{"id":2554,"date":"2026-10-14T18:00:54","date_gmt":"2026-10-14T18:00:54","guid":{"rendered":"http:\/\/french.arabpsychology.com\/statistics\/comment-ajuster-taille-sous-graphiques-matplotlib\/"},"modified":"2026-10-14T18:00:54","modified_gmt":"2026-10-14T18:00:54","slug":"comment-ajuster-taille-sous-graphiques-matplotlib","status":"publish","type":"psych_stat","link":"https:\/\/french.arabpsychology.com\/?psych_stat=comment-ajuster-taille-sous-graphiques-matplotlib","title":{"rendered":"Comment ajuster la taille des sous-graphiques dans Matplotlib"},"content":{"rendered":"

Dans le domaine de la visualisation de donn\u00e9es scientifiques et de l’ing\u00e9nierie logicielle avec l’\u00e9cosyst\u00e8me Python, la biblioth\u00e8que Matplotlib<\/a> s’est impos\u00e9e comme le standard de r\u00e9f\u00e9rence pour la production de repr\u00e9sentations graphiques publiables et rigoureuses. Toutefois, la transition d’un trac\u00e9 \u00e9l\u00e9mentaire unique vers une composition visuelle multi-panneaux complexe met imm\u00e9diatement \u00e0 l’\u00e9preuve les comp\u00e9tences du praticien. L’agencement spatial au sein d’une figure composite ne r\u00e9pond pas uniquement \u00e0 des exigences esth\u00e9tiques arbitraires ; il s’agit d’un probl\u00e8me fondamental de communication scientifique o\u00f9 chaque sous-graphique doit poss\u00e9der une emprise g\u00e9om\u00e9trique pr\u00e9cis\u00e9ment corr\u00e9l\u00e9e \u00e0 son importance informationnelle, \u00e0 la nature de ses donn\u00e9es et \u00e0 la lisibilit\u00e9 de ses axes.<\/p>\n

Le dimensionnement inad\u00e9quat des sous-graphiques engendre fr\u00e9quemment des pathologies visuelles s\u00e9v\u00e8res : chevauchement des \u00e9tiquettes de graduation, compression ind\u00e9sirable des ratios d’aspect des courbes, perte de r\u00e9solution des structures fines dans les trac\u00e9s de s\u00e9ries temporelles ou rel\u00e9gation d’encarts critiques \u00e0 des zones p\u00e9riph\u00e9riques illisibles. La ma\u00eetrise fine des m\u00e9canismes d’ajustement spatial requiert ainsi une compr\u00e9hension approfondie du mod\u00e8le d’objets sous-jacent \u00e0 Matplotlib, ainsi que des algorithmes de r\u00e9solution g\u00e9om\u00e9trique qui gouvernent le positionnement des zones de trac\u00e9, qu’il s’agisse de calculs d\u00e9terministes d\u00e9claratifs ou de syst\u00e8mes de contraintes dynamiques.<\/p>\n

Ce guide exhaustif a pour vocation d’analyser en profondeur les principes, les m\u00e9thodes et les strat\u00e9gies avanc\u00e9es permettant de configurer, moduler et optimiser la dimension des sous-graphiques dans Matplotlib. Des primitives g\u00e9om\u00e9triques globales aux gestionnaires de grilles modulaires les plus sophistiqu\u00e9s, nous explorerons les fondements math\u00e9matiques, les structures de code orient\u00e9es objet et les meilleures pratiques typographiques n\u00e9cessaires pour concevoir des figures scientifiques d’une clart\u00e9 irr\u00e9prochable, conformes aux exigences les plus strictes des revues acad\u00e9miques internationales.<\/p>\n

