为何plt.figure(figsize)无法按预期放大2×2子图？

嘿，我来帮你搞清楚为什么你的绘图尺寸设置没生效～

你的代码里的问题其实很直观：你是在创建好子图画布之后才调用plt.figure()，这时候它生成的是一个全新的空白画布，和你用来画4张子图的那个画布完全没关系。

具体拆解一下：

• 当你执行fig, ax = plt.subplots(nrows=2, ncols=2)时，Matplotlib已经按照rcParams里的默认尺寸创建了一个画布（就是那个fig对象），同时生成了对应的2×2子图轴。
• 之后的plt.figure(figsize=2 * np.array(plt.rcParams['figure.figsize']))是重新创建了一个独立的新画布，这个画布根本没被用来绘图——你后续所有的散点图都是画在第一个fig的子图上的，最后plt.show()显示的也是第一个画布，所以你设置的放大尺寸完全没作用在目标图上。

方案1：创建子图时直接指定尺寸 #

最省心的方式，在调用plt.subplots()的时候就把figsize参数传进去，这样一开始就生成你想要的大尺寸画布：

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from sklearn.cluster import KMeans
%config InlineBackend.figure_format = 'svg' # 用SVG提升画质

don = pd.read_csv('https://raw.githubusercontent.com/leanhdung1994/Deep-Learning/main/donclassif.txt.gz', sep=';')
# 这里直接设置figsize，沿用你原来的放大逻辑
fig, ax = plt.subplots(nrows=2, ncols=2, figsize=2 * np.array(plt.rcParams['figure.figsize']))

for row in ax:
    for col in row:
        kmeans = KMeans(n_clusters=4)
        kmeans.fit(don)
        y_kmeans = kmeans.predict(don)
        col.scatter(don['V1'], don['V2'], c=y_kmeans, cmap='viridis')
        centers = kmeans.cluster_centers_
        col.scatter(centers[:, 0], centers[:, 1], c='red', s=200, alpha=0.5);
plt.show()

方案2：修改已创建画布的尺寸 #

如果你已经创建了fig对象，也可以通过set_size_inches()方法直接修改它的尺寸：

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from sklearn.cluster import KMeans
%config InlineBackend.figure_format = 'svg'

don = pd.read_csv('https://raw.githubusercontent.com/leanhdung1994/Deep-Learning/main/donclassif.txt.gz', sep=';')
fig, ax = plt.subplots(nrows=2, ncols=2)
# 修改已有画布的尺寸
fig.set_size_inches(2 * np.array(plt.rcParams['figure.figsize']))

for row in ax:
    for col in row:
        kmeans = KMeans(n_clusters=4)
        kmeans.fit(don)
        y_kmeans = kmeans.predict(don)
        col.scatter(don['V1'], don['V2'], c=y_kmeans, cmap='viridis')
        centers = kmeans.cluster_centers_
        col.scatter(centers[:, 0], centers[:, 1], c='red', s=200, alpha=0.5);
plt.show()

顺便提一句：你的代码里每次循环都重新训练一遍KMeans，其实完全没必要——因为数据是固定的，重复训练不仅浪费时间，还可能因为KMeans的随机初始化导致子图的聚类结果略有差异。可以把训练步骤提到循环外面，还能加上random_state保证结果稳定：

# 把KMeans训练移到循环外
kmeans = KMeans(n_clusters=4, random_state=42) # random_state固定随机种子
kmeans.fit(don)
y_kmeans = kmeans.predict(don)
centers = kmeans.cluster_centers_

for row in ax:
    for col in row:
        col.scatter(don['V1'], don['V2'], c=y_kmeans, cmap='viridis')
        col.scatter(centers[:, 0], centers[:, 1], c='red', s=200, alpha=0.5);

内容的提问来源于stack exchange，提问作者Akira