каждого проекта.