1. Introduction aux principes fondamentaux de la mise en page dans Matplotlib<\/h2>\n

L’organisation spatiale d’une visualisation complexe sous Matplotlib repose sur un paradigme de conception hi\u00e9rarchique et orient\u00e9 objet. Avant de manipuler les dimensions relatives ou absolues des composantes graphiques, il est imp\u00e9ratif d’assimiler les distinctions fondamentales qui structurent le canevas de rendu et la mani\u00e8re dont les coordonn\u00e9es spatiales sont r\u00e9solues par le moteur de trac\u00e9.<\/p>\n

1.1 Architecture graphique : distinction entre Figure et Axes<\/h3>\n

L’architecture interne de Matplotlib s’articule autour d’une s\u00e9paration conceptuelle nette entre deux entit\u00e9s fondamentales : l’objet Figure<\/code> et l’objet Axes<\/code>. L’objet Figure<\/code> constitue le conteneur englobant, l’espace physique ou virtuel dans lequel l’int\u00e9gralit\u00e9 du rendu prend forme. Il correspond \u00e0 la page blanche, au canevas global, d\u00e9fini par des dimensions physiques en pouces et une r\u00e9solution sp\u00e9cifique exprim\u00e9e en points par pouce. La Figure<\/code> supervise les \u00e9v\u00e9nements d’interaction, g\u00e8re les sous-\u00e9l\u00e9ments textuels globaux tels que le super-titre et coordonne l’exportation vers diff\u00e9rents moteurs de rendu graphique vectoriels ou matriciels.<\/p>\n

En contrepartie, l’objet Axes<\/code> repr\u00e9sente l’unit\u00e9 \u00e9l\u00e9mentaire de restitution des donn\u00e9es. Il ne doit pas \u00eatre confondu avec le terme pluriel d\u00e9signant les axes g\u00e9om\u00e9triques individuels (les objets Axis<\/code>), car un Axes<\/code> correspond \u00e0 la zone d\u00e9limit\u00e9e par un rep\u00e8re de coordonn\u00e9es dans laquelle les lignes, les nuages de points, les histogrammes et les surfaces sont projet\u00e9s. Un objet Figure<\/code> peut h\u00e9berger une pluralit\u00e9 d’objets Axes<\/code>, positionn\u00e9s de mani\u00e8re contigu\u00eb, empil\u00e9s ou distribu\u00e9s selon des configurations g\u00e9om\u00e9triques asym\u00e9triques. La clart\u00e9 cognitive d’une visualisation d\u00e9pend directement de la surface allou\u00e9e \u00e0 chaque Axes<\/code> sur le canevas conteneur.<\/p>\n

Lorsque les dimensions de la Figure<\/code> sont mal calibr\u00e9es par rapport au nombre et \u00e0 la complexit\u00e9 des Axes<\/code> qu’elle contient, des distorsions cognitives majeures apparaissent. Des axes trop exigus obligent le syst\u00e8me de rendu \u00e0 compresser les intervalles de donn\u00e9es, alt\u00e9rant la pente per\u00e7ue des tendances lin\u00e9aires et masquant les bruits de haute fr\u00e9quence ou les singularit\u00e9s locales. Inversement, une surface excessivement dilu\u00e9e dilue l’attention de l’observateur et r\u00e9duit la densit\u00e9 d’information par unit\u00e9 de surface, contrevenant aux principes fondateurs d’efficacit\u00e9 visuelle formul\u00e9s par Edward Tufte dans la litt\u00e9rature s\u00e9miologique contemporaine.<\/p>\n

1.2 Typologie des m\u00e9thodes de dimensionnement disponibles<\/h3>\n

Face \u00e0 la diversit\u00e9 des besoins analytiques, Matplotlib met \u00e0 la disposition des d\u00e9veloppeurs et des chercheurs un \u00e9ventail gradu\u00e9 de m\u00e9canismes de dimensionnement spatial. La m\u00e9thode la plus \u00e9l\u00e9mentaire repose sur le param\u00e8tre figsize<\/code>, configur\u00e9 lors de l’instanciation de la figure, qui \u00e9tablit l’enveloppe globale \u00e0 l’int\u00e9rieur de laquelle les sous-graphiques sont traditionnellement r\u00e9partis de mani\u00e8re uniforme. Bien que suffisante pour les grilles sym\u00e9triques simples, cette approche montre ses limites d\u00e8s lors que l’analyste souhaite conf\u00e9rer un poids visuel pr\u00e9pond\u00e9rant \u00e0 une variable sp\u00e9cifique ou int\u00e9grer des visualisations de natures h\u00e9t\u00e9rog\u00e8nes.<\/p>\n

