在 Matplotlib 中创建复杂图表时，元素重叠、标签被截断是常见问题。长期以来，tight_layout 是解决这些问题的标准方案。但自 Matplotlib 3.1 版本起，一个更强大的新引擎 constrained_layout 被引入，并逐渐成为推荐选择。

本文将深入源码层面，剖析为何应该优先选择 constrained_layout，并详细介绍其使用方法与注意事项。

一、 核心差异：新老引擎的较量

constrained_layout 与 tight_layout 的本质区别，在 Matplotlib 源码的注释中已有明确定义。在 matplotlib/layout_engine.py 文件的第 13 至 18 行，官方清晰地说明了二者的定位：

Matplotlib has two built-in layout engines:

- `.TightLayoutEngine` was the first layout engine added to Matplotlib.
See also :ref:`tight_layout_guide`.
- `.ConstrainedLayoutEngine` is more modern and generally gives better results.
See also :ref:`constrainedlayout_guide`.

具体而言，二者的差异体现在三个层面：

1. 工作原理：事后补救 vs 实时规划

tight_layout（2013年引入）采用的是“事后补救”策略。它在你完成所有绘制后，通过一次性的空间计算，生硬地挤压或调整子图区域，以容纳坐标轴标签、标题等元素。这个过程是机械且一次性的。

constrained_layout（2019年引入）则智能得多。根据 _constrained_layout.py 文件第 1 至 47 行描述的算法，它在绘图过程中就持续、弹性地规划空间。其核心是使用 GridSpec 进行约束，并通过一个内部的求解器（solver）计算最优布局，确保所有元素在绘制阶段就被妥善安置，不会发生重叠。

2. 调用方式：手动触发 vs 自动执行

从代码优雅度来看，tight_layout 要求你在每次绘图后，手动调用 plt.tight_layout() 或 fig.tight_layout() 来解决问题，显得十分繁琐。

ConstrainedLayoutEngine 则优雅得多。它通过一个 execute() 方法，在每次图形重绘（draw()）时都会被自动调用。这意味着你无需任何手动干预，布局就能在添加新元素或调整图形大小时，实时、自动地保持最佳状态。

二、 constrained_layout 的局限

constrained_layout 并非完美无缺，它有两个明确的缺点需要了解。

1. 复杂布局可能失败并给出警告：对于极其复杂或空间极度受限的布局，求解器可能无法找到可行解。在这种情况下，算法不会应用，并且会像 _constrained_layout.py 第 43 至 44 行所描述的那样，给出一个警告，而不是静默出错：

   It's possible that the margins take up the whole figure,
   in which case the algorithm is not applied and a warning is raised.
   

   这比 tight_layout 的静默失败（产生重叠图）要好，因为它会明确提醒你需要手动调整。

2. 性能开销较大：如 layout_engine.py 第 5 至 6 行所示，constrained_layout 在每次 draw() 时都会执行其优化算法。对于包含大量子图的动态或交互式图表，这可能会带来可感知的性能开销。

三、 正确使用方法

启用 constrained_layout 非常简单，有两种主要方式：

1. 在创建图形时指定：这是最推荐的做法。在 plt.subplots、plt.figure 或 plt.subplot_mosaic 中，直接传入 layout="constrained" 参数。

   fig, axs = plt.subplots(2, 2, layout="constrained")
   

2. 通过 rcParams 全局激活：如果你想在所有绘图任务中都启用它，可以设置全局参数。

   plt.rcParams['figure.constrained_layout.use'] = True
   

一个关键的配套设置是 savefig.bbox。为了确保导出的图片尺寸严格等于你设定的 figsize，应保持其默认值为 "standard"。关于 savefig.bbox 的有效值，matplotlib/rcsetup.py 文件中的 validate_bbox 函数（第 555-566 行）及其默认值定义（第 1276-1277 行）给出了清晰的解释：

def validate_bbox(s):
    if isinstance(s, str):
        s = s.lower()
        if s == 'tight':
            return s
        if s == 'standard':
            return None
        raise ValueError("bbox should be 'tight' or 'standard'")
    elif s is not None:
        raise ValueError("bbox should be 'tight' or 'standard'")
    return s

# 默认值设置
"savefig.bbox":         validate_bbox,  # "tight", or "standard" (= None)
"savefig.pad_inches":   validate_float,

我们可以将其逻辑总结为下表：

设置值	内部存储	实际效果
'tight'	'tight'	向内裁剪到内容边界，并附加 pad_inches 指定的填充量
'standard'	None	使用完整的 figsize，不做任何裁剪
None	None	等同于 'standard'

因此，推荐的全局配置组合是：

plt.rcParams['figure.constrained_layout.use'] = True
# 保持 savefig.bbox 默认值 "standard"，确保导出尺寸严格等于 figsize

四、 高级技巧：pad_inches="layout" 的用法

在调用 fig.savefig() 时，你会遇到两个与填充相关的参数：bbox_inches 和 pad_inches。这里需要特别注意 pad_inches="layout" 这个特殊选项的生效条件。

根据 matplotlib/backend_bases.py 文件第 2159 至 2169 行的源码逻辑：

if bbox_inches == "tight":                    # 第一层：必须 tight
    bbox_inches = self.figure.get_tightbbox(...)
    if (isinstance(layout_engine, ConstrainedLayoutEngine) and   # 第二层：必须 CL
            pad_inches == "layout"):
        h_pad = layout_engine.get()["h_pad"]   # ← 只有两个条件同时满足才走到这里
        w_pad = layout_engine.get()["w_pad"]
    else:
        # 缺任何一个，都回退到这里
        pad_inches = rcParams['savefig.pad_inches']
        h_pad = w_pad = pad_inches

这段代码揭示了一个严格的生效链条。pad_inches="layout" 要生效，必须同时满足两个条件：

1. bbox_inches 必须设置为 "tight"。
2. 当前使用的布局引擎必须是 ConstrainedLayoutEngine。

如果任何一个条件不满足，它都会回退到使用 rcParams['savefig.pad_inches'] 的值（一个浮点数）。

这个选项的特别之处在于，它允许你使用 constrained_layout 引擎在计算布局时预留的内部填充值（h_pad 和 w_pad），使得导出的图片在裁剪掉所有白边后，元素之间仍能保持与画布上一致的精美间距。

因此，完整的使用方法是：

# 1. 启用 constrained_layout 引擎
plt.rcParams['figure.constrained_layout.use'] = True
# 或者创建 figure 时指定 layout="constrained"

# 2. 保存时触发 "layout" 选项
fig.savefig('output.png', bbox_inches="tight", pad_inches="layout")

需要注意的是，这种组合的结果尺寸往往与你设定的 figsize 相差较大，因为它会向内裁剪。这个技巧仅在 constrained_layout 本身处理结果仍不尽人意，需要保留引擎内部间距设定时，作为最后的微调手段。

总结

constrained_layout 是现代 Matplotlib 绘图的更优选择。它通过智能的、实时的空间规划取代了旧的“挤压式”调整，在绝大多数场景下都能提供更优雅、更可靠的自动布局效果。理解其工作原理和局限性，并掌握 savefig 参数的用法，将使你的可视化作品从绘图到导出都保持专业水准。