Matplotlib与Pandas绘图差异解析及2×2子图绘制指南

一、核心差异梳理 #

1. 调用形式区别 #

• Matplotlib是函数式+面向对象双接口：plt.method()是快捷函数调用，默认复用当前活跃的轴对象；Pandas的df.method()是基于Matplotlib做的高层封装，直接绑定DataFrame的列数据，省去手动提取数据的步骤，适合快速可视化表格数据。
• 本质：Pandas绘图是“偷懒版”Matplotlib，底层还是调用Matplotlib的绘图逻辑，但帮你做了数据适配；Matplotlib则更灵活，能精细控制从画布到坐标轴的每一个元素。

2. 何时用fig, ax = plt.subplots() #

只要涉及以下场景，就必须显式创建画布（fig）和轴（ax）对象：

• 需要多子图布局（比如你要的2×2子图）
• 需要单独控制某一个子图的标题、坐标轴、样式
• 要自定义画布的大小、分辨率、背景等参数
  如果只是画单张简单图表，用plt.hist()或df.hist()都可以不用显式创建，但复杂场景下显式管理轴对象会让代码逻辑更清晰。

二、三种方式实现2×2直方图子图 #

假设你的DataFrame名为df，包含col1、col2、col3、col4四列数据，以下是三种实现方式：

1. 纯Matplotlib方式 #

手动提取每列数据，逐个绑定到子图：

import matplotlib.pyplot as plt
import pandas as pd

# 创建2×2的画布和轴对象
fig, axes = plt.subplots(2, 2, figsize=(10, 8))
# 把2维轴数组转成一维，方便遍历
axes = axes.flatten()

cols = ['col1', 'col2', 'col3', 'col4']
for ax, col in zip(axes, cols):
    # 手动提取列数据，调用Matplotlib的hist方法
    ax.hist(df[col], bins=15, edgecolor='black')
    ax.set_title(f'{col} 直方图')
    ax.set_xlabel(col)
    ax.set_ylabel('频数')

# 自动调整子图间距，避免重叠
plt.tight_layout()
plt.show()

2. 纯Pandas方式 #

利用Pandas内置的hist方法自动处理子图布局：

import pandas as pd
import matplotlib.pyplot as plt

# 直接调用DataFrame的hist方法，指定布局参数
fig, axes = df[['col1', 'col2', 'col3', 'col4']].hist(
    bins=15, edgecolor='black', figsize=(10, 8), layout=(2, 2)
)

# 可选：遍历轴对象修改标题
for ax, col in zip(axes.flatten(), cols):
    ax.set_title(f'{col} 直方图')

plt.tight_layout()
plt.show()

说明：Pandas的hist()会自动创建画布和轴，你也可以提前创建后通过ax参数指定，但纯Pandas方式就是让它自动处理布局逻辑。

3. 混合方式 #

手动创建画布和轴，用Pandas的绘图方法绑定到指定子图：

import matplotlib.pyplot as plt
import pandas as pd

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

cols = ['col1', 'col2', 'col3', 'col4']
for ax, col in zip(axes, cols):
    # 用Pandas的hist方法，通过ax参数绑定到指定子图
    df[col].hist(bins=15, edgecolor='black', ax=ax)
    ax.set_title(f'{col} 直方图')
    ax.set_xlabel(col)

plt.tight_layout()
plt.show()

这种方式兼顾Pandas的便捷性（不用手动提取数据）和Matplotlib的布局可控性。

三、Seaborn是否更易用？ #

绝对是。Seaborn是基于Matplotlib的统计可视化专用封装，语法更简洁，默认样式更专业，处理多变量、子图布局的效率极高，尤其适合ISLP这类统计教材的习题场景。

比如实现同样的2×2直方图，Seaborn的代码是：

import seaborn as sns
import pandas as pd

# 先把宽格式DataFrame转成长格式（Seaborn偏好的输入格式）
df_long = df.melt(value_vars=['col1', 'col2', 'col3', 'col4'], var_name='列名', value_name='数值')

# 一行代码生成2×2子图直方图
sns.displot(
    data=df_long, x='数值', col='列名', col_wrap=2,
    kind='hist', bins=15, edgecolor='black', height=4, aspect=1.2
)
plt.tight_layout()
plt.show()

优势：

• 不用手动遍历轴对象，通过col_wrap参数自动控制子图数量
• 自动生成统一的标题、坐标轴标签
• 默认样式比Matplotlib/Pandas的原生样式美观得多，不用额外调整
• 统计可视化功能更丰富，比如加核密度曲线、分组对比等都很方便

内容的提问来源于stack exchange，提问作者GT87