Pour d\u00e9passer l’uniformit\u00e9 g\u00e9om\u00e9trique sans complexifier excessivement le code, l’argument gridspec_kw<\/code> permet d’injecter des dictionnaires de configuration spatiale directement au sein de la fonction d’aide plt.subplots<\/code>. Par ce biais, il devient possible de moduler les ratios de largeur et de hauteur des rang\u00e9es et colonnes sans quitter le paradigme d\u00e9claratif compact. Cette technique constitue une passerelle \u00e9l\u00e9gante entre les trac\u00e9s rapides et la mise en page d’ing\u00e9nierie visuelle.<\/p>\n

Lorsque la structure de mise en page requiert des fusions de cellules, des sous-ensembles imbriqu\u00e9s ou des d\u00e9calages d’alignement non lin\u00e9aires, l’utilisation explicite de la classe GridSpec<\/code> s’av\u00e8re indispensable. Ce constructeur avanc\u00e9 dissocie la g\u00e9om\u00e9trie abstraite de la grille de l’instanciation r\u00e9elle des axes, offrant un contr\u00f4le microm\u00e9trique sur le maillage. Enfin, des primitives de positionnement absolu telles que add_axes<\/code> permettent d’outrepasser toute logique de grille pour ins\u00e9rer des axes arbitraires en coordonn\u00e9es normalis\u00e9es, r\u00e9pondant ainsi aux exigences de trac\u00e9s personnalis\u00e9s comme les encarts grossissants ou les indicateurs d’\u00e9chelle sp\u00e9cifiques.<\/p>\n

2. Configuration globale des dimensions via le param\u00e8tre figsize<\/h2>\n

L’ajustement global constitue la premi\u00e8re \u00e9tape critique de tout pipeline de visualisation. Avant d’orchestrer la variabilit\u00e9 relative des sous-graphiques individuels, il est essentiel de dimensionner l’enveloppe matricielle globale afin d’\u00e9tablir un espace de rendu adapt\u00e9 au volume de donn\u00e9es et au support de diffusion pr\u00e9vu.<\/p>\n

2.1 Fonctionnement et unit\u00e9s de mesure de figsize<\/h3>\n

Le param\u00e8tre figsize<\/code>, accessible via les fonctions plt.figure()<\/code> ou plt.subplots()<\/code>, attend un tuple de deux valeurs num\u00e9riques \u00e0 virgule flottante qui sp\u00e9cifient respectivement la largeur et la hauteur du canevas. Dans la convention historique de Matplotlib, h\u00e9rit\u00e9e des standards de publication anglo-saxons et des moteurs PostScript, ces valeurs sont obligatoirement exprim\u00e9es en pouces (1 pouce \u00e9quivalant exactement \u00e0 2,54 centim\u00e8tres). L’absence de conversion automatique vers le syst\u00e8me m\u00e9trique au niveau de l’interface utilisateur impose \u00e0 l’exp\u00e9rimentateur d’adopter des m\u00e9thodes de calcul syst\u00e9matiques pour respecter les normes de publication internationales.<\/p>\n

