matplotlib数据可视化为何推荐使用面向对象的绘图方式

接口设计的底层逻辑 #

matplotlib官方提供了两套完全兼容的绘图API：

• 基于状态机的pyplot高层快捷接口：也就是你提到的直接调用plt.plot()的方式，本质是对底层面向对象接口的封装。当你没有显式声明画布、坐标轴时，它会自动在后台创建全局唯一的当前激活Figure和Axes对象，所有操作都默认作用在这个激活对象上，适合快速绘制简单单图的场景。
• 原生面向对象接口：显式创建figure()实例、调用add_axes()/add_subplot()生成坐标轴对象再绘图的方式，是matplotlib的原生实现逻辑，所有pyplot的快捷方法最终都会调用这套接口的对应方法。

不存在“必须用面向对象方式才能绘图”的要求，两种方式适用的场景不同，复杂绘图场景下更推荐用显式的面向对象实现。 #

面向对象绘图方式的核心优势 #

• 精准的元素控制能力：你可以独立操作任意Figure下的任意Axes对象，灵活调整每个坐标轴的位置、尺寸、刻度样式、标签格式，甚至可以自定义嵌套坐标轴、不规则位置的子图，这些是依赖全局状态的pyplot快捷方式很难实现的。
• 多画布/多子图管理无歧义：当你需要同时生成多个独立画布、或者同一张画布上存在多个子图时，通过实例变量区分不同的画布、坐标轴，完全避免pyplot接口中“当前激活对象切换”带来的误操作问题，不会出现想给A图加标题结果加到B图上的低级错误。
• 代码可复用性更强：你可以把绘图逻辑封装成独立函数，通过传入Axes实例的方式复用同一套绘图逻辑，不需要依赖pyplot的全局状态，非常适合工程化的代码场景。
• 复杂布局适配成本更低：配合GridSpec等布局工具，可以精准控制不规则网格布局下每个子图的跨列、跨行规则，调整布局时只需要修改坐标轴的创建参数，不需要改动核心绘图逻辑。

简单场景示例：在同一张画布上叠加主图和缩略直方图

import matplotlib.pyplot as plt
# 显式创建画布实例
fig = plt.figure()
# 创建主坐标轴，参数为[左边界, 下边界, 宽度, 高度]，取值范围为画布相对比例0~1
ax_main = fig.add_axes([0.1, 0.1, 0.8, 0.8])
ax_main.plot([1,2,3], [4,5,6], label='主折线')
ax_main.legend()
# 创建右上角嵌套的小坐标轴
ax_sub = fig.add_axes([0.6, 0.6, 0.25, 0.25])
ax_sub.hist([1,1,2,2,2,3,3], bins=3)

内容的提问来源于stack exchange，提问作者Shyam