今天分享一个比较实用的多子图绘制方法，由于气象科研中经常需要将多图拼成组图，并且需要将多种类型的图拼在一起(比如EOF，将填色图和折线图拼在一起)，虽说在前几篇文章均有子图的设置代码，但是并未做过多讲解，我所用的方法与matplotlib官方库提供的例子也有些不同，今天便详细分析一下我所使用的方法和官方提供的方法的差异。
随便找到了一张我之前画过的组图
可以看到，该组图的组合较为随意，是两张填色图，两张折线图的组合，并且对两张填色图设置了统一色标。然而这样的子图组合方式，在matplotlib的例子中并未直接给出。
官方关于组图提供了多种方法，然而常见的方法如下：
首先给出官方的第一种方法：
ax1 = plt.subplot(212)
ax2 = plt.subplot(221)
ax3 = plt.subplot(222)
plt.show()
plt.subplot(xyz)
通过该语句控制子图的数量和位置，x为子图行数，y为子图列数，z为索引号，从左到右从上到下，如果用来绘制同样属性，同样大小的多个子图的组图，用此方法十分方便，比如：
https://matplotlib.org/gallery/lines_bars_and_markers/scatter_star_poly.html#sphx-glr-gallery-lines-bars-and-markers-scatter-star-poly-py
然而，比如说一堆一样的子图中出了一个叛徒
import numpy as np
import matplotlib.pyplot as plt
np.random.seed(19680801)
x = np.random.rand(10)
y = np.random.rand(10)
z = np.sqrt(x**2 + y**2)
plt.subplot(321)
plt.scatter(x, y, s=80, c=z, marker=">")
plt.subplot(322)
plt.scatter(x, y, s=80, c=z, marker=(5, 0))
verts = np.array([[-1, -1], [1, -1], [1, 1], [-1, -1]])
plt.subplot(323)
plt.scatter(x, y, s=80, c=z, marker=verts)
plt.subplot(324)
plt.scatter(x, y, s=80, c=z, marker=(5, 1))
plt.subplot(325)
plt.scatter(x, y, s=80, c=z, marker='+')
plt.subplot(326)
plt.scatter(x, y, s=80, c=z, marker=(5, 2))
plt.colorbar()
plt.show()
给每一个子图都添加一个色标显得很累赘，通常文献中此类图共享一个色标，因此，当我们给最后一个子图添加色标时，便出现了这样的问题：
不管是不是强迫症都难受死了，或许有人说，干嘛单独给一个子图添加色标，可以给整个画布添加色标呀，但是比如说你时将两类图拼在一起，那么给每类图的子图添加色标就十分必要了，因此在这种情况下，这个方法是不适用的。同样，官方的另一个例子用这种方法也是不合适的：
gridspec.GridSpec()
详见：https://matplotlib.org/gallery/subplots_axes_and_figures/align_labels_demo.html#sphx-glr-gallery-subplots-axes-and-figures-align-labels-demo-py
以上两种方法我再最初使用后难以忍受，曾经一度想python处理数据，ncl绘图，后来偶然的发现了一种方法，可以十分自由的定义子图。
fig = plt.figure(figsize=(12,7))
首先创建画图，接着使用
a = fig.add_axes([x, y, i, j])
来创建第一个子图，其中x,y是该子图在画布中的坐标，i,j是该子图的宽和高。坐标相对于画布，可以理解为直角坐标系的第一象限，用图直观的看就是：
那多个子图则是：
a = fig.add_axes([x1, y1, i1, j1])
b = fig.add_axes([x2, y2, i2, j2])
c = fig.add_axes([x3, y3, i3, j3])
以此类推，麻烦的点在于需要不断调整坐标位置及子图的宽高，但是这也正是该方法的自由之处，你可以任意规划你的组图配置，这种方法在jupyter notebook上操作更是方便至极。
现在我给出本文一开始展示的图片的部分代码，数据部分略过了，只展示关键的画图部分。
#设置填色图投影方式，以及地图边界
proj = ccrs.PlateCarree(central_longitude=80)
leftlon, rightlon, lowerlat, upperlat = (10,140,20,70)
img_extent = [leftlon, rightlon, lowerlat, upperlat]
#建立画布
fig2 = plt.figure(figsize=(15,15))
#添加第一个子图，左上角图，注意c1是填色图图层
f2_ax1 = fig2.add_axes([0.1, 0.24, 0.5, 0.5],projection = proj)
contour_map(f2_ax1,img_extent,10)
f2_ax1.set_title('(a)',loc='left')
f2_ax1.set_title( '%.2f%%' % (var[0]*100),loc='right')
f2_ax1.add_feature(cfeature.OCEAN,alpha=1,facecolor='w', zorder=1)
f2_ax1.add_feature(cfeature.COASTLINE.with_scale('50m'), zorder=2)
c1 = f2_ax1.contourf(lon_region,lat_region, eof[0,:,:], levels=np.arange(-0.9,1.0,0.1), zorder=0, extend = 'both', transform=ccrs.PlateCarree(), cmap=plt.cm.RdBu_r)
#添加第二个子图，右上角图，注意c3是填色图图层，要使用统一色标，需C3和C1的levels相同
f2_ax2 = fig2.add_axes([0.65, 0.24, 0.5, 0.5],projection = proj)
contour_map(f2_ax2,img_extent,10)
f2_ax2.set_title('(b)',loc='left')
f2_ax2.set_title( '%.2f%%' % (var[1]*100),loc='right')
f2_ax2.add_feature(cfeature.OCEAN,alpha=1,facecolor='w', zorder=1)
f2_ax2.add_feature(cfeature.COASTLINE.with_scale('50m'), zorder=2)
c3 = f2_ax2.contourf(lon_region,lat_region, eof[1,:,:], levels=np.arange(-0.9,1.0,0.1), zorder=0, extend = 'both', transform=ccrs.PlateCarree(), cmap=plt.cm.RdBu_r)
#添加第三个子图，左下角图
f2_ax3 = fig2.add_axes([0.1, 0.1, 0.5, 0.2])
f2_ax3.set_title('(c)',loc='left')
plt.ylim(-4,4)
f2_ax3.axhline(0,linestyle="--")
f2_ax3.bar(years,pc[:,0],color=color1)
f2_ax3.plot(years,pc2[:,0],color="b")
#添加第四个子图，左下角图
f2_ax4 = fig2.add_axes([0.65, 0.1, 0.5, 0.2])
f2_ax4.set_title('(d)',loc='left')
plt.ylim(-4,4)
f2_ax4.axhline(0,linestyle="--")
f2_ax4.bar(years,pc[:,1],color=color2)
f2_ax4.plot(years,pc2[:,1],color="b")
#添加色标，position定义色标位置，c1指定从c1填色图层取色，由于C3,C1的levles相同，所以色标一致，orientation设置色标为水平还是垂直，format设置色标标签格式
position=fig2.add_axes([0.38, 0.33, 0.5, 0.017])
fig2.colorbar(c1,cax=position,orientation='horizontal',format='%.1f',)
plt.show()
再次展示绘图效果方便对比：
可以看到该方法可以定义任意部分的位置，使得子图的拼接更加自由，同样需要注意的是，填色图的宽度高度是0.5,0.5，而折线图的高度是0.5,0.2，然而画出来的效果却是差不多的，这是由于填色图叠加了地图底图，坐标经过了投影换算，因此存在差异，因此具体的每个子图的大小和位置是需要不断调整得出的。