Le rapport entre la largeur et la hauteur, d\u00e9sign\u00e9 sous le terme de rapport de forme ou aspect ratio<\/em>, conditionne l’int\u00e9grit\u00e9 g\u00e9om\u00e9trique per\u00e7ue des ph\u00e9nom\u00e8nes physiques ou statistiques illustr\u00e9s. Un rapport de forme inadapt\u00e9 peut provoquer une fausse impression de raideur sur une r\u00e9gression lin\u00e9aire ou, \u00e0 l’inverse, \u00e9craser visuellement une distribution de probabilit\u00e9 multimodale. De surcro\u00eet, la dimension physique d\u00e9finie par figsize<\/code> interagit de fa\u00e7on intime avec la r\u00e9solution exprim\u00e9e en points par pouce, ou dots per inch<\/em> (DPI). Le DPI d\u00e9termine le facteur de conversion entre la g\u00e9om\u00e9trie en pouces et la matrice de pixels r\u00e9sultante lors de la rast\u00e9risation, dictant ainsi la nettet\u00e9 des polices typographiques et des trac\u00e9s vectoriels \u00e0 l’\u00e9cran comme \u00e0 l’impression.<\/p>\n

Pour les auteurs europ\u00e9ens devant se conformer aux formats normalis\u00e9s ISO 216 (tels que le format A4) ou aux recommandations strictes des \u00e9diteurs exigeant des largeurs en centim\u00e8tres ou en millim\u00e8tres, une conversion rigoureuse s’impose en amont de l’appel logiciel. En d\u00e9finissant une constante de conversion d\u00e9di\u00e9e (la division explicite de la dimension m\u00e9trique souhait\u00e9e par 2,54), le praticien garantit que le rendu final s’ins\u00e9rera sans d\u00e9formation ni extrapolation d’\u00e9chelle au sein de documents LaTeX ou de plateformes de traitement de texte avanc\u00e9es.<\/p>\n

2.2 Application uniforme \u00e0 des grilles sym\u00e9triques<\/h3>\n

La commande canonique plt.subplots(nrows, ncols, figsize=(width, height))<\/code> g\u00e9n\u00e8re un r\u00e9seau r\u00e9gulier d’axes o\u00f9 la surface disponible \u00e0 l’int\u00e9rieur de la Figure<\/code> est initialement scind\u00e9e en fractions rigoureusement \u00e9quitables entre le nombre sp\u00e9cifi\u00e9 de lignes et de colonnes. Dans ce mod\u00e8le sym\u00e9trique standard, chaque sous-graphique h\u00e9rite d’une part de surface identique, ce qui s’av\u00e8re pertinent pour comparer des s\u00e9ries chronologiques parall\u00e8les, des distributions synchrones de signaux biologiques ou des \u00e9tats thermodynamiques mesur\u00e9s \u00e0 intervalles r\u00e9guliers.<\/p>\n

\"\"<\/figure>\n

Le choix des dimensions du canevas doit refl\u00e9ter scrupuleusement le produit matriciel des sous-graphiques. \u00c0 titre d’illustration, l’utilisation d’une configuration carr\u00e9e par d\u00e9faut, par exemple figsize=(6, 6)<\/code>, pour une grille constitu\u00e9e d’une ligne et de trois colonnes (1×3), comprime drastiquement la largeur individuelle de chaque axe \u00e0 moins de deux pouces, tout en allouant une hauteur disproportionn\u00e9e. Un tel d\u00e9s\u00e9quilibre engendre une compaction extr\u00eame de l’axe des abscisses, rendant la lecture des graduations temporelles ou cat\u00e9gorielles quasiment impossible sans rotations typographiques disgracieuses. Inversement, l’adoption d’un format panoramique, tel que figsize=(15, 5)<\/code>, restitue \u00e0 chaque cellule un espace d’affichage \u00e9quilibr\u00e9 garantissant l’orthogonalit\u00e9 visuelle et la clart\u00e9 du signal.<\/p>\n

La distorsion des axes devient critique lorsque les donn\u00e9es repr\u00e9sent\u00e9es poss\u00e8dent une signification g\u00e9om\u00e9trique intrins\u00e8que, comme des images en microscopie ou des cartes topographiques. Si les dimensions globales de la figure n’offrent pas un espace proportionnel \u00e0 la g\u00e9om\u00e9trie de la matrice de donn\u00e9es, l’utilisateur se voit contraint d’appliquer un \u00e9tirement artificiel des axes ou d’accepter l’apparition d’espaces blancs p\u00e9riph\u00e9riques massifs si l’argument aspect='equal'<\/code> est impos\u00e9 aux objets Axes<\/code>. Une planification rigoureuse du tuple figsize<\/code> en fonction du produit cart\u00e9sien du maillage constitue le premier rempart contre ces \u00e9cueils.<\/p>\n

2.3 Optimisation de l’affichage avec la m\u00e9thode tight_layout<\/h3>\n

L’inconv\u00e9nient structurel majeur de l’allocation sym\u00e9trique via plt.subplots<\/code> r\u00e9side dans le fait que les dimensions calcul\u00e9es pour chaque sous-graphique englobent initialement uniquement la bo\u00eete de d\u00e9limitation des donn\u00e9es, sans anticiper l’encombrement spatial des composants p\u00e9riph\u00e9riques : \u00e9tiquettes d’axes (xlabel<\/em> et ylabel<\/em>), valeurs num\u00e9riques des graduations (ticks<\/em>), titres individuels et l\u00e9gendes flottantes. Dans les configurations multi-panneaux denses, les \u00e9l\u00e9ments textuels de l’axe inf\u00e9rieur d’un trac\u00e9 entrent fr\u00e9quemment en collision g\u00e9om\u00e9trique avec le titre du trac\u00e9 situ\u00e9 imm\u00e9diatement en dessous, g\u00e9n\u00e9rant un enchev\u00eatrement typographique inacceptable.<\/p>\n

Pour rem\u00e9dier \u00e0 cette limitation sans calculs manuels fastidieux, Matplotlib propose l’algorithme tight_layout<\/code>, invocable via la m\u00e9thode fig.tight_layout()<\/code> ou le param\u00e8tre bool\u00e9en associ\u00e9. Ce moteur g\u00e9om\u00e9trique analyse de mani\u00e8re r\u00e9trospective les bo\u00eetes englobantes r\u00e9elles de tous les \u00e9l\u00e9ments graphiques et textuels pr\u00e9sents sur la figure, puis recalcule dynamiquement les marges p\u00e9riph\u00e9riques et les espacements inter-axes afin de pr\u00e9venir tout chevauchement physique. L’algorithme ajuste la surface active de chaque Axes<\/code> pour lib\u00e9rer exactement l’espace requis par la typographie p\u00e9riph\u00e9rique.<\/p>\n

N\u00e9anmoins, tight_layout<\/code> pr\u00e9sente des limitations intrins\u00e8ques notables. Son fonctionnement \u00e9tant fond\u00e9 sur une analyse a posteriori, l’appel \u00e0 cette m\u00e9thode doit obligatoirement intervenir apr\u00e8s que tous les trac\u00e9s, titres et \u00e9tiquettes ont \u00e9t\u00e9 instanci\u00e9s et renseign\u00e9s dans le script. De surcro\u00eet, face \u00e0 des compositions non lin\u00e9aires complexes impliquant des encarts imbriqu\u00e9s manuellement ou des barres de couleur ajout\u00e9es hors-grille, l’algorithme peut \u00e9chouer \u00e0 trouver une solution d’optimisation convergeant harmonieusement, aboutissant parfois \u00e0 une r\u00e9duction excessive et asym\u00e9trique de la surface utile de certains axes au d\u00e9triment de l’\u00e9quilibre visuel global.<\/p>\n

3. Dimensionnement asym\u00e9trique horizontal avec gridspec_kw et width_ratios<\/h2>\n

L’uniformit\u00e9 spatiale devient une contrainte p\u00e9nalisante d\u00e8s lors qu’un protocole d’analyse exige la mise en relation de visualisations ayant des densit\u00e9s informationnelles disparates. L’introduction de coefficients de pond\u00e9ration sur l’axe horizontal permet de rompre cette rigidit\u00e9 tout en conservant une \u00e9l\u00e9gante simplicit\u00e9 syntaxique.<\/p>\n

3.1 Syntaxe et s\u00e9mantique de l’argument width_ratios<\/h3>\n

Le moyen le plus direct et lisible pour introduire une diff\u00e9renciation de largeur entre plusieurs colonnes consiste \u00e0 employer l’argument gridspec_kw<\/code> au sein de l’instruction plt.subplots<\/code>. Cet argument attend un dictionnaire de param\u00e8tres transmis directement au constructeur sous-jacent de la grille. Au sein de ce dictionnaire, la cl\u00e9 width_ratios<\/code> accepte une s\u00e9quence it\u00e9rable de valeurs num\u00e9riques (entiers ou r\u00e9els) dont la longueur doit correspondre exactement au nombre de colonnes sp\u00e9cifi\u00e9 par ncols<\/code>.<\/p>\n

La s\u00e9mantique de width_ratios<\/code> repose sur une normalisation lin\u00e9aire relative. Matplotlib ne traite pas ces valeurs comme des dimensions absolues, mais comme des facteurs d’\u00e9chelle proportionnels. Si l’on assigne par exemple le tuple (3, 1)<\/code> \u00e0 une figure comportant deux colonnes, le moteur d’agencement spatial calcule la somme arithm\u00e9tique des coefficients (3 + 1 = 4), puis alloue les trois quarts (75 %) de l’espace horizontal total disponible \u00e0 la premi\u00e8re colonne et le quart restant (25 %) \u00e0 la seconde, d\u00e9duction faite des marges d’espacement inter-axes sp\u00e9cifi\u00e9es. Cette m\u00e9thode garantit une souplesse totale, l’analyste pouvant exprimer les ratios sous forme de pourcentages, d’entiers arbitraires ou de valeurs d\u00e9cimales normalis\u00e9es sans modifier la distribution physique finale.<\/p>\n

La robustesse de ce m\u00e9canisme r\u00e9side dans son int\u00e9gration transparente au flux d’ex\u00e9cution standard de Matplotlib. Les tableaux d’axes retourn\u00e9s conservent leur structure d’indexation matricielle usuelle, permettant d’acc\u00e9der aux composantes individuelles avec la m\u00eame syntaxe que pour une grille uniforme, tout en b\u00e9n\u00e9ficiant d’une g\u00e9om\u00e9trie personnalis\u00e9e d\u00e8s l’initialisation du pipeline visuel.<\/p>\n

3.2 Applications analytiques de la largeur diff\u00e9rentielle<\/h3>\n

L’asym\u00e9trie horizontale trouve des applications de premier plan dans l’analyse exploratoire et la mod\u00e9lisation statistique avanc\u00e9e. L’un des cas d’usage les plus embl\u00e9matiques concerne l’affichage conjoint d’une s\u00e9rie temporelle \u00e9tendue et de sa distribution marginale stationnaire. Consacrer une surface identique \u00e0 ces deux repr\u00e9sentations constituerait une aberration s\u00e9miotique : la s\u00e9rie temporelle requiert une amplitude horizontale substantielle pour rendre visibles les oscillations \u00e0 haute fr\u00e9quence, les ruptures de tendance et les regroupements de volatilit\u00e9, tandis que l’histogramme de distribution ou la courbe de densit\u00e9 par noyau n’exige qu’une bandelette lat\u00e9rale \u00e9troite pour communiquer la forme de la loi statistique sous-jacente.<\/p>\n

En affectant un ratio de 4:1 ou de 3:1 entre la colonne principale et la colonne secondaire, l’analyste \u00e9tablit une hi\u00e9rarchie visuelle intuitive qui guide imm\u00e9diatement la trajectoire oculaire de l’observateur. L’attention est d’abord capt\u00e9e par l’axe principal dominant, le panneau adjacent agissant comme un r\u00e9f\u00e9rentiel synth\u00e9tique venant \u00e9clairer la lecture sans d\u00e9tourner l’attention cognitive. Cette configuration est \u00e9galement optimale pour juxtaposer un trac\u00e9 cartographique ou un nuage de points multidimensionnel et une colonne \u00e9troite d\u00e9di\u00e9e \u00e0 des bo\u00eetes \u00e0 moustaches (boxplots<\/em>) r\u00e9capitulant les quartiles par cat\u00e9gorie.<\/p>\n

D’un point de vue psychophysique, des recherches sur l’ergonomie visuelle d\u00e9montrent qu’une disparit\u00e9 mod\u00e9r\u00e9e (comprise entre 2:1 et 4:1) optimise le confort de lecture en \u00e9vitant l’effet de tassement tout en maintenant une proximit\u00e9 spatiale suffisante pour que l’\u0153il \u00e9tablisse des correspondances imm\u00e9diates entre les ordonn\u00e9es communes des deux panneaux. D\u00e9passer un ratio de 6:1 risque de r\u00e9duire l’axe secondaire \u00e0 une zone si comprim\u00e9e que les marqueurs graphiques s’y chevauchent, annulant l’int\u00e9r\u00eat analytique de la juxtaposition.<\/p>\n

4. Modulation de la hauteur relative des sous-graphiques avec height_ratios<\/h2>\n

Par analogie avec la modulation horizontale, le contr\u00f4le diff\u00e9renci\u00e9 de la dimension verticale r\u00e9pond \u00e0 des imp\u00e9ratifs m\u00e9thodologiques pr\u00e9cis, notamment lorsque des signaux corr\u00e9l\u00e9s ou des mod\u00e8les d’ajustement partagent un axe temporel ou spectral commun mais requi\u00e8rent des r\u00e9solutions verticales distinctes.<\/p>\n

4.1 Param\u00e9trage vertical au sein de gridspec_kw<\/h3>\n

L’ajustement vertical asym\u00e9trique s’op\u00e8re par l’adjonction de la cl\u00e9 height_ratios<\/code> dans le dictionnaire gridspec_kw<\/code> pass\u00e9 \u00e0 plt.subplots<\/code>. La structure syntaxique est rigoureusement identique \u00e0 celle de son pendant horizontal : l’argument requiert une liste ou un tuple de scalaires num\u00e9riques dont le cardinal doit \u00e9quivaloir au nombre de lignes d\u00e9fini par nrows<\/code>. Le moteur de calcul normalise la somme de ces coefficients pour partitionner l’espace vertical disponible au sein de la Figure<\/code>.<\/p>\n

\"\"<\/figure>\n

La modulation des hauteurs soul\u00e8ve une consid\u00e9ration technique fondamentale : la synchronisation rigoureuse de l’alignement horizontal. Lorsque plusieurs sous-graphiques superpos\u00e9s partagent le m\u00eame axe des abscisses (souvent configur\u00e9 via le param\u00e8tre sharex=True<\/code>), les largeurs des bo\u00eetes de d\u00e9limitation de ces axes doivent demeurer strictement identiques au pixel pr\u00e8s. L’application d’un ratio de hauteur, tel qu’un rapport 3:1 entre un panneau sup\u00e9rieur et un panneau inf\u00e9rieur, ne doit en aucun cas induire un d\u00e9calage des bordures gauches ou droites r\u00e9sultant de la pr\u00e9sence d’\u00e9tiquettes de graduation de longueurs diff\u00e9rentes sur l’axe des ordonn\u00e9es.<\/p>\n

Pour assurer cette coh\u00e9rence d’alignement lorsque height_ratios<\/code> est actif, Matplotlib verrouille les transformations projectives des colonnes concern\u00e9es. Il incombe toutefois au programmeur de d\u00e9sactiver les \u00e9tiquettes textuelles redondantes sur l’axe interm\u00e9diaire afin d’\u00e9viter d’empi\u00e9ter sur l’espace restreint allou\u00e9 au sous-graphique de faible hauteur, garantissant ainsi une continuit\u00e9 g\u00e9om\u00e9trique parfaite le long de la coordonn\u00e9e partag\u00e9e.<\/p>\n

4.2 Cas d’usage : Trac\u00e9 principal et r\u00e9sidus d’ajustement<\/h3>\n

Le cas d’usage le plus rigoureux et universel de la modulation par height_ratios<\/code> r\u00e9side dans la pr\u00e9sentation conjointe d’un mod\u00e8le d’ajustement statistique (ou d’une fonction d’onde exp\u00e9rimentale) et de ses r\u00e9sidus d’estimation. Dans les publications de physique exp\u00e9rimentale, de chimie analytique ou d’\u00e9conom\u00e9trie, la seule visualisation de la courbe th\u00e9orique superpos\u00e9e aux donn\u00e9es brutes est notoirement insuffisante pour \u00e9valuer la qualit\u00e9 d’une r\u00e9gression ; l’examen scrupuleux des r\u00e9sidus (les \u00e9carts entre valeurs observ\u00e9es et valeurs pr\u00e9dites) est imp\u00e9ratif pour d\u00e9tecter les biais syst\u00e9matiques ou l’h\u00e9t\u00e9rosc\u00e9dasticit\u00e9.<\/p>\n

Dans ce contexte, structurer la figure avec un panneau sup\u00e9rieur occupant environ 70 % \u00e0 80 % de la hauteur totale (ratio de 3:1 ou 4:1) et un panneau inf\u00e9rieur occupant les 20 % \u00e0 30 % restants constitue la disposition m\u00e9thodologique de r\u00e9f\u00e9rence. Le graphique sup\u00e9rieur offre une r\u00e9solution ample pour d\u00e9ployer les courbes de r\u00e9gression, les bandes d’incertitude et les points exp\u00e9rimentaux, tandis que le panneau inf\u00e9rieur fournit une bande \u00e9troite, centr\u00e9e sur la valeur z\u00e9ro, permettant de scruter la dispersion des erreurs.<\/p>\n

Cette architecture visuelle requiert l’\u00e9limination de l’espace vertical s\u00e9parant les deux trac\u00e9s ainsi que le masquage des \u00e9tiquettes num\u00e9riques de l’axe horizontal du graphique sup\u00e9rieur, puisque l’axe des abscisses est strictement identique. Cette configuration compacte permet \u00e0 l’\u0153il d’effectuer des projections verticales instantan\u00e9es pour relier directement une divergence locale sur les donn\u00e9es \u00e0 un pic dans la distribution des r\u00e9sidus, optimisant ainsi la puissance diagnostique du trac\u00e9.<\/p>\n

5. Combinaison bidimensionnelle des ratios de largeur et de hauteur<\/h2>\n

L’int\u00e9gration simultan\u00e9e de variations dimensionnelles horizontales et verticales permet de concevoir des architectures matricielles h\u00e9t\u00e9rog\u00e8nes capables de synth\u00e9tiser des jeux de donn\u00e9es hautement multidimensionnels au sein d’une composition unifi\u00e9e.<\/p>\n

5.1 Structuration matricielle complexe multi-axes<\/h3>\n

Lorsque l’on d\u00e9clare simultan\u00e9ment les cl\u00e9s width_ratios<\/code> et height_ratios<\/code> dans le dictionnaire gridspec_kw<\/code>, Matplotlib proc\u00e8de \u00e0 un partitionnement matriciel bidimensionnel complet. Soit une configuration d\u00e9finie par une matrice 2×2, configur\u00e9e avec des ratios de largeur de [3, 1]<\/code> et des ratios de hauteur de [1, 3]<\/code>. L’espace total du canevas se trouve alors segment\u00e9 en quatre cadrans poss\u00e9dant chacun une aire g\u00e9om\u00e9trique et un rapport de forme singuliers :<\/p>\n